[0001] 本申请涉及负荷预测技术领域，特别是涉及一种台区负荷预测方法、装置、介质及产品。

[0002] 中国的低压配电系统虽然规模庞大，但在智能化方面尚处于初级阶段，主要体现在精细化管理程度上的不足，尤其是对于台区短期负荷预测的准确性存在较大挑战。然而，随着配电物联网技术的不断进步，大量的分布式终端被部署在低压配网中，为低压配网的数据分析提供了全新的途径，开启了以台区为基本单元的分布式量测时代。终端通过实时收集和分析台区内海量的运行数据，可以实现对低压配网的自主监控、管理和双向交互，显著提高低压配网的精益化管理质量。

[0003] 负荷预测作为电力系统精益化管理的核心环节，其方法经历了从传统数学统计分析到基于神经网络的机器学习，再到多元集成预测的演变过程。早期的数学统计预测方法，如自回归模型、自回归移动平均模型、差分自回归移动平均模型以及体积卡尔曼滤波，因其实现简便且对训练样本需求量小而被广泛应用。电力系统负荷急剧增长，数学统计算法难以精确捕捉负荷的非线性特性，导致预测精度下降。进入21世纪，随着人工智能领域的兴起，基于神经网络的负荷预测技术逐渐成为研究热点。例如，极限学习机、人工神经网络、循环神经网络及其集成应用，模型能够自动学习数据中的内在规律和模式，充分考虑电力负荷中受天气、节假日、气温等因素影响的复杂非线性关系，相较于传统统计方法，预测精度有显著提升，但面对有限的训练样本(分布式量测存储的负荷数据量有限)时，可能会出现预测误差较大的问题。近年来，为了解决上述局限，研究者们开始探索将多种数据处理技术融合的新型预测方法，旨在提升对系统负荷特性的适应能力。实践表明，当可用样本数量较少时，采用集成预测策略通常能获得比单一模型更低的预测误差。在集成预测模型中，如何选择历史相似日以及确定数据分解算法成为影响预测精度的关键因素。

[0004] 但上述技术主要关注基于机器学习训练大数据样本的主站式的台区短期负荷预测，但针对于目前复杂的基于分布式量测的台区短期负荷预测工作仍然存在以下问题：

[0005] 台区级负荷量级小，相比于系统级负荷具有随机性强、波动性大的自身特点，为其负荷预测工作带来一定挑战。

[0006] 分布式量测设备虽然具量测、计算、存储和上传的模块化功能，但限于设备存储数据量限制，使得用于负荷预测的原始数据构成小样本问题，进一步提高了负荷预测工作的难度，使得台区短期负荷预测的准确性较低。

[0048] 下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

[0049] 本申请的目的是提供一种台区负荷预测方法、装置、介质及产品，旨在提高台区短期负荷预测的准确性。

[0050] 为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

[0051] 在一示例性的实施例中，如图1和图2所示，本实施例中的台区负荷预测方法，包括：

[0052] 步骤1：获取台区的处于待预测日之前的多个连续的历史日期的单日历史负荷曲线。

[0053] 其中，一个历史日期对应一条单日历史负荷曲线，单日历史负荷曲线的横坐标为历史时刻，纵坐标为负荷；不同单日历史负荷曲线中的各历史时刻均相同且一一对应。

[0054] 步骤2：基于各单日历史负荷曲线进行样本扩充，得到扩充后的历史负荷曲线集；扩充后的历史负荷曲线集包括：多条两日历史负荷曲线。

[0055] 其中，两日历史负荷曲线为两个相邻历史日期的预处理后的历史负荷曲线组成的曲线；两日历史负荷曲线的数量等于单日历史负荷曲线的数量减1。

[0056] 作为一种可选的实施方式，步骤2，包括：

[0057] 步骤21：对各单日历史负荷曲线分别进行预处理，得到对应的预处理后的单日历史负荷曲线。

[0058] 具体的，对各单日历史负荷曲线中的各历史时刻的负荷进行数据预处理，数据预处理时采用回归法通过公式(1)‑(4)对数据坏点进行剔除，以某一条单日历史负荷曲线X为例，步骤21具体为：

[0059] 定义回归法的回归函数为：

[0060]

[0061]

[0062] 其中，m(X)为关于单日历史负荷曲线X的回归函数；n为历史负荷数据曲线中的历史时刻的数量；W(xi)为历史负荷数据曲线中第i个历史时刻的负荷的权重；xi为历史负荷数据曲线中第i个历史时刻的负荷，i＝1,2,…,n；S为函数m(X)的线性平滑算子；W1(x1)为x1对第1个历史历史时刻的自权重；W2(x1)为x1对第2个历史历史时刻的互权重；Wn(x1)为x1对第n个历史时刻的互权重；W1(x2)为x2对第1个历史时刻的互权重；W2(x2)为x2对第2个历史时刻的自权重；Wn(x2)为x2对第n个历史时刻的互权重；W1(xn)为xn对第1个历史时刻的互权重；W2(xn)为xn对第2个历史时刻的互权重；Wn(xn)为xn对第n个历史时刻的自权重。

[0063] 假设该单日历史负荷曲线X与回归函数m(X)的关系为：

[0064] X＝m(X)+ε  (3)

[0065] 其中，ε为单日负荷数据曲线与回归函数的误差项，ε无限接近0。确定负荷数据预测的不确定性范围，即置信区间，可通过将回归预测值分别增加和减少相应的误差幅度来实现。由此，界定出预测值的上下界限，即置信区间为：

[0066]

[0067] 其中，σ为数据标准差，计算置信区间时取α＝0.1，Zα/2＝1.645，将位于置信区间外的历史时刻的负荷判定为坏点数据并剔除。

[0068] 步骤22：将任两个相邻日期的预处理后的单日历史负荷曲线进行拼接，得到扩充后的历史负荷曲线集。

[0069] 具体的，为应对分布式量测设备自身存储数据量限制，使得用于负荷预测的原始数据即单日历史负荷曲线构成小样本问题。可采用联合概率方法处理单日历史负荷曲线，如果将多日连续的负荷数据视作一个整体模式，可以假定前一段时间的负荷行为在概率层面会塑造后一段负荷的发展趋势。即每一天的负荷变化并不是孤立存在的，而是与前一日乃至更早的负荷模式存在着某种统计学上的关联性，通过分析其关联性能够预测未来的负荷状况，故将任两个相邻日期的预处理后的单日历史负荷曲线进行拼接，得到扩充后的历史负荷曲线集。

[0070] 当利用第1日到第30日的历史负荷曲线来预测第31日的预测负荷曲线时，扩充后的历史负荷曲线集包括29条两日历史负荷曲线。

[0071] 步骤3：分别基于各两日历史负荷曲线，确定各两日历史负荷曲线对应的历史负荷标幺值曲线和负荷基值。

[0072] 其中，历史负荷标幺值曲线的横坐标为历史时刻，纵坐标为负荷标幺值。

[0073] 作为一种可选的实施方式，步骤3，包括：

[0074] 步骤31：将任一两日历史负荷曲线确定为当前曲线。

[0075] 步骤32：基于当前曲线中各历史时刻的负荷，确定当前曲线中各历史时刻的负荷标幺值，得到当前曲线对应的历史负荷标幺值曲线。

[0076] 作为一种可选的实施方式，步骤32，包括：

[0077] 步骤321：将当前曲线中任一历史时刻确定为目标历史时刻。

[0078] 步骤322：基于目标历史时刻的负荷以及当前曲线中负荷最大值和负荷最小值，确定目标历史时刻的负荷标幺值，从而得到当前曲线对应的历史负荷标幺值曲线。

[0079] 具体的，任一历史负荷标幺值曲线中的任一历史时刻的负荷标幺值的计算公式为：

[0080]

[0081] 其中， 为历史负荷标幺值曲线中的第i个历史时刻的负荷标幺值；xmax为历史负荷标幺值曲线中负荷最大值；xmin为历史负荷标幺值曲线中负荷最小值。

[0082] 步骤33：基于当前曲线中任一历史时刻的负荷和负荷标幺值，确定当前曲线的负荷基值。

[0083] 具体的，将当前曲线中任一历史时刻的负荷除以当前曲线的负荷标幺值，得到当前曲线的负荷基值。

[0084] 步骤4：采用仿射传播聚类算法，对所有历史负荷标幺值曲线进行聚类，得到多个聚类集合；聚类集合包括多条历史负荷标幺值曲线。

[0085] 步骤5：将处于待预测日前一日的历史日期对应的历史负荷标幺值曲线确定为第一曲线，将与第一曲线处于同一聚类集合中的所有历史负荷标幺值曲线均确定为第二曲线。

[0086] 具体的，当利用第1日到第30日的历史负荷曲线来预测第31日的预测负荷曲线时，第一曲线为第29条历史负荷标幺值曲线。

[0087] 步骤6：基于所有第二曲线，确定待预测日负荷标幺值曲线。

[0088] 其中，待预测日负荷标幺值曲线的横坐标为待预测日的各时刻，纵坐标为负荷标幺值。

[0089] 作为一种可选的实施方式，步骤6，包括：

[0090] 步骤61：将各第二曲线中的后半段的历史负荷标幺值曲线均确定为相似日负荷标幺值曲线。

[0091] 具体的，各相似日负荷标幺值曲线如图3所示。

[0092] 步骤62：根据所有相似日负荷标幺值曲线，确定待预测日负荷标幺值曲线。

[0093] 具体的，待预测日负荷标幺值曲线如图4所示，待预测日负荷标幺值曲线中任一时刻的负荷标幺值的计算公式为：

[0094]

[0095] 其中， 为待预测日负荷标幺值曲线中第i个时刻的负荷标幺值；M为相似日负荷标幺值曲线的数量； 为第m条相似日负荷标幺值曲线中第i个历史时刻的负荷标幺值。

[0096] 步骤7：基于所有第二曲线和处于待预测日前三日的历史日期对应的两条历史负荷标幺值曲线，确定待预测日的负荷基值。

[0097] 作为一种可选的实施方式，步骤7，包括：

[0098] 根据所有第二曲线的负荷基值和处于待预测日前三日的历史日期对应的两条历史负荷标幺值曲线的负荷基值，确定待预测日的负荷基值。

[0099] 具体的，待预测日的负荷基值的计算公式为：

[0100]

[0101] 其中，Zc为待预测日的负荷基值；Zm为第m条第二曲线的负荷基值；Za为处于待预测日前三日的历史日期对应的两条历史负荷标幺值曲线中的第二条历史负荷标幺值曲线的负荷基值；Zb为处于待预测日前三日的历史日期对应的两条历史负荷标幺值曲线中的第一条历史负荷标幺值曲线的负荷基值。

[0102] 当利用第1日到第30日的历史负荷曲线来预测第31日的预测负荷曲线时，Za为第29条历史负荷标幺值曲线的负荷基值，Zb为第28条历史负荷标幺值曲线的负荷基值。

[0103] 步骤8：基于待预测日负荷标幺值曲线和待预测日的负荷基值，确定待预测日的预测负荷曲线。

[0104] 其中，待预测日的预测负荷曲线的横坐标为待预测日的各时刻，纵坐标为负荷预测值。

[0105] 作为一种可选的实施方式，步骤8，包括：

[0106] 步骤81：分别对待预测日负荷标幺值曲线中各时刻的负荷标幺值和待预测日的负荷基值相乘，得到待预测日的各时刻的预测负荷。

[0107] 具体的，待预测日的任一时刻的预测负荷的计算公式为：

[0108]

[0109] 其中， 为待预测日的第i个时刻的预测负荷。

[0110] 步骤82：基于待预测日的各时刻的预测负荷，确定待预测日的预测负荷曲线。

[0111] 具体的，以利用第1日到第30日的历史负荷曲线来预测第31日的预测负荷曲线为例，对本申请的方法进行了验证，如图5所示，利用本申请的方法得到的预测负荷曲线和在第31日测得的实际负荷曲线重合度较高。

[0112] 在一示例性的实施例中，提供了一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序以实现台区负荷预测方法。

[0113] 在一示例性的实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现台区负荷预测方法。

[0114] 在一示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现台区负荷预测方法。

[0115] 在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种台区负荷预测方法。

[0116] 本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0117] 需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

[0118] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。

[0119] 本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

[0120] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0121] 本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。