本技术涉及光伏发电预测,特别是涉及一种电力负荷预测模型训练方法及电力负荷预测方法。
背景技术:
1、近年来,随着我国经济水平的快速增长,电力行业不断发展壮大。电力负荷预测对电力系统安全经济运行越来越重要,成为经济调度、储能管理、未来能源合同和电厂维护计划的基础。电力负荷预测的准确性直接关系到电力系统的运行情况。若预测值偏大导致电力生产过量,会造成能源浪费以及生产机器损耗;而预测值偏小导致电力生产不足,将会影响人们的生活并对经济造成损失。
2、目前,关于电力负荷预测的研究很多。根据预测时间范围,主要分为超短期、短期、中期和长期。超短期负荷预测指短于一天的负荷预测,主要用于电力的实时调度和日间调度;短期负荷预测指一天到一周的负荷预测,用于电力系统的日间运行,如能源交易和电力系统安全研究;中期负荷预测指几周至一年的预测,用于燃料供应调度和基础设施调整;长期负荷预测通常超过一年的预测,用于长期电力系统规划。如今(超)短期负荷预测成为各供电系统不可或缺的部分,对其精度的要求越来越高。
3、其中,电力负荷受到各种环境因素的影响,包括温度、湿度、日期类型、季节等。尤其在光伏电站应用场景中,由于光伏发电的特性,电力负荷预测对光伏发电的运行和维护有着更为重要的意义。
4、传统电力负荷预测方法主要有回归分析法、时间序列法、指数平滑法等。回归分析法通过建立反映因果关系的数学模型来预测未来负荷值。时间序列法通过对历史负荷数据进行曲线拟合和参数估计,建立其数学模型。指数平滑法通过指数加权组合来实现。这些方法虽然可以显性表达自变量和因变量之间的关系,但在处理复杂的非线性系统方面具有局限性,对非平稳时间序列特征的电力负荷的预测性能较差。
5、综上,可见传统的电力负荷预测方法还存在以上不足。
技术实现思路
1、基于此,有必要针对传统电力负荷预测方法还存在的不足,提供一种电力负荷预测模型训练方法及电力负荷预测方法。
2、本公开至少一个实施例提供了一种电力负荷预测模型训练方法,包括步骤:
3、获取负荷历史数据和影响因素数据;其中,影响因素数据与负荷历史数据相对应;
4、根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据;
5、将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。
6、上述的电力负荷预测模型训练方法,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
7、在其中一个实施例中,还包括步骤:
8、根据训练因素数据与负荷历史数据测试电力负荷预测模型的精度;
9、根据精度调整筛选处理。
10、在其中一个实施例中,影响因素数据包括温度、体感温度、湿度、降水量、风速、光照强度、是否节假日、天气类型和/或季节的数值化结果。
11、在其中一个实施例中,负荷历史数据包括设定周期内的负荷特征性指标。
12、在其中一个实施例中,负荷特征性指标包括最大负荷、最小负荷、平均负荷、负荷率、峰谷差和/或峰谷差率。
13、在其中一个实施例中,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据的过程,包括步骤:
14、计算负荷历史数据与影响因素数据的相关度;
15、保留相关度大于设定阈值的影响因素数据,作为训练因素数据。
16、在其中一个实施例中,根据精度调整筛选处理的过程,包括步骤:
17、若精度相对提高,则降低设定阈值,否则提高设定阈值。
18、在其中一个实施例中,计算负荷历史数据与影响因素数据的相关度的过程,包括步骤:
19、确定影响因素数据的离散空间;其中,离散空间由多个取值构成;
20、根据影响因素数据的取值,对负荷历史数据进行分类,获得分类结果;
21、根据分类结果进行相关度计算。
22、在其中一个实施例中,电力负荷预测模型基于lstnet网络建立。
23、本公开至少一个实施例提供了一种电力负荷预测模型训练装置,包括:
24、数据获取模块,用于获取负荷历史数据和影响因素数据;其中,影响因素数据与负荷历史数据相对应;
25、数据筛选模块,用于根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据;
26、数据训练模块,用于将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。
27、上述的电力负荷预测模型训练装置,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
28、本公开至少一个实施例还提供一种模型训练装置,包括:
29、一个或多个存储器,非瞬时性地存储有计算机可执行指令;
30、一个或多个处理器,配置为运行计算机可执行指令,其中,计算机可执行指令被一个或多个处理器运行时实现根据本公开任一实施例的电力负荷预测模型训练方法。
31、上述的模型训练装置,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
32、本公开至少一个实施例还提供一种非瞬时性计算机可读存储介质,其中,非瞬时性计算机可读存储介质存储有计算机可执行指令,计算机可执行指令被处理器执行时实现根据本公开任一实施例的电力负荷预测模型训练方法。
33、上述的非瞬时性计算机可读存储介质,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
34、本公开至少一个实施例还提供一种电力负荷预测方法。
35、一种电力负荷预测方法,包括步骤:
36、获取影响因素数据;
37、将影响因素数据输入至上述任一实施例的电力负荷预测模型,获得电力负荷预测模型输出的电力负荷预测结果。
38、上述的电力负荷预测方法,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
39、本公开至少一个实施例提供了一种电力负荷预测装置,包括:
40、数据采集模块,用于获取影响因素数据;
41、数据输出模块,用于将影响因素数据输入至上述任一实施例的电力负荷预测模型,获得电力负荷预测模型输出的电力负荷预测结果。
42、上述的电力负荷预测装置,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
43、本公开至少一个实施例还提供一种负荷预测装置,包括:
44、一个或多个存储器,非瞬时性地存储有计算机可执行指令;
45、一个或多个处理器,配置为运行计算机可执行指令,其中,计算机可执行指令被一个或多个处理器运行时实现根据本公开任一实施例的电力负荷预测方法。
46、上述的负荷预测装置,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。
47、本公开至少一个实施例还提供另一种非瞬时性计算机可读存储介质,其中,非瞬时性计算机可读存储介质存储有计算机可执行指令,计算机可执行指令被处理器执行时实现根据本公开任一实施例的电力负荷预测方法。
48、上述的非瞬时性计算机可读存储介质,获取负荷历史数据和影响因素数据,根据负荷历史数据与影响因素数据的相关度,对影响因素数据执行筛选处理,获得训练因素数据,最后将训练因素数据与负荷历史数据作为训练数据,训练电力负荷预测模型。基于此,通过负荷历史数据与影响因素数据的相关度筛选,可提高电力负荷预测的精准度,尤其是适用于以具有离散变量特征的影响因素数据为基础的电力负荷预测。