技术领域
[0001] 本发明涉及电力系统技术领域，特别涉及一种电力负荷预测方法及相关设备。
相关背景技术
[0002] 随着全球对环境保护和可持续发展的关注增加，各行各业都在努力适应双碳目标，其中包括电力行业。在双碳背景下，准确预测电力负荷变化对于实现高效能源调度和降低碳排放具有重要意义。然而，由于双碳背景下影响电力负荷的因素更加复杂，负荷模式可能发生较大变化，电力负荷的波动性增加，传统的电力负荷预测方法很难准确预测未来的负荷变化趋势。因此，如何预测双碳背景下的电力负荷变化趋势是十分必要的。
具体实施方式
[0048] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049] 本发明提供一种电力负荷预测方法，如图1所示，该方法，包括：
[0050] 步骤101：获取待预测数据；其中，待预测数据包括：电力负荷当前数据、新能源发电当前数据及电力负荷影响因素当前数据。
[0051] 电力负荷数据的采集可以基于电力公司数据中台采集营销业务应用系统、用电信息采集系统等系统记录的电力负荷数据。电力负荷数据可以为用户用电量、用户用电负荷信息、其他用电数据，当然还可以采集用户档案信息和电费实收预收信息。
[0052] 新能源发电数据的采集可以基于能源数据中心、可再生能源系统记录的新能源发电数据。新能源发电数据可以包括但不限于太阳能、风能、地热能等发电量和波动情况。
[0053] 电力负荷影响因素可以包括但不限于天气因素、季节因素、节假日因素、突发事件因素和政策因素。其中，天气因素数据的采集可以通过手动记录、自动采集、爬虫抓取等方式收集气象中心、气象网站公布的气候信息。天气因素数据可以包括温度、湿度、风速、降雨量等。季节因素可以包括夏季高温冬季低温等。节假日因素可以包括节假日期间居民用电需求与工作日有明显变化。突发事件因素可以包括自然灾害、火灾等突发事件可能导致电力负荷发生变化，尤其是针对大型工业用户。政策因素可以包括节能减排政策可能对电力负荷造成的影响。
[0054] 步骤102：将待预测数据输入电力负荷预测模型，得到电力负荷预测结果。
[0055] 其中，电力负荷预测模型的训练过程包括：
[0056] 获取待训练数据；其中，待训练数据包括：电力负荷历史数据、新能源发电历史数据及电力负荷影响因素历史数据；
[0057] 将待训练数据输入自回归滑动平均模型中进行训练，得到电力负荷预测模型。
[0058] 电力负荷历史数据可以为过去的以日、周、月、年为单位的电力负荷数据。新能源发电历史数据可以为太阳能、风能、地热能等不同时段的发电量和波动情况。电力负荷影响因素历史数据可以为过去几年中的天气数据、季节数据、节假日数据、突发事件数据和政策数据。
[0059] 本发明在电力负荷预测模型的训练过程中不仅考虑了电力负荷数据，还考虑了新能源发电数据和电力负荷影响因素数据，并且在模型训练时采用自回归滑动平均模型，能够适应双碳背景下电力负荷模式的变化，提高电力负荷预测的准确度，有助于电力系统的高效调度和碳排放控制，在双碳背景下推动电力行业的可持续发展和优化管理。
[0060] 可选的，在获取待训练数据之后，本发明提供的电力负荷预测方法，还包括：
[0061] 对待训练数据进行去除重复数据处理、去除异常数据处理和去除缺失数据处理中的一种或多种，得到清洗后的数据；
[0062] 对清洗后的数据进行归一化处理、标准化处理和离散化处理中的一种或多种，得到预处理后的数据。
[0063] 在得到预处理后的数据后，可以将数据集成，整合不同来源的数据，分析数据的分布、关联和异常情况，还可以将数据转化为图表，便于展示和分析。
[0064] 在对待训练数据进行上述预处理后，本发明提供的电力负荷预测方法，还包括：
[0065] 对待训练数据进行特征提取，并从提取的特征中筛选出对电力负荷预测产生影响的数据特征，得到目标数据特征。
[0066] 对待训练数据进行特征提取，提取出与电力负荷预测相关的特征，再筛选出对电力负荷预测具有较高影响力的特征。具体可以分析历史数据和相关领域知识，选取对电力负荷预测具有重要影响的特征，如时间特征、天气特征、节假日特征等，再将筛选出的特征转化为机器学习可以处理的形式。
[0067] 作为一可选的实施方式，将待训练数据输入自回归滑动平均模型中进行训练，得到电力负荷预测模型，包括：
[0068] 将待训练数据输入自回归滑动平均模型，采用贝叶斯信息准则确定自回归滑动平均模型的阶数，得到目标阶数；
[0069] 基于目标阶数得到电力负荷预测模型。
[0070] 本发明选择ARMA模型(Auto‑Regressive Moving Average Model，自回归滑动平均模型)建立电力负荷预测模型。利用历史数据进行模型训练，通过学习数据中的模式和规律，使模型能够预测未来的电力负荷情况。
[0071] ARMA模型要求输入的时间序列类型数据具有平稳性，所以在进行时间序列预测之前，要对历史数据如用电量、新能源发用电数据、气候等数据进行平稳性的检验和处理。
[0072] 可选的，本发明提供的电力负荷预测方法，在获取待训练数据之后，还包括：
[0073] 对待训练数据采用根检验方法进行平稳化检验，得到检验后的数据；
[0074] 对检验后的数据进行平稳化处理，得到平稳化处理后的数据。
[0075] 在实际应用中，根检验方法可以为ADF(Augmented Dickey‑Fuller test，时间序列的平稳性)单位根检验方法，对历史时间序列数据进行平稳化检验。ADF单位根检验方法的原假设为序列具有单位根，即非平稳，对于一个平稳的时序数据，就需要在给定的置信水平上显著，拒绝原假设。
[0076] 对于检验后的数据通常的平稳化处理方法包括但不限于对数变换、移动平均、指数平滑、以及差分。其中差分的平稳化处理效果最好，在实际应用中可以采用差分的方法进行平稳化处理，实现平稳化时间序列。
[0077] 作为一可选的实施方式，将待训练数据输入自回归滑动平均模型，采用贝叶斯信息准则确定自回归滑动平均模型的阶数，得到目标阶数，包括：
[0078] 在预设阶数范围内进行多个阶数的选取；
[0079] 针对每一个选取出的阶数均构建自回归滑动平均模型，得到多个构建模型；
[0080] 基于待训练数据计算各构建模型的贝叶斯信息准则值，得到多个贝叶斯信息准则值；
[0081] 将多个贝叶斯信息准则值中最小值对应的阶数作为目标阶数。
[0082] 将平稳化处理后的数据，如新能源发电量、负荷用电、季节、天气等数据输入ARMA模型中，若要得到最终的电力负荷预测模型，需要确定模型的阶数(p,q)。预测准确度较高的模型通常要求残差序列方差较小，同时模型也相对简单，即要求模型的阶数较低。因此本发明通过贝叶斯信息准则来比较不同阶数的模型之间的优劣，从而确定最合适的模型阶数，即使用BIC(Bayesian Information Criterion，贝叶斯信息准则)来寻找时间序列数据中最佳的ARMA模型阶数。自回归滑动平均模型ARMA是一种用于描述时间序列的统计模型。
[0083] 根据贝叶斯信息准则：
[0084]
[0085] 式中， 为误差方差，N为样本数量。
[0086] 使得达到最小值的p即为该准则下的最优的模型阶数。
[0087] 在确定最优模型阶数时，可以初始化BIC为一个较大的数值，p和q的初始值为0。可以记录最小的BIC值，对应的p和q值，以及对应的ARMA模型。然后使用嵌套的循环遍历p和q，在1‑20的范围内寻找能使模型的BIC值最小的阶数值，即尝试不同的p和q值组合来构建ARMA模型，使得BIC值最小对应的阶数值就是最合适的模型阶数。在每次循环中，用当前的p和q值构建ARMA模型，并尝试拟合数据。如果由于某些原因(例如出现异常)无法拟合，则跳过当前循环，尝试下一个p和q值组合。如果成功拟合ARMA模型，则计算当前模型的BIC值，并与之前记录的最小BIC值进行比较。如果当前模型的BIC值更小，则更新最小的BIC值、p、q值和ARMA模型。循环结束后，返回最小BIC值、对应的p和q值，以及最优的ARMA模型。
[0088] 本发明还可以引入双碳背景下的电力系统运行要求，如碳排放减少、可再生能源利用等。将这些运行要求可以作为模型的约束条件，以确保预测结果符合双碳背景下的要求。本发明能够充分考虑到双碳背景下的特殊环境和因素，通过引入新能源接入情况，预测模型能够准确预测电力负荷在新能源调度下的变化趋势。
[0089] 在训练得到电力负荷预测模型后，将待预测数据输入电力负荷预测模型，可以得到电力负荷预测结果。在利用电力负荷预测模型进行电力负荷预测时，由于季节性因素是以年为单位循环变动的，那么对季节性因素的预测只需要简单的将上一年的负荷数据照搬到下一年即可。在得到电力负荷预测结果后可以展示电力负荷预测的结果，预测结果可以以可视化的形式展示，例如图表、曲线等，以便用户直观了解电力负荷的变化趋势，并做出相应的调度和决策。
[0090] 为了提高模型预测准确性，可以进行模型的优化和验证。通过调整模型参数、采用交叉验证等方法，优化模型的性能。同时，使用验证数据集对模型进行评估，确保模型在双碳背景下的预测效果可靠。在模型训练完成后，通过输入实时的天气数据、新能源接入情况以及其他相关因素，实现对未来电力负荷的预测。由于本发明训练模型时考虑到了多个影响因素，包括历史负荷数据、天气数据、新能源接入情况等，可以实现高精度的电力负荷预测。这将有助于电力系统的高效调度和碳排放控制，在双碳背景下推动电力行业的可持续发展和优化管理。预测结果可以提供给电力系统管理者、能源调度人员等相关人员参考，以便做出相应的调度和决策。
[0091] 由于供电公司的调度系统和钢铁企业的电力控制系统是基于电力负荷预测模型，通过实时数据交换和协同控制，实现电力供需的最优匹配和协调调度。因此，供电公司的调度系统可以基于电力负荷预测模型的预测结果实时监测电力供应情况，并根据需求的变化进行灵活调整。该调度系统能够优化电力资源配置，确保钢铁企业的电力需求得到满足，并实现供需的协调与平衡。钢铁企业的电力控制系统与供电公司的调度系统进行数据交互，接收调度系统下发的电力供应方案。根据峰谷电力协调保供方案和能耗管理措施，电力控制系统实施相应的控制策略，包括错峰生产、优化能源利用、节能措施等。该电力控制系统还能够实时监测钢铁企业的电力消耗情况，提供数据反馈给调度系统，以便进行实时调整和优化。
[0092] 本发明还提供一种电力负荷预测系统，如图2所示，该系统，包括：
[0093] 数据获取模块201，用于获取待预测数据；其中，待预测数据包括：电力负荷当前数据、新能源发电当前数据及电力负荷影响因素当前数据。
[0094] 模型预测模块202，用于将待预测数据输入电力负荷预测模型，得到电力负荷预测结果。
[0095] 其中，模型预测模块202，包括：
[0096] 模型训练模块，用于训练电力负荷预测模型；
[0097] 模型训练模块，包括：
[0098] 数据获取单元，用于获取待训练数据；其中，待训练数据包括：电力负荷历史数据、新能源发电历史数据及电力负荷影响因素历史数据；
[0099] 模型训练单元，用于将待训练数据输入自回归滑动平均模型中进行训练，得到电力负荷预测模型。
[0100] 可选的，模型训练单元，包括：
[0101] 阶数确定子单元，用于将待训练数据输入自回归滑动平均模型，采用贝叶斯信息准则确定自回归滑动平均模型的阶数，得到目标阶数；
[0102] 模型生成子单元，用于基于目标阶数得到电力负荷预测模型。
[0103] 阶数确定子单元，具体用于：
[0104] 在预设阶数范围内进行多个阶数的选取；
[0105] 针对每一个选取出的阶数均构建自回归滑动平均模型，得到多个构建模型；
[0106] 基于待训练数据计算各构建模型的贝叶斯信息准则值，得到多个贝叶斯信息准则值；
[0107] 将多个贝叶斯信息准则值中最小值对应的阶数作为目标阶数。
[0108] 可选的，本发明提供的电力负荷预测系统，还包括：
[0109] 平稳处理模块，用于在获取待训练数据之后，对待训练数据采用根检验方法进行平稳化检验，得到检验后的数据；对检验后的数据进行平稳化处理，得到平稳化处理后的数据。
[0110] 可选的，本发明提供的电力负荷预测系统，还包括：
[0111] 特征提取模块，用于在对待训练数据采用根检验方法进行平稳化检验之前，对待训练数据进行特征提取，并从提取的特征中筛选出对电力负荷预测产生影响的数据特征，得到目标数据特征。
[0112] 可选的，本发明提供的电力负荷预测系统，还包括：
[0113] 预处理模块，用于在对待训练数据进行特征提取之前，对待训练数据进行去除重复数据处理、去除异常数据处理和去除缺失数据处理中的一种或多种，得到清洗后的数据；对清洗后的数据进行归一化处理、标准化处理和离散化处理中的一种或多种，得到预处理后的数据。
[0114] 本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述电力负荷预测方法。
[0115] 本发明实施例提供了一种电子设备，如图3所示，电子设备30包括至少一个处理器301、以及与处理器301连接的至少一个存储器302、总线303；其中，处理器301、存储器302通过总线303完成相互间的通信；处理器301用于调用存储器302中的程序指令，以执行上述的电力负荷预测方法。本文中的电子设备可以是服务器、PC、PAD、手机等。
[0116] 本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述的电力负荷预测方法包括的步骤的程序。
[0117] 本申请是参照根据本申请实施例的方法、系统和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0118] 在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
[0119] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
[0120] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0121] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0122] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0123] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0124] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
