一种基于自回归分布滞后的电热负荷预测方法和装置与流程

本发明涉及电力系统，尤其涉及一种基于自回归分布滞后的电热负荷预测方法和装置。

背景技术：

1、冬天，大量电采暖设备接入配电网，对电网安全稳定运行带来挑战。尤其是电采暖设备负荷既具有一定随机性，且与外界环境如天气状况等存在强相关，因此，如何准确预测电采暖负荷曲线，对电网安全、稳定、高效运行具有积极意义。

2、现有的负荷预测方法，一般是将负荷数据作为时间序列数据，采用基于深度学习方法，如长短期记忆网络(long short term memory,lstm)等，利用负荷的历史数据训练模型，再根据训练得到的模型进行预测。现有负荷预测方法存在以下问题：1)模型可解释性缺乏。lstm等基于深度学习的方法，本质上是一个“黑箱”问题，缺乏可解释性，无法根据预测结果对负荷的长期趋势和影响因素等进行分析。2)可能存在过拟合问题。lstm等基于深度学习的方法，对数据集要求较高，当数据集规模较小时，可能导致模型过拟合，使得模型在训练数据上表现良好，而预测时则表现较差，缺乏泛化性。而一般深度学习领域用来解决小数据集泛化较差的方法，如交叉验证等，由于负荷数据的时序特性又不再适用。3)模型训练速度较慢，计算资源需求较高。lstm等基于深度学习的方法，需要根据已有数据训练模型，训练过程相对较慢，尤其是当数据随时间延续增加时，将新的数据加入训练数据集中，就需要重新训练，会大大增加模型训练时间，提高训练模型的计算资源需求。

技术实现思路

1、针对现有负荷预测方法中存在的问题，本发明提供了一种基于自回归分布滞后的电热负荷预测方法和装置。

2、第一方面，本发明提供了一种基于自回归分布滞后的电热负荷预测方法，所述方法包括：

3、采集电热负荷历史数据序列和天气历史数据序列，对所述电热负荷历史数据序列和所述天气历史数据序列分别进行平稳序列处理；

4、根据所述电热负荷历史时间序列和所述天气历史时间序列，构建基于自回归分布滞后ardl的电热负荷预测模型，并利用赤池信息准则aic和贝叶斯信息准则bic，确定所述电热负荷预测模型中的滞后阶数，得到已估计的所述电热负荷预测模型；

5、将天气未来数据序列输入所述已估计的电热负荷预测模型，得到电热负荷未来数据预测序列。

6、基于上述技术方案，进一步地，所述对所述电热负荷历史数据序列和所述天气历史数据序列分别进行平稳序列处理，具体包括：

7、利用单位根检验法分别验证所述电热负荷历史数据序列是否是平稳序列，若所述电热负荷历史数据序列为非平稳序列，则通过差分法使得所述电热负荷历史数据序列成为平稳序列；

8、利用单位根检验法分别验证所述天气历史数据序列是否是平稳序列，若所述天气历史数据序列为非平稳序列，则通过差分法使得所述天气历史数据序列成为平稳序列。

9、基于上述技术方案，进一步地，所述根据所述电热负荷历史时间序列和所述天气历史时间序列，构建基于自回归分布滞后ardl的电热负荷预测模型，具体包括：

10、所述基于自回归分布滞后ardl的电热负荷预测模型的表达式为

11、

12、其中，yt为所述电热负荷历史时间序列中t时刻电热负荷数据，xt-i为所述天气历史时间序列中t-i时刻天气数据，β0和β1是常数项，εt是t时刻的残差，δi是第i个参数δ，γi是第i个参数γ，p和q是滞后阶数。

13、基于上述技术方案，进一步地，所述利用赤池信息准则aic和贝叶斯信息准则bic，确定所述电热负荷预测模型中的滞后阶数，得到已估计的所述电热负荷预测模型，具体包括：

14、将所述滞后阶数p和所述滞后阶数q分别赋予不同值后，得到多个预估计的所述电热负荷预测模型；

15、利用极大似然估计法得到多个所述预估计的电热负荷预测模型的电热负荷数据，得到多个所述预估计的电热负荷预测模型的待估参数个数k；

16、根据aic计算公式aic＝-2in(l)+2k，计算得到对应所述预估计的电热负荷预测模型中滞后阶数q和滞后阶数q的值的aic指标值；

17、根据bic计算公式bic＝-2in(l)+kin(n)，计算得到对应所述预估计的电热负荷预测模型中滞后阶数p和q的值bic指标值，其中，ln(l)是最大化对数似然函数值，n是所述天气历史时间序列中数据长度；

18、获取所有所述aic指标值和所述bic指标值中的最小值所对应的所述滞后阶数p和所述滞后阶数q的值作为所述已估计的电热负荷预测模型中的滞后阶数值，从而得到所述已估计的所述电热负荷预测模型。

19、基于上述技术方案，进一步地，所述将天气未来数据序列输入所述已估计的电热负荷预测模型，得到电热负荷未来数据预测序列，具体包括：

20、s1、获取所述天气未来数据序列；

21、s2、确定要预测的电热负荷未来数据预测序列中的每一个未来时间段；

22、s3、将所述天气未来数据序列输入所述已估计的电热负荷预测模型，得到未来时间段对应的电热负荷预测值；

23、s4、重复步骤s1至s3，每次更新所述电热负荷预测值，直到得到所述电热负荷未来数据预测序列。

24、基于上述技术方案，进一步地，所述方法还包括：

25、将得到的所述电热负荷未来数据预测序列和实际电热负荷观测值进行比较，计算预测误差；

26、评估所述预测误差的误差性质，并根据所述预测误差的误差性质，确定所述预测误差的产生原因；

27、根据所述预测误差的误差性质和所述预测误差的产生原因，得到所述电热负荷预测模型的准确度。

28、第二方面，本发明还提供了一种基于自回归分布滞后的电热负荷预测装置，所述装置包括：

29、采集模块，用于采集电热负荷历史数据序列和天气历史数据序列，对所述电热负荷历史数据序列和所述天气历史数据序列分别进行平稳序列处理；

30、训练模块，用于根据所述电热负荷历史时间序列和所述天气历史时间序列，构建基于自回归分布滞后ardl的电热负荷预测模型，并利用赤池信息准则aic和贝叶斯信息准则bic，确定所述电热负荷预测模型中的滞后阶数，得到已估计的所述电热负荷预测模型；

31、预测模块，用于将天气未来数据序列输入所述已估计的电热负荷预测模型，得到电热负荷未来数据预测序列。

32、基于上述技术方案，进一步地，所述采集模块，具体用于利用单位根检验法分别验证所述电热负荷历史数据序列是否是平稳序列，若所述电热负荷历史数据序列为非平稳序列，则通过差分法使得所述电热负荷历史数据序列成为平稳序列；

33、利用单位根检验法分别验证所述天气历史数据序列是否是平稳序列，若所述天气历史数据序列为非平稳序列，则通过差分法使得所述天气历史数据序列成为平稳序列。

34、基于上述实施例，进一步地，训练模块，具体用于所述基于自回归分布滞后ardl的电热负荷预测模型的表达式为

35、

36、其中，yt为所述电热负荷历史时间序列中t时刻电热负荷数据，xt-i为所述天气历史时间序列中t-i时刻天气数据，β0和β1是常数项，εt是t时刻的残差，δi是第i个参数δ，γi是第i个参数γ，p和q是滞后阶数。

37、基于上述实施例，进一步地，训练模块，具体用于将所述滞后阶数p和所述滞后阶数q分别赋予不同值后，得到多个预估计的所述电热负荷预测模型；

38、利用极大似然估计法得到多个所述预估计的电热负荷预测模型的电热负荷数据，得到多个所述预估计的电热负荷预测模型的待估参数个数k；

39、根据aic计算公式aic＝-2in(l)+2k，计算得到对应所述预估计的电热负荷预测模型中滞后阶数q和滞后阶数q的值的aic指标值；

40、根据bic计算公式bic＝-2in(l)+kin(n)，计算得到对应所述预估计的电热负荷预测模型中滞后阶数p和q的值bic指标值，其中，ln(l)是最大化对数似然函数值，n是所述天气历史时间序列中数据长度；

41、获取所有所述aic指标值和所述bic指标值中的最小值所对应的所述滞后阶数p和所述滞后阶数q的值作为所述已估计的电热负荷预测模型中的滞后阶数值，从而得到所述已估计的所述电热负荷预测模型。

42、基于上述实施例，进一步地，预测模块包括第一子预测单元、第二子预测单元、第三子预测单元和第四子预测单元。

43、第一子预测单元，具体用于获取所述天气未来数据序列；

44、第二子预测单元，具体用于确定要预测的电热负荷未来数据预测序列中的每一个未来时间段；

45、第三子预测单元，具体用于将所述天气未来数据序列输入所述已估计的电热负荷预测模型，得到未来时间段对应的电热负荷预测值；

46、第四子预测单元，具体用于重复执行第一子预测单元至第三子预测单元，每次更新所述电热负荷预测值，直到得到所述电热负荷未来数据预测序列。

47、基于上述实施例，进一步地，还包括验证模块，验证模块，具体用于将得到的所述电热负荷未来数据预测序列和实际电热负荷观测值进行比较，计算预测误差；

48、评估所述预测误差的误差性质，并根据所述预测误差的误差性质，确定所述预测误差的产生原因；

49、根据所述预测误差的误差性质和所述预测误差的产生原因，得到所述电热负荷预测模型的准确度。

50、第三方面，本发明还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，所述处理器执行所述计算机程序时实现第一方面中任一项所述的基于自回归分布滞后的电热负荷预测方法。

51、第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的基于自回归分布滞后的电热负荷预测方法。

52、本发明提供的一种基于自回归分布滞后的电热负荷预测方法，包括采集电热负荷历史数据序列和天气历史数据序列，对所述电热负荷历史数据序列和所述天气历史数据序列分别进行平稳序列处理；根据所述电热负荷历史时间序列和所述天气历史时间序列，构建基于自回归分布滞后ardl的电热负荷预测模型，并利用赤池信息准则aic和贝叶斯信息准则bic，确定所述电热负荷预测模型中的滞后阶数，得到已估计的所述电热负荷预测模型；将天气未来数据序列输入所述已估计的电热负荷预测模型，得到电热负荷未来数据预测序列。本发明能够在同一模型中同时考虑长期均衡关系和短期调整过程。既适用于大数据集，也适用于中小数据集，这对电热负荷预测，尤其是新建系统的负荷预测方面具有不可或缺的优势，减少训练时间，无需训练时需要的大规模计算资源，同时，能给出模型自变量和因变量之间的长期指导性趋势。