一种超短期电力负荷预测方法、设备、介质、产品.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902165A(43)申请公布日2022.01.07(21)申请号202111032846.X(22)申请日2021.09.03(71)申请人珠海派诺科技股份有限公司地址519085广东省珠海市高新区科技创新海岸科技六路15号1号楼一至三层(72)发明人陈适铭郑占瀛徐永凯张琼思熊钧(74)专利代理机构广州市越秀区哲力专利商标事务所(普通合伙)44288代理人陆忠浩(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种超短期电力负荷预测方法、设备、介质、产品(57)摘要本发明提供一种超短期电力负荷预测方法，包括步骤：获取需要的原始业务数据，对原始业务数据通过系统的特征工程，形成特征；当被预测的时间序列非平稳时，对被预测数据进行差分处理，通过差分结果替代被预测时间点的负荷；根据形成的特征，依据离被预测时间点跨度的长短赋予抽样权重并进行随机抽样，对随机抽样后的数据再合并形成建模数据；将特征工程获取的特征和因变量转换获取的目标变量分别作为长短时记忆模型的输入和输出数据进行深度学习训练和调试过程获取模型，通过获得的模型的输出结果进行差分还原，完成超短期负荷预测。解决了过度依赖深度学习算法，没有数据深度处理方法，导致模型效果无法进一步提升的问题。CN113902165ACN113902165A权利要求书1/1页1.一种超短期电力负荷预测方法，其特征在于，包括以下步骤：形成特征，获取需要的原始业务数据，对所述原始业务数据通过系统的特征工程，形成特征；因变量转换，当被预测的时间序列非平稳时，对被预测数据进行差分处理，通过差分结果替代被预测时间点的负荷；数据抽样，根据形成的特征，依据离被预测时间点跨度的长短赋予抽样权重并进行随机抽样，对随机抽样后的数据再合并形成建模数据；深度学习，将特征工程获取的特征和因变量转换获取的目标变量分别作为长短时记忆模型的输入和输出数据进行深度学习训练和调试过程获取模型，通过获得的模型的输出结果进行差分还原，完成超短期负荷预测。2.如权利要求1所述的一种超短期电力负荷预测方法，其特征在于：在所述深度学习步骤之后还包括组合预测步骤，将区分出的节假日和非节假日样本分别进行深度学习算法建模后，对未来小时负荷根据所属日是节假日还是非节假日分别进行预测。3.如权利要求1所述的一种超短期电力负荷预测方法，其特征在于：所述形成特征步骤中，通过所述原始业务数据中的历史负荷数据的周期性特征构建过去若干周期的负荷值，计算特征过去两个时间点间的负荷变化趋势，通过被预测时点过去固定窗口负荷数据的统计量构建被预测时点过去固定窗口的形态特征。4.如权利要求3所述的一种超短期电力负荷预测方法，其特征在于：所述统计量包括平均值、标准差、极大值、极小值、极差、偏度、峰度。5.如权利要求3所述的一种超短期电力负荷预测方法，其特征在于：所述形成特征步骤中，对被预测时点过去固定窗口负荷数据进行差分后再构建统计量。6.如权利要求1所述的一种超短期电力负荷预测方法，其特征在于：所述因变量转换步骤中，对被预测数据进行一阶差分处理，使用被预测时间点与上一时间点的负荷差值替代被预测时间点的负荷。7.如权利要求1所述的一种超短期电力负荷预测方法，其特征在于：所述数据抽样步骤中，依据越近的时间段抽样权重越大的原则进行随机抽样。8.一种电子设备，其特征在于包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1‑7任意一项所述的方法。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1‑7任意一项所述的方法。10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1‑7任意一项所述的方法。2CN113902165A说明书1/4页一种超短期电力负荷预测方法、设备、介质、产品技术领域[0001]本发明涉及超短期负荷预测技术领域，尤其涉及一种超短期电力负荷预测方法、设备、介质、产品。背景技术[0002]目前超短期负荷预测方法中，在使用深度学习算法实现预测过程，无法提高模型效果时，除了进行缺失值处理和异常值处理外，较少深入地进行数据抽样、系统的人工特征工程，并且没有对目标变量(因变量)进行转换。因深度学习算法中强大的特征提取能力并且在其他领域人工特征工程效果不突出，开发人员在负荷预测领域同样地把重点放在深度学习算法地训练本身，导致数据本身的部分特征(如长周期特征)的丢失。数据和