一种需求侧负荷预测方法、系统、计算机设备及存储介质与流程

本发明涉及电力负荷预测，特别是一种需求侧负荷预测方法、系统、计算机设备及存储介质。

背景技术：

1、近年来我国能源发展迅速，电力市场改革有序进行，需求侧资源和电网相结合，可以为电网的发展有积极的推动作用。电力系统作为现代社会不可或缺的基础设施之一，其稳定运行对于保障能源供应、维持社会经济秩序以及推动可持续发展至关重要。需求侧负荷功率预测在电力系统管理和规划中扮演着关键角色。然而，预测负荷功率的任务在实际应用中具有相当高的难度。电力负荷数据受多种因素的影响，包括季节性、天气变化、社会活动等，因此，准确的需求侧负荷功率预测不仅需要强大的建模能力，还需要对数据进行精确的预处理和特征工程处理。

2、目前现有研究很多是基于深度学习算法进行的，虽然深度学习模型具备强大的表示能力，但在电力负荷功率预测这一特殊领域，仍然存在着挑战。为了充分发挥深度学习模型的潜力，使其达到预测要求，我们需要在数据预处理和特征工程方面引入更多的创新方法。现有研究中的特征选择方法都有其潜在的缺点，传统方法往往对负荷的非线性特征处理能力有限，导致预测精度不高；虽然能够处理序列数据和复杂关系，但需要大量的数据和计算资源，容易出现过拟合的问题。

技术实现思路

1、鉴于现有的需求侧负荷预测方法存在的问题，提出了本发明。因此，本发明所要解决的问题在于如何提供一种需求侧负荷预测方法、系统、计算机设备及存储介质。

2、为解决上述技术问题，本发明提供如下技术方案：

3、第一方面，本发明提供了一种需求侧负荷预测方法，其包括，获取历史需求侧负荷数据，制作样本数据集；使用adf检验对样本数据集进行平稳性分析，利用stl分解不平稳数据特征集，创建扩充的特征数据集；根据预先创建的lgbmregressor模型，对扩充的特征数据集进行筛选，选出最佳特征组合；将得到的最佳特征组合输入deepar模型，得到需求侧负荷功率的预测结果进行评估分析。

4、作为本发明所述需求侧负荷预测方法的一种优选方案，其中：所述制作样本数据集之前，所述方法还包括：利用所述历史需求侧负荷数据的前后两个时刻的可调节负荷瞬时历史需求侧负荷数据的值，对所述历史需求侧负荷数据的异常值和空缺值进行修正或填充，并对修正或填充后的数据进行归一化处理，得到预处理后的历史需求侧负荷数据；相应的，所述制作样本数据集，包括：基于预处理后的历史需求侧负荷数据制作样本数据集。

5、作为本发明所述需求侧负荷预测方法的一种优选方案，其中：所述进行平稳性分析包括：计算adf统计量；计算伴随概率，当原假设为真时，检验adf统计量取该观察值或更极端值的伴随概率，概率值为p值；输入需要检验的时间序列数据，计算adf统计量及值，设置显著水平值α，查找对应的临界值；若adf统计量小于临界值时，则表示时间序列数据不具有单位根，拒绝数据是不平稳数据的零假设，若值小于选择的显著性水平，则表示拒绝零假设，数据为平稳数据；将数据集分为平稳数据特征集和不平稳数据特征集。

6、作为本发明所述需求侧负荷预测方法的一种优选方案，其中：所述adf统计量的计算公式为：

7、

8、式中，ρ是回归模型中的估计系数，表示时间序列的滞后效应，se(ρ)是估计系数的标准误差；所述伴随概率的计算公式为：

9、p＝1-f

10、式中，f表示adf统计量的累积分布函数。

11、作为本发明所述需求侧负荷预测方法的一种优选方案，其中：所述利用stl分解不平稳数据特征集，包括：将不平稳数据特征集中的不平稳数据拆分出趋势、季节性两个部分，将时间序列分解成趋势、季节项和残差三个主要分量，分解式表示为：

12、yt＝t(t)+s(t)+s(t)

13、式中，t(t)为t时刻的趋势值，s(t)为t时刻的季节项值，r(t)为t时刻的残差值；其中，使用局部加权回归方法计算stl分解中的趋势部分，计算公式为：

14、t(t)＝β0+β1*t

15、

16、

17、式中，y(i)为数据集合中的第i个时间点的观测值，为数据集合中所有时间点的平均值，是数据集合中所有观测值的平均值；其中，采用移动平均法计算stl分解中的季节性部分，计算公式如下：

18、

19、式中，m为季节性的周期长度，y(t)表示在时间t处的观测值。

20、作为本发明所述需求侧负荷预测方法的一种优选方案，其中：所述对扩充的特征数据集进行筛选包括：将所有特征包含在特征集合中，使用掩码向量表示特征集合；使用当前特征集合上的数据训练基础模型，并使用性能度量评估模型性能；根据模型的性能和选择的算法评估每个特征的重要性，得到特征的重要性评估结果；根据特征的重要性评估结果排除当前特征集合中最不重要的特征，将最不重要特征的去除。

21、作为本发明所述需求侧负荷预测方法的一种优选方案，其中：所述得到需求侧负荷功率的预测结果包括以下步骤，使用zi,t表示时间序列i在t时刻的值，根据已有的数据和协变量，对未来的序列进行建模，条件概率分布表达式为：

22、p(zi,t0:t|zi,1:t0-1,xi,1:t)

23、未来的时间序列定义为：

24、[zi,t0,zi,to+1,···,zi,t]:＝zi,t0:t

25、其中，to为开始时间点，zi,t为预测，xi,1:t为假设所有时间点已知的协变量，将时间范围[1,t0-1]和[t0,t]分别作为条件范围和预测范围；采用自回归递归网络的架构，将分布假设成似然形式，表达式如下：

26、

27、在每个时间步t，网络的输入是协变量xi,t和前一个网络输出hi,t-1，使用网络输出hi,t＝h(hi,t-1,zi,t-1,xi,t,θ)计算似然函数l(z|θ)的参数θi,t＝θ(hi,t,θ)，对训练模型参数进行预测；在zi,t中，当t＜t0时，将其输入，在预测结构中，当t≥t0时，抽取一个样本反馈给下一个时间点，直到预测范围t＝t0+t结束，生成一个样本轨迹，重复预测过程产生代表联合预测分布的多个轨迹；利用均方根误差rmse、平均绝对百分比误差mape、平均绝对误差mae以及均方误差mse衡量预测算法的准确率，相关计算公式表示如下：

28、

29、

30、

31、

32、式中，yi和分别为i时刻的真实值和预测值。

33、第二方面，本发明提供了一种需求侧负荷预测系统，其包括：获取模块，用于获取历史需求侧负荷数据，制作样本数据集；分析模块，用于使用adf检验对样本数据集进行平稳性分析，利用stl分解不平稳数据特征集，创建扩充的特征数据集；筛选模块，用于构建lgbmregressor模型，对扩充的特征数据集进行筛选，选出最佳特征组合；预测评估模块，用于将得到的最佳特征组合输入deepar模型，得到需求侧负荷功率的预测结果，进行评估分析。

34、作为本发明所述需求侧负荷预测方法的一种优选方案，获取模块，具体用于利用历史需求侧负荷数据的前后两个时刻的可调节负荷瞬时历史需求侧负荷数据的值，对历史需求侧负荷数据的异常值和空缺值进行修正或填充，并对修正或填充后的数据进行归一化处理，得到预处理后的历史需求侧负荷数据；制作样本数据集，包括：基于预处理后的历史需求侧负荷数据制作样本数据集。

35、作为本发明所述需求侧负荷预测方法的一种优选方案，分析模块，具体用于使用adf检验对样本数据集进行平稳性分析，利用stl分解不平稳数据特征集，创建扩充的特征数据集，进行平稳性分析包括以下步骤，

36、计算adf统计量；adf统计量的计算公式为：

37、

38、式中，ρ是回归模型中的估计系数，表示时间序列的滞后效应，se(ρ)是估计系数的标准误差；

39、计算伴随概率，当原假设为真时，检验adf统计量取该观察值或更极端值的伴随概率，概率值为p值；伴随概率的计算公式为：

40、p＝1-f

41、式中，f表示adf统计量的累积分布函数。

42、输入需要检验的时间序列数据，计算adf统计量及p值，设置显著水平值α，查找对应的临界值；

43、若adf统计量小于临界值时，则表示时间序列数据不具有单位根，拒绝数据是不平稳数据的零假设，若p值小于选择的显著性水平，则表示拒绝零假设，数据为平稳数据；

44、将数据集分为平稳数据特征集和不平稳数据特征集。

45、作为本发明所述需求侧负荷预测方法的一种优选方案，利用stl分解不平稳数据特征集，包括：

46、将不平稳数据特征集中的不平稳数据拆分出趋势、季节性两个部分，将时间序列分解成趋势、季节项和残差三个主要分量，分解式表示为：

47、yt＝t(t)+s(t)+s(t)

48、式中，t(t)为t时刻的趋势值，s(t)为t时刻的季节项值，r(t)为t时刻的残差值；

49、其中，使用局部加权回归方法计算stl分解中的趋势部分，计算公式为：

50、t(t)＝β0+β1*t

51、

52、

53、式中，y(i)为数据集合中的第i个时间点的观测值，为数据集合中所有时间点的平均值，是数据集合中所有观测值的平均值；

54、其中，采用移动平均法计算stl分解中的季节性部分，计算公式如下：

55、

56、式中，m为季节性的周期长度，y(t)表示在时间t处的观测值。

57、作为本发明所述需求侧负荷预测方法的一种优选方案，筛选模块，具体用于构建lgbmregressor模型，对扩充的特征数据集进行筛选，选出最佳特征组合，对扩充的特征数据集进行筛选包括：

58、将所有特征包含在特征集合中，使用掩码向量表示特征集合；

59、使用当前特征集合上的数据训练基础模型，并使用性能度量评估模型性能；

60、根据模型的性能和选择的算法评估每个特征的重要性，得到特征的重要性评估结果；

61、根据特征的重要性评估结果排除当前特征集合中最不重要的特征，将最不重要特征的去除。

62、具体的，预测评估模块，具体用于将得到的最佳特征组合输入deepar模型，得到需求侧负荷功率的预测结果，进行评估分析。

63、作为本发明所述需求侧负荷预测方法的一种优选方案，得到需求侧负荷功率的预测结果包括以下步骤，

64、使用zi,t表示时间序列i在t时刻的值，根据已有的数据和协变量，对未来的序列进行建模，条件概率分布表达式为：

65、p(zi,t0:t|zi,1:t0-1,xi,1:t)

66、未来的时间序列定义为：

67、[zi,t0,zi,to+1,···,zi,t]:＝zi,t0:t

68、其中，to为开始时间点，zi,t为预测，xi,1:t为假设所有时间点已知的协变量，将时间范围[1,t0-1]和[t0,t]分别作为条件范围和预测范围；

69、采用自回归递归网络的架构，将分布假设成似然形式，表达式如下：

70、

71、在每个时间步t，网络的输入是协变量xi,t和前一个网络输出hi,t-1，使用网络输出hi,t＝h(hi,t-1,zi,t-1,xi,t,θ)计算似然函数l(z|θ)的参数θi,t＝θ(hi,t,θ)，对训练模型参数进行预测；

72、在zi,t中，当t＜t0时，将其输入，在预测结构中，当t≥t0时，抽取一个样本反馈给下一个时间点，直到预测范围t＝t0+t结束，生成一个样本轨迹，重复预测过程产生代表联合预测分布的多个轨迹；

73、利用均方根误差rmse、平均绝对百分比误差mape、平均绝对误差mae以及均方误差mse衡量预测算法的准确率，相关计算公式表示如下：

74、

75、

76、

77、

78、式中，yi和分别为i时刻的真实值和预测值。

79、第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现需求侧负荷预测方法的步骤。

80、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现需求侧负荷预测方法的步骤。

81、本发明有益效果为获得历史需求侧负荷数据，得到高质量的处理后的数据样本集。是后续分析和建模的基础，保证了模型的输入数据质量和准确性，可以提高后续模型建立的可靠性和预测精度。通过adf检验，能够判断样本数据集的平稳性，为建模提供重要依据。利用stl分解技术，能够更好地挖掘数据中隐藏的特征。进一步创建扩充的特征数据集，丰富数据的表达能力，增加模型的特征维度，提高模型对复杂关系的捕捉能力。实现了对数据特征的深度挖掘和丰富，提高了模型的预测能力和鲁棒性。借助lgbmregressor模型，能够有效地对扩充的特征数据集进行筛选和排序，选出对需求侧负荷预测具有重要影响的特征。去除无关紧要的特征，提高模型的计算效率和泛化能力，保留最具信息量和预测能力的特征，确保模型的高效性和准确性。考虑到时间序列中的相关性和季节性等因素，能够更准确地预测未来的负荷情况，通过评估分析预测结果，了解模型的预测精度和可靠性，并进行必要的调整和优化。得到准确、可信的负荷预测结果，为电力系统的运行调度和市场交易等决策提供重要参考依据，从而提高系统的运行效率和经济性。