技术领域
[0001] 本发明涉及电力系统领域，尤其涉及一种短期电力负荷预测的方法。
相关背景技术
[0002] 电力负荷预测是电力系统运行管理的重要环节，对于电力系统的稳定运行、电力资源的合理配置以及电力市场的运营具有重要意义。然而，短期电力负荷预测受到多种因素的影响，如气候、温度、节假日等，具有很强的随机性和不确定性。因此，寻求一种准确、高效的短期电力负荷预测方法一直是电力系统领域的研究热点。然而，目前现有的预测方法容易陷入对历史数据运用的不够充分或是对天气数据降维效果不佳。
[0003] 因此，如何提供一种短期电力负荷预测的方法，为实现准确、高效的短期电力负荷预测提供重要的方法支撑，满足当前短期电力负荷预测受到不确定性因素的影响的设计要求，是本领域技术人员亟需解决的问题。
具体实施方式
[0033] 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。
[0034] 在本申请中，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，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0035] 参照图1所示，本发明公开了一种短期电力负荷预测的方法，包括以下步骤：
[0036] S1、获取原始电力负荷数据；
[0037] S2、对原始电力负荷数据进行预处理，得到预处理后的原始电力负荷数据；
[0038] S3、对预处理后的电力负荷数据采用KPCA进行特征提取，得到特征提取后的电力负荷数据；
[0039] S4、对特征提取后的电力负荷数据采用Kmeans进行聚类分析，得到聚类分析后的电力负荷数据；
[0040] S5、构建BiGRU预测模型；
[0041] S6、利用聚类分析后的电力负荷数据对BiGRU预测模型进行训练，得到训练好的BiGRU预测模型；
[0042] S7、利用训练好的BiGRU预测模型对短期电力负荷进行预测。
[0043] 进一步的，S2中的预处理包括清洗、整理和标准化处理。
[0044] 进一步的，S3中特征提取，将预处理后的电力负荷数据通过核主成分分析，将高维数据降维成低维数据，通过非线性函数 将初始数据映射到高维空间G中，降低其非线性，再对高维空间G中的数据其进行PCA处理。
[0045] 进一步的，S4中聚类分析，将特征提取后的电力负荷数据通过Kmeans算法进行聚类分析，将相似的数据点归为一类，为BiGRU预测模型提供输入。
[0046] 进一步的，在开始聚类之前需要随机选取K个点作为初始聚类中心点，通过计算每个样本与初始中心点的曼哈顿距离，将样本分配到距离最近的中心点所属的类别中，然后对当前类别中的所有数据点的值取平均值作为新的聚类中心点，再次分别计算样本到新聚类中心点的距离，并重新按照最短距离进行类别划分，曼哈顿距离公式为：
[0047] D(P,Q)＝|Xi‑Xj|+|Yi‑Yj|
[0048] 其中，P(Xi,Yi)与Q(Xi,Yj)分别表示中心点与样本点的坐标，i和j均为正整数。
[0049] 进一步的，参照图2所示为本发明公开的神经网络示意图，S5构建的BiGRU预测模型的层数及神经元个数分别为1、64，Epoch，学习率分别设为100、0.01。
[0050] 进一步的，S6的具体内容为：将聚类分析后的电力负荷数据按照预设比例分为训练集、验证集及测试集，训练机作为输入对BiGRU预测模型进行训练，采用Adam优化算法进行优化，输入验证集和测试集进行电力负荷的预测和验证，得到训练好的BiGRU预测模型。
[0051] 进一步的，训练集：验证集：测试集＝8:1:1。
[0052] 进一步的，S7的具体内容为：根据天气预报获取到的实时天气信息数据，将实时天气信息数据输入到训练好的BiGRU预测模型中，对m小时内以预设时间段为间隔的短期电力负荷进行预测。
[0053] 进一步的，m为12、24或48。
[0054] 具体的，参照图3所示，热力图中可以看出各天气因素与负荷值的灰色关联度皆在0.7以上，说明天气因素与负荷值之间具有较强的关联性。参照图4所示，利用归一化后的数据绘制相关程度最高的平均温度与日均负荷之间的散点图，能够明显地看出二者并不呈现线性关系，故而采用KPCA进行非线性降维。参照图5所示，利用KPCA进行非线性降维将原始的5维天气数据降维至3维，从图中可以明显看出经过KPCA后，数据取得了非常理想的降维效果，保持了原有高维数据的结构，且很好的还原出原高维空间的距离信息。
[0055] 具体的，参照图6所示，为验证本发明在电力负荷预测中实际效果，分别与RNN神经网络以及GRU神经网络模型做了预测效果对比。如表1所示是不同模型的误差值。
[0056] 表1每个典型日不同模型的误差值
[0057]
[0058] 由上述表格可知，在进行电力负荷预测的时候，R2决定系数均大于95％。采用BiGRU模型进行功率预测，ERMSE指标较RNN降低了78.83％，EMAE降低了80.45％。BiGRU模型相对于GRU模型的ERMSE、EMAE分别下降了65.78％、64.07％。
[0059] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0060] 为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0061] 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。
