[0001] 本发明涉及电力领域，尤其涉及一种电力负荷的预测方法。

[0002] 电力负荷预测能够对电力系统中的规划、用电以及调度等部门起到关键性的作用。电力负荷与所处地区的经济水平、产业结构、政策法规、气象条件等外在因素有着深刻复杂的关系，呈现出周期性与随机性的特点。一方面，电力负荷的变化存在着一定的规律性和周期性；另一方面，受各种外部因素的影响，电力负荷又体现出难以把握的波动性。专利文件CN106503851A公开了一种改进的基于小波分析的短期电力负荷预测方法，包括选取样本数据、对选取的样本数据进行伪数据监测并修正、确定样本集并进行归一化，得到更平滑、更准确的样本数据与预测点负荷相关性更强，但该方法仅考虑了短期特征，也未对工作日和非工作日的用电特征进行区分。专利申请CN108549960A公开了一种24小时电力负荷预测方法，包含数据采集及预处理，通过特征熵权值计算出的有效特征，结合窗口选取法选取固定时间内的24小时用电负荷情况作为DBN网络训练的输入数据，确定DBN网络结构和建立网络模型并进行预测，然而，该方法也仅考虑了短期特征，也未对工作日和非工作日的用电特征进行区分。专利文献CN108736474A公开了电力负荷预测方法及装置，根据历史数据拟合得到待预测时刻对应的第一拟合关系模型和第二拟合关系模型，根据该模型得到待预测时刻对应的第一参数因子和第二参数因子；再根据各个历史周期内待预测时刻对应的负荷功率、第一参数因子和第二参数因子，计算得到该待预测时刻对应的负荷功率归一化值。最后，根据各个历史周期内待预测时刻对应的负荷功率归一化值利用指数平滑算法获得待预测周期内待预测时刻对应的负荷功率。该方法考虑了历史特征，但模型利用指数平滑算法，没有记忆单元，精度有限，也未对工作日和非工作日的用电特征进行区分。

[0005] 为使本发明的目的、技术方案和优点更加清楚，将结合附图对本发明作进一步地详细描述。这种描述是通过示例而非限制的方式介绍了与本发明的原理相一致的具体实施方式，这些实施方式的描述是足够详细的，以使得本领域技术人员能够实践本发明，在不脱离本发明的范围和精神的情况下可以使用其他实施方式并且可以改变和/或替换各要素的结构。因此，不应当从限制性意义上来理解以下的详细描述。

[0006] 图1是本发明的一种电力负荷预测方法的流程图。如图1所示，该方法包括：

[0007] 步骤S100，获取当前周期的n个历史周期的历史电力负荷数据D＝[D1,D2,…,Dn]，其中Di为当前周期前第n+1-i个周期的电力负荷数据，1≤i≤n。根据本发明，所述周期的电力负荷数据为指定地理围栏区域、变压器和/或用户在不同周期的电力负荷数据，其中所述地理围栏区域可根据对地球坐标系进行矩形等其他形状的划分得到，所述变压器和/或所述用户可为指定变压器和/或指定用户。所述周期的长度可自定义设置，优选的，所述长度的取值范围为[1天,100天]。进一步，根据本发明，n的取值可自定义设置，优选地，n的取值范围为[10，100]，n值的自定义设置，可便于根据需要获取近期或短时电力负荷特征和/或长期或长时电力负荷特征，例如当n取值较小时，能获取到短期内的电力负荷特征，若n取值较大，则反映的是长期的电力负荷特征。表1为本发明获取的一变压器关口表下共97个周期的电力负荷数据，其中该周期的长度为1天，且电力负荷数据单位为kwh(受限于篇幅，此处值给出部分数据)：

[0008] 表1

[0009]D1 D2 ... D97
2869.6 2899.2 ... 2444.8

[0010] 步骤S200，基于所述历史电力负荷数据D，使用频谱分析方法获取历史高频时域数据DH＝[DH1,DH2,…,DHM]T和历史低频时域数据DL＝[DL1,DL2,…,DLn]，其中M为所述频谱分析方法中的分析层数，DHj＝[DHj1,DHj2,…,DHjn]T为根据所述频谱分析方法获取的第j层高频分量，DLk为根据所述频谱分析方法获取的第一层低频分量在第k时刻的数值，DHjk为第j层高频分量在第k时刻的数值，1≤j≤M，1≤k≤n。根据本发明的一个实施例，所述频谱分析方法为Bartlett频谱分析方法，在本发明更优选的一个实施例中，所述频谱分析方法为小波变换方法。进一步，所述小波变换方法采用symN、dbN等小波类函数进行M层的小波分析变换，其中M的取值范围为[2，6]，N的取值范围为[2,9]，优选的，在本发明中，所述小波变换方法采用db5小波函数对所述电力负荷数据D进行M＝3层的小波分析变换。表2为本发明中对所述电力负荷数据D进行基于db5小波函数的3层小波变换后的数据，表3为本发明的对所述电力负荷数据D进行基于db5小波函数的3层小波变换后的历史高频时域数据DH，表4为本发明的对所述电力负荷数据D进行基于db5小波函数的3层小波变换后的历史低频时域数据DL。

[0011] 表2

[0012]k 1 2 ... 97
DL DL1＝2819.7 DL2＝2823.7 ... DL97＝2209.4
DH1 DH1,1＝70.3024 DH1,2＝23.71 ... DH1,97＝117.1698
DH2 DH2,1＝0.4114 DH2,2＝35.0899 ... DH2,97＝191.2215
DH3 DH3,1＝8.7486 DH3,2＝7.8881 ... DH3,97＝-72.9452

[0013] 表3

[0014]k 1 2 ... 97
DH1 DH1,1＝70.3024 DH1,2＝23.71 ... DH1,97＝117.1698
DH2 DH2,1＝0.4114 DH2,2＝35.0899 ... DH2,97＝191.2215
DH3 DH3,1＝8.7486 DH3,2＝7.8881 ... DH3,97＝-72.9452

[0015] 表4

[0016]k 1 2 ... 97
DL DL1＝2819.7 DL2＝2823.7 ... DL97＝2209.4

[0017] 步骤S300，根据所述历史高频时域数据DH和所述历史低频时域数据DL，预测当前周期的电力负荷数据 其中pl为基于所述历史低频时域数据DL获取的低频预测值，所述phj为基于所述历史高频时域数据DHj获取的高频预测值。在本发明的一个实施方式中， 即所述pl为所述历史低频时域数据DL的平均值，在本发明的一个优选实施方式中，基于传统时间序列分析预测模型和所述历史低频时域数据DL获取pl，其中，所述传统时间序列分析预测模型为自回归模型AR、移动平均线模型MA、自回归移动平均模型ARMA和/或差分自回归移动平均模型ARIMA。由于低频的平滑数据可以用来表征长时间的用电特征，且长时间的周期性用电负荷数据稳定，波动小，因此采用传统时间序列分析预测模型进行预测就能满足要求。

[0018] 进一步，根据本发明的一个实施方式， 在本发明的一个优选实施方式中，使用机器学习方法中的长短时记忆网络LSTM模型对所述历史高频时域数据DHj进行预测，高频的随机波动数据可用于表征短时间的用电特征，采用具有记忆单元的长短时记忆网络LSTM模型对高频时域数据进行预测，可进一步提高预测的精准度。表5为本发明所述长短时记忆网络LSTM模型对高频时域数据DHj进行预测的预测值，表6为本发明所述传统时间序列分析预测模型对所述历史低频时域数据DL的预测值。

[0019] 表5

[0020]ph1＝35.5368
ph2＝-65.5428
ph3＝-62.7829

[0021] 表6

[0022]pl＝2395

[0023] 因此，根据表5和表6的数据可以，所述当前周期的电力负荷数据N＝2395+35.5368-65.5428-62.7829＝2302.2。

[0024] 由上述公开的内容可知，本发明将获取的当前周期之前的n个历史周期的电力负荷数据通过频谱变换方法得到低频时域数据和多个高频时域数据，其中，利用低频时域数据的稳定性来表征变压器、地理围栏区域或者是用户的长期用电特征，使用多个高频时域数据的随机波动性来表征短期的用电特征，并进一步结合传通时间序列分析模型和具有记忆单元的长短时记忆网络LSTM模型分别对低频时域数据和高频时域数据进行数据预测，通过叠加各项预测值获取当前周期的电力负荷数据，使得最终获取的当前周期的电力负荷数据精确度更高。

[0025] 在本发明的一个实施例中，当所述周期的长度为一天时，其中，
m为权重系数，其取值范围为[0,1]，优选地，m的取值范围为
[0.85,0.92]。当所述周期为一天时，通过使用历史工作日的电力负荷数据均值/历史非工作日的电力负荷数据均值对基础预测值进行修正，进一步提高了当前周期电力负荷数据预测值的精准度。

[0026] 优选地，在本发明的另一个实施例中，还公开了一种电力负荷预测服务器，所述预测服务器可以获取所述地理围栏、变压器和/或用户的电力负荷数据，所述服务器进一步还包括处理器和存储有计算机程序的非瞬时性存储介质，当所述计算机程序被执行时，可实现以上所述步骤S100-步骤S300。在服务器上实现所述电力负荷预测，可节约本地的存储资源和计算资源。

[0027] 此外，根据公开的本发明的说明书，本发明的其他实现对于本领域的技术人员是明显的。实施方式和/或实施方式的各个方面可以单独或者以任何组合用于本发明的系统和方法中。说明书和其中的示例应该是仅仅看作示例性，本发明的实际范围和精神由所附权利要求书表示。