[发明专利]融合温度特征的电网电量预测方法、装置、介质及终端

说明书

本发明提供一种融合温度特征的电网电量预测方法、装置、介质及终端，其包括：获取电网的原始电量数据和原始温度数据；预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；基于所述标准电量数据和融合温度数据建立向量自回归模型；采用所述向量自回归模型向前滚动预测，以获得电网的预测电量数据。本发明融合了气象因素中的温度特征，相较于现有预测方法或模型，考虑因素更为全面，预测误差更小，有效提高了电网电量预测的准确性和稳定性，并且有助于供电公司进行合理调配以提供高质量用电服务，不仅有利于提升电网运行的安全性和稳定性，减少了电量损耗，节约了能源，改善了用户服务体验，提高了企业的经济效益和社会效益。

技术领域

本发明涉及电网用电量需求预测技术领域，特别是涉及融合温度特征的电网电量预测方法、装置、介质及终端。

背景技术

随着国家电网以及新能源技术的飞速发展，电网的各种数据呈现出海量增长态势，相应地也引发了诸如数据复杂度高、数据实时性较差等一系列问题。同时，电能作为居民生活和工业发展的能源基础，减少负责区域的电量损耗、提供高质量用电服务既是提高电网运行安全性和稳定性的有效途径，也是供电公司改善用户满意度、提升企业经济效益的有效途径。

近年来，已有多种涉及电网安全稳定运行的电量预测方法被提出，主要可分为：基于数学统计分析的预测方法、基于分解组合的预测方法和基于机器学习的预测方法。这些预测方法的核心在于如何广泛深入地利用已有的历史静态数据建立预测模型，以实现对未来某个时刻电量的预测，比如自回归求和移动平均模型(Autoregressive IntegratedMoving Average,ARIMA)与自适应过滤法的组合预测模型，但这些预测方法存在参数调整过程中误差的收敛时间过长，且未综合考虑气象因素的影响和方法模型的适用性，因此预测准确率不足的问题。此外，现有电量预测方法还包括互补集成经验模态分解预测模型(Complementary Ensemble Empirical Mode Decomposition,CEEMD)，以及集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、门控循环单元神经网络(GatedRecurrent Unit Neural Network,GRUNN)和多元线性回归(Multiple LinearRegression,MLR)组合而成的预测方法，但这些方法都缺乏对气象因素的考虑，影响了算法的预测精度。

为了克服前述当前预测方法的问题，亟待提出一种能计及气象因素影响的电网电量新型预测方法，以提高对电网运行监测及异常预警的精准性。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供融合温度特征的电网电量预测方法、装置、介质及终端，用于解决现有技术中未综合考虑气象因素的影响和方法模型的适用性导致的电网电量预测准确率不足的问题。

为实现上述目的及其它相关目的，本发明的第一方面提供一种融合温度特征的电网电量预测方法，包括：获取电网的原始电量数据和原始温度数据；预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；基于所述标准电量数据和融合温度数据建立向量自回归模型；采用所述向量自回归模型向前滚动预测，以获得电网的预测电量数据。

于本发明的第一方面的一些实施例中，所述原始电量数据和原始温度数据的预处理方式包括：消除并均值补全所述原始电量数据和原始温度数据的异常值和缺失值，以获得所述标准电量数据和标准温度数据；将所述标准电量数据映射到所述标准温度数据的变化范围内以获得归一化标准电量数据。

于本发明的第一方面的一些实施例中，所述方法包括：计算固定窗下的归一化标准电量数据序列与对应的标准温度数据序列的相关系数，以获取与所述归一化标准电量数据序列对应的最相关温度数据序列；将所述最相关温度数据序列依时间顺序进行排列合并，以获得所述融合温度数据。