一种考虑实时行为电价分区多模态变形负荷预测方法

1.本发明涉及一种电网负荷预测方法，用于实现区域电网中电力负荷的短期预测，属于电力系统负荷预测技术领域。


背景技术：

2.在“双碳”目标以及新能源行业快速发展的背景下，为合理优化碳排放结构，有效消纳新能源，对传统电网中负荷预测工作提出了更高的要求。其中，短期负荷预测在当前电网调度中发挥了重要作用，其结果对电网的运行、控制、规划以及建设都有重要的指导意义，预测效果直接影响到全系统的发电与供电预期安排。
3.当前主流的基于时序建模法及神经网络法的负荷预测方法虽取得一定效果。但有限层次的历史负荷数据无法对负荷特性进行精细建模，同时亦未能考虑包括实时电价及用户行为数量在内的强相关因素，总体预测效果仍有较大的提升空间。
4.伴随着智能电表的普及以及移动网络的发展，获取精细化的历史负荷数据成为可能，因此通过对区域及负荷类别的精细划分，同时采用模态分解和数据变形的方法对各部分进行精细预测，并考虑实时电价以及用户行为数量因素，能够有效的提升负荷预测准确率。


技术实现要素：

5.本发明提出了一种考虑实时行为电价分区多模态变形负荷预测方法，针对以地理区域及负荷类型两维度划分的负荷子集，采用集成学习框架，考虑自然环境因素的同时加入实时电价及用户行为数量，实现高准确率的短期负荷预测；所提方法在使用过程中的步骤为：
6.步骤(ⅰ)：数据采集、分析、分解、变形
7.实时负荷值受环境以及人为因素影响，将以下五类因素纳入考虑：
8.vi.历史负荷数据
9.使用历史前7天的电力负荷数据，取15分钟粒度，每天共96个数据点为：
[0010][0011]
其中l
d-i,j
即前第i天第j个时刻点的历史负荷值；
[0012]
同时，前五年阴历同日的负荷数据为：
[0013][0014]
其中，l
y-i,d,j
即阴历前i年同d日第j个时刻点的历史负荷值；
[0015]
vii.节假日信息
[0016]
待负荷预测当天的节假日因素编码为：
[0017]
jrd＝0
…4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0018]
其中，用0代表工作日，1代表单休日，2代表多休日首天，3代表多休日中间时段，4代表多休日末尾；viii.天气信息
[0019]
天气数据包括温度wd、风速fs、湿度xd、雨量yl，将待预测日前7天各时刻历史数据写成矩阵的形式；
[0020]
温度：
[0021][0022]
其中，wd
d-i,j
为待预测日前第i天第j个时刻点的温度数值；
[0023]
气象局对待预测日d日的预测温度ycwd的96个数据点为：
[0024]
[ycwd
d,1 ycwd
d,2
ꢀ…ꢀ
ycwd
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0025]
湿度xd矩阵为：
[0026][0027]
预测湿度ycxd为：
[0028]
[ycwd
d,1 ycwd
d,2
ꢀ…ꢀ
ycwd
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0029]
雨量yl为：
[0030][0031]
预测雨量ycyl为：
[0032]
[ycyl
d,1 ycyl
d,2
ꢀ…ꢀ
ycyl
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0033]
风速fs为：
[0034][0035]
预测风速ycfs为：
[0036]
[ycfs
d,1 ycfs
d,2
ꢀ…ꢀ
ycfs
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0037]
ix.实时电价信息
[0038]
获取当地实时电价数据ssdj，对于不同类别负荷，实时电价并不一致，使用该数据时需考虑具体负荷类别，将实际负荷分为工业ⅰ类负荷、商业ⅱ类负荷、居民ⅲ类负荷三类；三类负荷的历史电价数据为：
[0039][0040]
其中ssdj
d-i,j,ⅰ即ⅰ类负荷在前第i天第j个时刻的实时电价；ssdj
d-i,j,ⅱ即ⅱ类负荷在前第i天第j个时刻的实时电价；中ssdj
d-i,j,ⅲ即ⅲ类负荷在前第i天第j个时刻的实时电价；
[0041]
x.用户行为数量
[0042]
用户行为数量yhxwsl，即待预测地区的移动通讯设备数目，为：
[0043][0044]
其中n_loc为分区总数量，yhxwsl
d-i,j,k
为第k个分区前第i天第j个时刻的用户行为数量数；
[0045]
对历史负荷数据、温度、湿度、风速和雨量使用皮尔逊相关系数进行相关程度分析：
[0046][0047]
其中，xi为皮尔逊相关待分析量，包括历史负荷数据、温度、湿度、风速和雨量，yi为待预测负荷真实值，n为一天内时刻量，取n＝96；以历史负荷数据为例，取前7天历史数据，构成历史负荷矩阵，计算其中每一日与待预测日数据的皮尔逊相关系数，得到相关程度矩阵：
[0048][0049]
其中，xgcd
l,d-i
、xgcd
wd,d-i
、xgcd
xd,d-i
、xgcd
fs,d-i
以及xgcd
yl,d-i
分别前第i天历史负荷、温度、湿度、风速以及雨量与当天的负荷的相关程度；
[0050]
对历史负荷信息，为有效挖掘内部特征，需对其按层次分解，第一层是按地理分区分解，分解后将历史负荷数据写为以下形式：
[0051]
[0052]
其中n_loc为分区总数量，fql
d-i,j,k
为第k个分区前第i天第j个时刻的历史负荷值；
[0053]
在各地理分区下，按工业ⅰ类负荷、商业ⅱ类负荷、居民ⅲ类负荷进行划分，得到数据为：
[0054][0055]
其中fll
d-i,j,ⅰ为ⅰ类负荷在前i第天第j个时刻的历史负荷值；fll
d-i,j,ⅱ为ⅱ类负荷在前i第天第j个时刻的历史负荷值；fll
d-i,j,ⅲ为ⅲ类负荷在前i第天第j个时刻的历史负荷值；
[0056]
分解变形指对各分区下各类别历史负荷数据进行分解和变形；
[0057]
分解采用经验模态分解法，将各地区或各负荷类别的历史数据分解为6阶模态分解量mtfjl：
[0058][0059]
其中mtfjl
d-i,j,1
即前第i天第j时刻的1阶模态分解量值；mtfjl
d-i,j,6
即前第i天第j时刻的6阶模态分解量值；
[0060]
数据变形则是对历史负荷数据进行以下五种变形：
[0061]
vi.差分，将历史负荷各数据点前后依次做差分处理，得到短时负荷变化趋势为：
[0062]
l
d-i,j+1-l
d-i,j
(j＝1...95)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0063]
vii.日斜率，将相邻两天负荷总和做差分并取斜率值，得到以分钟为单位的负荷变化趋势为：
[0064][0065]
其中，t＝1440；
[0066]
viii.累积，对一天内历史负荷数据各时刻点数据进行后向累加为：
[0067][0068]
ix.相除，将历史负荷各数据点前后依次相除为：
[0069][0070]
x.平移缩放，将历史负荷各数据点前后依次做平移缩放为：
[0071][0072]
步骤(ⅱ)：数据输入及网络构建
[0073]
将步骤(i)得到的数据进行卷积和展平，再送入集成学习器；
[0074]
iii.卷积
[0075]
对于输入维度为h
in
×win
的矩阵，经过二维卷积操作后输出矩阵维度h
out
×wout
为：
[0076][0077][0078]
其中paddingh、dilationh、kernel_sizeh以及strideh分别为矩阵行维度上的填零数量、卷积核元素间的步幅、卷积核的大小和卷积的步长；paddingw、dilationw、kernel_sizew以及stridew分别为矩阵列维度上的填零数量、卷积核元素间的步幅、卷积核的大小和卷积的步长；
[0079]
iv.展平
[0080]
将高维矩阵按维度逐一展开成一维向量，对于一个h行w列的二维矩阵输入，展平成长度为h
×
w的一维向量输出；
[0081]
集成学习器由多个子学习器构成，各子学习器使用不同机器学习方法，使用rnn子学习器，df子学习器，cwl子学习器，bilstm子学习器，lvq子学习器以及dnn子学习器，分别对负荷分量进行预测，最终将所有子学习器的结果加权，得到分量的最终预测结果：
[0082][0083]
其中，为学习器对i阶模态量预测值，和分别为rnn子学习器输出、df子学习器输出、cwl子学习器输出、bilstm子学习器输出、lvq子学习器输出和dnn子学习器输出；c
rnn
,c
df
,c
cwl
,c
bilstm
,c
lvq
,c
dnn
为对应学习器输出的加权系数；
[0084]
将子地区子负荷类别所有模态分量的预测结果合并，得到该子地区该子负荷类别的预测值：
[0085][0086]
其中，为子区域下ⅰ类负荷预测值，为6个模态量预测值的和；
[0087]
再将该地区下所有子类别负荷的预测值合并，得到该子地区的负荷预测结果：
[0088][0089]
其中为地区1的负荷预测值，为三类负荷预测值的和；
[0090]
将所有子地区的负荷预测结果合并，得到最终的负荷预测结果：
[0091][0092]
其中即负荷预测值，为含96个元素的一维向量。
[0093]
本发明相对于现有技术具有如下的优点及效果：
[0094]
(1)以地理分区下各负荷类别作为预测对象，实现精确预测。
[0095]
(2)使用皮尔逊相关系数对历史数据进行筛选，降低模型复杂度。
[0096]
(3)考虑实时电价及用户行为数量，提升预测准确性。
[0097]
(4)使用经验模态分解以及数据变形，细化数据特征，提升数据利用率。
[0098]
(5)使用集成学习方法，相较单一机器学习方法具有更高的预测准确性。
附图说明
[0099]
图1为本发明中的历史负荷数据分区分类方法框图。
[0100]
图2为本发明集成学习子学习器的数据输入格式。
[0101]
图3为本发明使用到的集成学习器内部结构框图。
[0102]
图4为本发明负荷分量合并方法。
[0103]
图5为本发明选取历史数据使用的滑窗方法。
具体实施方式
[0104]
本发明提出的一种考虑实时行为电价分区多模态变形负荷预测方法，结合附图详细说明如下：
[0105]
图1是本发明中历史负荷数据分区分类方法框图。对区域内历史数据首先按地理区域分解为若干子地区，对每个子地区，按负荷类别分解为ⅰ类、ⅱ类、ⅲ类负荷，对于子地区下所有类别负荷，再使用经验模态分解法分解为6个模态分量。
[0106]
图2为本发明集成学习子学习器的数据输入格式。将分解出的模态分量作数据变换后与该子地区用户行为数量、负荷实时电价、节假日因素以及筛选出的强相关性环境因素合并，作为集成学习网络的输入，得到模态分量的预测结果。
[0107]
图3为本发明使用到的集成学习器内部结构框图。所有子学习器共享一个输入，将所有子学习器的输出结果取加权平均后作为集成学习器的输出结果。
[0108]
图4为本发明负荷分量合并方法。将子地区下各类别负荷所有模态分量预测结果合并复原出对应类别负荷预测结果；将各子地区下所有类别负荷发预测结果合并得到该子地区负荷预测结果，最终将所有子地区负荷预测结果合并得到总体负荷预测结果。
[0109]
图5为本发明选取历史数据使用的滑窗方法。图中每个方框代表一天的历史数据。本发明中以8天为数据窗口，依次选取8天数据。对于每次选取出的8天数据，以前7天作为历史数据输入，以第8天作为负荷预测的输出。

技术特征：
1.一种考虑实时行为电价分区多模态变形负荷预测方法，其特征在于，针对以地理区域及负荷类型两维度划分的负荷子集，采用集成学习框架，考虑自然环境因素的同时加入实时电价及用户行为数量，实现高准确率的短期负荷预测；所提方法在使用过程中的步骤为：步骤(ⅰ)：数据采集、分析、分解、变形实时负荷值受环境以及人为因素影响，将以下五类因素纳入考虑：i.历史负荷数据使用历史前7天的电力负荷数据，取15分钟粒度，每天共96个数据点为：其中l
d-i,j
即前第i天第j个时刻点的历史负荷值；同时，前五年阴历同日的负荷数据为：其中，l
y-i,d,j
即阴历前i年同d日第j个时刻点的历史负荷值；ii.节假日信息待负荷预测当天的节假日因素编码为：jr
d
＝0
…4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，用0代表工作日，1代表单休日，2代表多休日首天，3代表多休日中间时段，4代表多休日末尾；iii.天气信息天气数据包括温度wd、风速fs、湿度xd、雨量yl，将待预测日前7天各时刻历史数据写成矩阵的形式；温度：其中，wd
d-i,j
为待预测日前第i天第j个时刻点的温度数值；气象局对待预测日d日的预测温度ycwd的96个数据点为：[ycwd
d,1 ycwd
d,2
…
ycwd
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)湿度xd矩阵为：
预测湿度ycxd为：[ycwd
d,1 ycwd
d,2
…
ycwd
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)雨量yl为：预测雨量ycyl为：[ycyl
d,1 ycyl
d,2
…
ycyl
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)风速fs为：预测风速ycfs为：[ycfs
d,1 ycfs
d,2
…
ycfs
d,96
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)iv.实时电价信息获取当地实时电价数据ssdj，对于不同类别负荷，实时电价并不一致，使用该数据时需考虑具体负荷类别，将实际负荷分为工业ⅰ类负荷、商业ⅱ类负荷、居民ⅲ类负荷三类；三类负荷的历史电价数据为：其中ssdj
d-i,j,ⅰ即ⅰ类负荷在前第i天第j个时刻的实时电价；ssdj
d-i,j,ⅱ即ⅱ类负荷在前第i天第j个时刻的实时电价；中ssdj
d-i,j,ⅲ即ⅲ类负荷在前第i天第j个时刻的实时电价；v.用户行为数量用户行为数量yhxwsl，即待预测地区的移动通讯设备数目，为：其中n_loc为分区总数量，yhxwsl
d-i,j,k
为第k个分区前第i天第j个时刻的用户行为数量数；对历史负荷数据、温度、湿度、风速和雨量使用皮尔逊相关系数进行相关程度分析：
其中，x
i
为皮尔逊相关待分析量，包括历史负荷数据、温度、湿度、风速和雨量，y
i
为待预测负荷真实值，n为一天内时刻量，取n＝96；以历史负荷数据为例，取前7天历史数据，构成历史负荷矩阵，计算其中每一日与待预测日数据的皮尔逊相关系数，得到相关程度矩阵：其中，xgcd
l,d-i
、xgcd
wd,d-i
、xgcd
xd,d-i
、xgcd
fs,d-i
以及xgcd
yl,d-i
分别前第i天历史负荷、温度、湿度、风速以及雨量与当天的负荷的相关程度；对历史负荷信息，为有效挖掘内部特征，需对其按层次分解，第一层是按地理分区分解，分解后将历史负荷数据写为以下形式：其中n_loc为分区总数量，fql
d-i,j,k
为第k个分区前第i天第j个时刻的历史负荷值；在各地理分区下，按工业ⅰ类负荷、商业ⅱ类负荷、居民ⅲ类负荷进行划分，得到数据为：其中fll
d-i,j,ⅰ为ⅰ类负荷在前i第天第j个时刻的历史负荷值；fll
d-i,j,ⅱ为ⅱ类负荷在前i第天第j个时刻的历史负荷值；fll
d-i,j,ⅲ为ⅲ类负荷在前i第天第j个时刻的历史负荷值；分解变形指对各分区下各类别历史负荷数据进行分解和变形；分解采用经验模态分解法，将各地区或各负荷类别的历史数据分解为6阶模态分解量mtfjl：其中mtfjl
d-i,j,1
即前第i天第j时刻的1阶模态分解量值；mtfjl
d-i,j,6
即前第i天第j时刻的6阶模态分解量值；数据变形则是对历史负荷数据进行以下五种变形：i.差分，将历史负荷各数据点前后依次做差分处理，得到短时负荷变化趋势为：l
d-i,j+1-l
d-i,j
(j＝1...95)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
ii.日斜率，将相邻两天负荷总和做差分并取斜率值，得到以分钟为单位的负荷变化趋势为：其中，t＝1440；iii.累积，对一天内历史负荷数据各时刻点数据进行后向累加为：iv.相除，将历史负荷各数据点前后依次相除为：v.平移缩放，将历史负荷各数据点前后依次做平移缩放为：步骤(ⅱ)：数据输入及网络构建将步骤(i)得到的数据进行卷积和展平，再送入集成学习器；i.卷积对于输入维度为h
in
×
w
in
的矩阵，经过二维卷积操作后输出矩阵维度h
out
×
w
out
为：为：其中padding
h
、dilation
h
、kernel_size
h
以及stride
h
分别为矩阵行维度上的填零数量、卷积核元素间的步幅、卷积核的大小和卷积的步长；padding
w
、dilation
w
、kernel_size
w
以及stride
w
分别为矩阵列维度上的填零数量、卷积核元素间的步幅、卷积核的大小和卷积的步长；ii.展平将高维矩阵按维度逐一展开成一维向量，对于一个h行w列的二维矩阵输入，展平成长度为h
×
w的一维向量输出；集成学习器由多个子学习器构成，各子学习器使用不同机器学习方法，使用rnn子学习器，df子学习器，cwl子学习器，bilstm子学习器，lvq子学习器以及dnn子学习器，分别对负荷分量进行预测，最终将所有子学习器的结果加权，得到分量的最终预测结果：其中，为学习器对i阶模态量预测值，和分别为rnn子学习器输出、df子学习器输出、cwl子学习器输出、bilstm子学习器输出、lvq子学习器输出和dnn子学习器输出；c
rnn
,c
df
,c
cwl
,c
bilstm
,c
lvq
,c
dnn
为对应学习器输出的加权系数；
将子地区子负荷类别所有模态分量的预测结果合并，得到该子地区该子负荷类别的预测值：其中，为子区域下ⅰ类负荷预测值，为6个模态量预测值的和；再将该地区下所有子类别负荷的预测值合并，得到该子地区的负荷预测结果：其中为地区1的负荷预测值，为三类负荷预测值的和；将所有子地区的负荷预测结果合并，得到最终的负荷预测结果：其中即负荷预测值，为含96个元素的一维向量。

技术总结
本发明公开了一种考虑实时行为电价分区多模态变形负荷预测方法，该方法包括：对区域负荷按地理及类型两个维度进行分区；对分区历史负荷数据进行经验模态分解和数据变形发掘数据特征及提升数据利用率；将历史负荷数据、实时电价、用户行为数量以及相关环境量作为输入集成学习器完成预测，将各分区的预测结果合并得到最终预测结果。所提方法能够实现电力系统短期负荷预测，提高负荷预测精度。提高负荷预测精度。


技术研发人员：殷林飞 蒋宗熹 高放
受保护的技术使用者：广西大学
技术研发日：2021.12.14
技术公布日：2022/3/8