【技术实现步骤摘要】
本专利技术涉及电力负荷预测，特别是涉及一种短期电力负荷组合预测方法、系统、计算机设备及存储介质。
技术介绍
1、随着电力基础建设不断完善以及居民用电不断增加，电力负荷波动随之增大，且提高电力负荷预测精度可利于电网对发电企业电力生产调度任务做出有效指导；因此对短期电力负荷预测方法进行研究具有重要的现实意义。
2、现有电力负荷预测方法主要基于差分自回归分析模型(autoregressiveintegrated moving average model,arima)、回归模型、广义自回归条件异方差模型(generalized autoregressive conditional heteroskedasticity,garch)和bp神经网络等在内的回归分析方法，基于编码器解码器结构的deepar预测算法，以及基于“先分解后集成”思想的组合预测方法；然而，上述预测方法均存在着一定的应用局限性：由于电力负荷是依托于电力需求的动态数据，具有非线性、非平稳性特点，回归分析法无法有效获取动态数据的非线性特性；尽管基于编码器解码器结构的deepar预测算法具有强大的非线性处理能力，但因使用模型单一仍然不能完全涵盖所有有效信息；同时，基于“先分解后集成”思想的组合预测方法通过强调非叠加的集成和集成的中心作用构建组合预测模型，虽然能有效解决单一模型难以全面利用有效信息的问题，但现有包括经验模态分解(empirical modedecomposition，emd)、傅里叶分解、小波分析等在内的分解方法均存在模态混叠和端点效应等问题，且预测
技术实现思路
1、本专利技术的目的是提供一种短期电力负荷组合预测方法，通过对原始电力负荷数据去噪处理后，基于模态分解和deepar模型进行组合预测分析，并采用预测误差序列对初始负荷预测结果进行误差修正，得到最终电力负荷预测序列，解决现有电力负荷预测方法难以有效解决电力负荷的非线性和非平稳性问题，且不能全面有效利用有价值信息，导致预测结果精准性不足的应用缺陷，能在解决电力负荷的非线性和非平稳性问题的同时，还能充分利用预测误差中的有价值信息，增强预测模型的泛化能力，有效提高短期电力负荷预测的精度。
2、为了实现上述目的，有必要针对上述技术问题，提供一种短期电力负荷组合预测方法、系统、计算机设备及存储介质。
3、第一方面，本专利技术实施例提供了一种短期电力负荷组合预测方法，所述方法包括以下步骤：
4、获取原始电力负荷序列，并对所述原始电力负荷序列进行预处理，得到对应的初始数据集；
5、对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分量，并将各个负荷模态分量输入预先构建的第一deepar模型进行预测处理，得到对应的初始负荷预测序列；
6、根据所述初始数据集和所述初始负荷预测序列，得到对应的预测误差序列，并根据所述预测误差序列进行误差预测，得到对应的负荷误差序列；
7、根据所述负荷误差序列对所述初始负荷预测序列进行误差修正，得到对应的电力负荷预测序列。
8、进一步地，所述对所述原始电力负荷序列进行预处理，得到对应的初始数据集的步骤包括：
9、对所述原始电力负荷序列依次进行缺失值和异常值处理，得到对应的预处理电力负荷数据；
10、通过自适应中值滤波器对所述预处理电力负荷数据进行去噪处理，得到所述初始数据集。
11、进一步地，所述通过自适应中值滤波器对所述原始电力负荷序列进行去噪处理，得到所述初始数据集的步骤包括：
12、获取所述原始电力负荷序列的序列长度，根据所述序列长度和预设滑动窗口长度，计算各个滑动窗口的序列均值和序列方差；
13、根据各个滑动窗口的序列均值和序列方差，得到对应的滑动窗口起始时刻的平滑噪声信号；
14、根据所有滑动窗口起始时刻的平滑噪声信号，对所述原始电力负荷序列进行去噪处理，得到所述初始数据集。
15、进一步地，所述对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分的步骤包括：
16、采用变分模态分解算法对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分量。
17、进一步地，所述采用变分模态分解算法对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分量的步骤包括：
18、根据所述变分模态分解算法和所述初始数据集，建立对应的约束变分问题；
19、通过引入拉格朗日乘数和二次惩罚函数，将所述约束变分问题转换为对应的无约束变分问题；
20、通过交叉乘子算法对所述无约束变分问题进行求解，得到多个不同频率的负荷模态分量。
21、进一步地，所述根据所述预测误差序列进行误差预测，得到对应的负荷误差序列的步骤包括：
22、通过变分模态分解算法，对所述预测误差序列进行模态分解，得到多个不同频率的误差模态分量；
23、将各个误差模态分量输入预先构建的第二deepar模型进行预测处理，得到对应的负荷误差序列。
24、进一步地，所述第一deepar模型和所述第二deepar模型均基于预设循环神经网络模型训练得到。
25、第二方面，本专利技术实施例提供了一种短期电力负荷组合预测系统，所述系统包括：
26、数据获取模块，用于获取原始电力负荷序列，并对所述原始电力负荷序列进行预处理，得到对应的初始数据集；
27、初始预测模块，用于对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分量，并将各个负荷模态分量输入预先构建的第一deepar模型进行预测处理，得到对应的初始负荷预测序列；
28、误差预测模块，用于根据所述初始数据集和所述初始负荷预测序列，得到对应的预测误差序列，并根据所述预测误差序列进行误差预测，得到对应的负荷误差序列；
29、结果修正模块，用于根据所述负荷误差序列对所述初始负荷预测序列进行误差修正，得到对应的电力负荷预测序列。
30、第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
31、第四方面，本专利技术实施例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上述方法的步骤。
32、上述本申请提供了一种短期电力负荷组合预测方法、系统、计算机设备和存储介质，通过所述方法实现了获取原始电力负荷序列，并对原始电力负荷序列进行预处理，得到对应的初始数据集，以及对初始数据集进行模态分解，得到多个不同频率的负荷模态分量，并将各个负荷模态分量输入预先构建的第一deepar模型进行预测处理，得到对应的初始负荷预测序列的后，根据初始数据集和初始负荷预测序列，得到对应的预测误差序列，并根据预测误差序列进行误差本文档来自技高网...
【技术保护点】
1.一种短期电力负荷组合预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的短期电力负荷组合预测方法，其特征在于，所述对所述原始电力负荷序列进行预处理，得到对应的初始数据集的步骤包括：
3.如权利要求2所述的短期电力负荷组合预测方法，其特征在于，所述通过自适应中值滤波器对所述原始电力负荷序列进行去噪处理，得到所述初始数据集的步骤包括：
4.如权利要求1所述的短期电力负荷组合预测方法，其特征在于，所述对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分的步骤包括：
5.如权利要求4所述的短期电力负荷组合预测方法，其特征在于，所述采用变分模态分解算法对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分量的步骤包括：
6.如权利要求1所述的短期电力负荷组合预测方法，其特征在于，所述根据所述预测误差序列进行误差预测，得到对应的负荷误差序列的步骤包括：
7.如权利要求6所述的短期电力负荷组合预测方法，其特征在于，所述第一DeepAR模型和所述第二DeepAR模型均基于预设循环神经网络模型训练
8.一种短期电力负荷组合预测系统，其特征在于，所述系统包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一所述方法的步骤。
10.一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时实现权利要求1至7中任一所述方法的步骤。
...【技术特征摘要】
1.一种短期电力负荷组合预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的短期电力负荷组合预测方法，其特征在于，所述对所述原始电力负荷序列进行预处理，得到对应的初始数据集的步骤包括：
3.如权利要求2所述的短期电力负荷组合预测方法，其特征在于，所述通过自适应中值滤波器对所述原始电力负荷序列进行去噪处理，得到所述初始数据集的步骤包括：
4.如权利要求1所述的短期电力负荷组合预测方法，其特征在于，所述对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分的步骤包括：
5.如权利要求4所述的短期电力负荷组合预测方法，其特征在于，所述采用变分模态分解算法对所述初始数据集进行模态分解，得到多个不同频率的负荷模态分量的步骤包括：
...【专利技术属性】
技术研发人员：吴心弘，王泽荣，董浩，何彦仪，窦迅，朱峰，刘雪蕊，牛鹏艺，邓叶航，张旭，左娟，王文博，许崇鑫，马胜奎，
申请(专利权)人：国网浙江综合能源服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。