【技术实现步骤摘要】
本专利技术涉及电力系统，具体涉及一种电力负荷预测方法及系统、计算机设备。
技术介绍
1、随着经济社会的高速发展，人们对电力的需求与日俱增，同时电力负荷值的波动性也随之变强。电力系统是基础设施领域的重中之重，对经济和社会发展起着关键的支持和推动作用，电力负荷的波动影响了电力基础设施的建设。因此，对电力负荷的精准预测对整个电力系统来说都至关重要。
2、目前，电力系统的稳定性相较于之前已经有很大的改善，但随着全球人口的不断增加、经济的高速发展以及全球气候逐渐恶劣，我们仍需要更高效地使用电力资源。电力负荷数据与电力需求密切相关，电力系统的供需关系应保持动态平衡，使得电力公司制定正确的运行计划和战略来适应电力市场需求。
3、现有技术中，电力负荷预测主要采用基于时间序列预测、传统机器学习预测、神经网络预测以及专家系统预测。虽然在某些情况下能够提供相对准确的预测结果，但它们往往难以适应电力负荷数据的非线性和动态变化特性。特别是在面对复杂的气象条件和多变的社会经济活动时，这些方法的预测精度和适应性往往受限。此外，现有的预测模型很少能够充分考虑气象因素与电力负荷之间的复杂关系，导致预测结果可能不够精确。再者，随着数据量的不断增加，传统的预测模型在处理大规模数据集时可能会遇到计算效率低下的问题。
技术实现思路
1、为此，本专利技术提供一种电力负荷预测方法及系统、计算机设备，旨在解决现有技术中预测电力负荷无法适应电力系统日益增长的复杂性和动态性需求的技术问题。
2、为
3、依据本专利技术第一方面，本专利技术提供一种电力负荷预测方法，所述方法包括：
4、针对目标区域，获取历史日期对应的历史气象数据和历史电负荷数据；
5、对所述历史气象数据和所述历史电负荷数据进行混合编码，并对混合编码结果进行解码，得到气象-负荷数据；
6、对所述历史气象数据、所述历史电负荷数据和所述气象-负荷数据进行特征提取，得到目标特征数据；
7、对所述目标特征数据进行聚合处理，输出融合特征数据；
8、利用预先构建的深度学习模型对所述融合特征数据进行电力负荷预测，输出预测结果。
9、可选地，所述对所述历史气象数据和所述历史电负荷数据进行混合编码之前，所述方法还包括：
10、对所述历史气象数据和所述历史电负荷数据进行基于生成对抗网络技术的数据插补，得到完整的历史气象数据和历史电负荷数据。
11、可选地，所述对所述历史气象数据和所述历史电负荷数据进行混合编码，并对混合编码结果进行解码，得到气象-负荷数据，包括：
12、在keras框架下构建基于双向lstm结构的循环编码器；
13、利用所述循环编码器对所述历史气象数据和所述历史电负荷数据进行混合编码，得到气象-负荷特征；
14、构建基于双向lstm结构的解码器；所述解码器使用所述循环编码器的最终状态作为初始状态；
15、利用所述解码器对所述气象-负荷特征进行解码，得到气象-负荷数据。
16、可选地，所述对所述历史气象数据、所述历史电负荷数据和所述气象-负荷数据进行特征提取，得到目标特征数据，包括：
17、对所述历史气象数据、所述历史电负荷数据和所述气象-负荷数据进行标准化处理，得到标准气象数据、标准电负荷数据和标准气象-负荷数据；
18、使用ridge回归拟合模型，引入不同的正则化参数，对所述标准气象数据、所述标准电负荷数据和所述标准气象-负荷数据进行特征权重调整，以提取目标特征数据。
19、可选地，所述对所述目标特征数据进行聚合处理，输出融合特征数据，包括：
20、步骤s1：由所述目标特征数据组成特征数据集s＝{s1,s2,s3}；
21、步骤s2：在所述特征数据集中随机选取k个不同的样本作为k-means的初始聚类中心；
22、步骤s3：遍历所有样本，计算各所述样本与各所述聚类中心的距离，并将各所述样本归入距离最短的所述聚类中心对应类中；
23、步骤s4：遍历所有特征类型，重新计算各所述特征类型的聚类中心，若所述聚类中心发生变化，重复步骤s3～s4，直至所述聚类中心不再发生变化，输出聚类结果，作为融合特征数据。
24、可选地，所述利用预先构建的深度学习模型对所述融合特征数据进行电力负荷预测之前，所述方法还包括：
25、利用粒子群优化算法对所述融合特征数据进行超参数优化，得到最佳超参数；
26、构建基于lightgbm算法的负荷预测模型；
27、将所述最佳超参数作为负荷预测模型的模型输入。
28、可选地，所述利用预先构建的深度学习模型对所述融合特征数据进行电力负荷预测，包括：
29、估计使所述负荷预测模型的损失函数极小化的常数值，利用所述常数值初始化所述负荷预测模型；
30、进行模型迭代，计算当前所述负荷预测模型的损失函数的负梯度值；
31、根据所述负梯度值拟合一个回归树，得到迭代次数对应的叶结点区域；
32、利用线性搜索估计所述叶结点区域的值，使损失函数极小化，得到目标负荷预测模型；
33、利用所述目标负荷预测模型进行电力负荷预测，输出预测结果。
34、可选地，所述方法还包括：
35、利用残差分析方法评估所述目标负荷预测模型的预测精度；
36、基于所述预测精度所述目标负荷预测模型进行更新。
37、依据本专利技术第二方面，本专利技术提供一种电力负荷预测系统，所述系统包括：
38、数据获取模块，用于针对目标区域，获取历史日期对应的历史气象数据和历史电负荷数据；
39、数据处理模块，用于对所述历史气象数据和所述历史电负荷数据进行混合编码，并对混合编码结果进行解码，得到气象-负荷数据；
40、特征提取模块，用于对所述历史气象数据、所述历史电负荷数据和所述气象-负荷数据进行特征提取，得到目标特征数据；
41、特征融合模块，用于对所述目标特征数据进行聚合处理，输出融合特征数据；
42、模型预测模块，用于利用预先构建的深度学习模型对所述融合特征数据进行电力负荷预测，输出预测结果。
43、依据本专利技术第三方面，本专利技术提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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如本专利技术第一方面中任一项所述的电力负荷预测方法。
44、本专利技术采用以上技术方案，至少具备以下有益效果：
45、通过本专利技术方案，针对目标区域，获取历史日期对应的历史气象数据和历史电负荷数据；对所述历史气象数据和所述历史电负荷数据进行混合编码，并对混合编码结果进行解码，得到气象-负荷数据；对所述历史气象数据、所述历史电负荷数据和所述本文档来自技高网...
【技术保护点】
1.一种电力负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史气象数据和所述历史电负荷数据进行混合编码之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述历史气象数据和所述历史电负荷数据进行混合编码，并对混合编码结果进行解码，得到气象-负荷数据，包括：
4.根据权利要求1所述的方法，其特征在于，所述对所述历史气象数据、所述历史电负荷数据和所述气象-负荷数据进行特征提取，得到目标特征数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述对所述目标特征数据进行聚合处理，输出融合特征数据，包括：
6.根据权利要求1所述的方法，其特征在于，所述利用预先构建的深度学习模型对所述融合特征数据进行电力负荷预测之前，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述利用预先构建的深度学习模型对所述融合特征数据进行电力负荷预测，包括：
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
9.一种电力负荷预
10.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1～8中任一项所述的电力负荷预测方法。
...【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史气象数据和所述历史电负荷数据进行混合编码之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述历史气象数据和所述历史电负荷数据进行混合编码，并对混合编码结果进行解码，得到气象-负荷数据，包括：
4.根据权利要求1所述的方法，其特征在于，所述对所述历史气象数据、所述历史电负荷数据和所述气象-负荷数据进行特征提取，得到目标特征数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述对所述目标特征数据进行聚合处理，输出融合特征数据，包...
【专利技术属性】
技术研发人员：黄新平，赵骞，马蕊，陈建华，武冰清，李宗翰，魏成梅，岳云力，赵丹阳，孟菁，徐凌燕，
申请(专利权)人：国网冀北电力有限公司经济技术研究院，
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。