用于电力交易的负荷预测方法及装置与流程

本发明涉及电力交易，尤其涉及一种用于电力交易的负荷预测方法及装置。

背景技术：

1、随着电力市场进一步开放，未来实时现货交易的复杂场景，电力现货交易用户数量急速增长，数据量大大增加。为了保障现货交易连续长期运行，电力现货交易要求购电用户和售电公司的供用电量实时结算，因此需要实现对于实时结算特点的超短期负荷精准预测技术，对于实现短期、超短期负荷预测，需要通过大量的有效数据进行网络模型训练，数据集的获取和筛选、预处理需要耗费时间精力。此外，在实际工程实践中要求对数据的处理要高效、便捷，大量完整样本的选择时间成本较高，且模型的训练需要较强的算力资源，设备成本较高。

2、因此，现阶段亟需一种用于电力交易的负荷预测方法。

技术实现思路

1、本发明实施例提供了一种用于电力交易的负荷预测方法及装置，以解决现阶段电力交易市场中负荷预测时效率低、浪费时间且成本较高的问题。

2、第一方面，本发明实施例提供了一种用于电力交易的负荷预测方法，包括：

3、获取电力交易市场中多个用户的历史用电数据；其中，历史用电数据包括用电数据、负荷数据、气象数据和用户接入电力交易市场的方式；

4、对多个用户的用电量数据和气象数据进行聚类，得到典型日下各类用户的典型用电行为特征数据；其中，各类用户基于用户接入电力交易市场的方式划分；

5、根据多个用户的负荷数据以及多个影响因素的数据，确定高维影响因子数列；根据多个用户的负荷数据，确定负荷功率的时间序列数据；

6、根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的时间序列数据构建用于电力交易的负荷预测模型。

7、在一种可能的实现方式中，根据多个用户的负荷数据以及多个影响因素的数据，确定高维影响因子数列，包括：

8、获取多个用户的各影响因素的数据；其中，影响因素为影响用户负荷数据的因素；

9、分别计算各影响因素的数据与负荷数据之间的preson相关性系数；将preson相关性系数小于预设阈值的影响因素的数据剔除，得到剩余影响因素的数据；

10、根据剩余影响因素的数据和负荷数据构建弹性网回归模型；

11、根据弹性网回归模型确定高维影响因子数列。

12、在一种可能的实现方式中，根据弹性网回归模型确定高维影响因子数列，包括：

13、基于lars-en算法对弹性网回归模型进行求解，得到弹性网回归模型的全部路径信息；

14、根据aic准则从全部路径信息中选择最优路径，得到回归拟合曲线；

15、根据回归拟合曲线确定高维影响因子数列。

16、在一种可能的实现方式中，对多个用户的用电量数据和气象数据进行聚类，得到典型日下各类用户的典型用电行为特征数据，包括：

17、根据tsne数据降维算法将多个用户的用电量数据和气象数据进行降维处理，得到降维处理后的多个用户的历史用电数据；

18、将降维处理后的多个用户的历史用电数据采用gg聚类算法进行聚类分析，得到典型日下各类用户的典型用电行为特征数据。

19、在一种可能的实现方式中，将降维处理后的多个用户的历史用电数据采用gg聚类算法进行聚类分析，得到典型日下各类用户的典型用电行为特征数据，包括：

20、将降维处理后的多个用户的历史用电数据采用gg聚类算法进行聚类分析，得到典型场景数据集；其中，典型场景数据集中包括各类用户的历史用电数据；

21、将典型场景数据集中不符合预设条件的数据剔除，得到典型日下各类用户的典型用电行为特征数据。

22、在一种可能的实现方式中，负荷预测模型为双向长短时记忆模型；

23、负荷功率的时间序列数据包括超短期时间序列数据和短期时间序列数据；

24、负荷预测模型包括超短期负荷预测模型和短期负荷预测模型。

25、在一种可能的实现方式中，根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的时间序列数据构建用于电力交易的负荷预测模型，包括：

26、根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的超短期时间序列数据构建用于电力交易的超短期负荷预测模型；

27、根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的短期时间序列数据构建用于电力交易的短期负荷预测模型。

28、在一种可能的实现方式中，根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的时间序列数据构建用于电力交易的负荷预测模型之后，还包括：

29、获取待预测用户的当前用电数据和当前气象数据；

30、将待预测用户的当前用电数据和当前气象数据输入到负荷预测模型中，得到待预测用户的负荷预测数据。

31、在一种可能的实现方式中，用户接入电力交易市场的方式包括：专变终端接入、低压集中器与高速电力线载波通信网络hplc混合接入、厂站终端接入和低压集中器与非hplc混合接入。

32、第二方面，本发明实施例提供了一种用于电力交易的负荷预测装置，包括：

33、获取模块，获取电力交易市场中多个用户的历史用电数据；其中，历史用电数据包括用电数据、负荷数据、气象数据和用户接入电力交易市场的方式；

34、分析模块，用于对多个用户的用电量数据和气象数据进行聚类，得到典型日下各类用户的典型用电行为特征数据；其中，各类用户基于用户接入电力交易市场的方式划分；

35、分析模块，还用于根据多个用户的负荷数据以及多个影响因素的数据，确定高维影响因子数列；根据多个用户的负荷数据，确定负荷功率的时间序列数据；

36、构建模块，用于根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的时间序列数据构建用于电力交易的负荷预测模型。

37、本发明实施例提供一种用于电力交易的负荷预测方法及装置，通过获取电力交易市场中各用户的历史用电数据，考虑到了气象数据对用户用电行为的影响，因此对多个用户的用电量数据和气象数据进行聚类，得到典型日下各类用户的典型用电行为特征数据，这样不仅能够得到反映各用户用电行为的特征数据，还能够减少计算时计算量，提高计算效率。相比于传统方法在进行负荷预测时，只考虑用户的用电数据和负荷数据，本发明实施例考虑到的影响负荷的影响因素与负荷数据之间的相关关系，并将影响因素和负荷数据之间的相关关系进行量化，得到高维影响因子数列，使构建负荷预测模型在进行负荷预测时结果更加准确。最后根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的时间序列数据构建用于电力交易的负荷预测模型。本发明实施例能够提高现阶段电力交易市场中负荷预测效率，并且，由于需要的数据量大大减少，相应地，在进行预测计算时的成本和进行预测的预测时间也相应减少。本发明实施例能够达到提高电力交易市场中负荷预测效率、节约时间与预测成本的技术效果。

技术特征：

1.一种用于电力交易的负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的用于电力交易的负荷预测方法，其特征在于，所述根据所述多个用户的负荷数据以及多个影响因素的数据，确定高维影响因子数列，包括：

3.根据权利要求2所述的用于电力交易的负荷预测方法，其特征在于，所述根据所述弹性网回归模型确定高维影响因子数列，包括：

4.根据权利要求1所述的用于电力交易的负荷预测方法，其特征在于，所述对所述多个用户的用电量数据和气象数据进行聚类，得到典型日下各类用户的典型用电行为特征数据，包括：

5.根据权利要求4所述的用于电力交易的负荷预测方法，其特征在于，所述将所述降维处理后的所述多个用户的历史用电数据采用gg聚类算法进行聚类分析，得到典型日下各类用户的典型用电行为特征数据，包括：

6.根据权利要求1所述的用于电力交易的负荷预测方法，其特征在于，所述负荷预测模型为双向长短时记忆模型；

7.根据权利要求6所述的用于电力交易的负荷预测方法，其特征在于，所述根据所述各类用户的典型用电行为特征数据、所述高维影响因子数列和所述负荷功率的时间序列数据构建用于电力交易的负荷预测模型，包括：

8.根据权利要求1所述的用于电力交易的负荷预测方法，其特征在于，所述根据所述各类用户的典型用电行为特征数据、所述高维影响因子数列和所述负荷功率的时间序列数据构建用于电力交易的负荷预测模型之后，还包括：

9.根据权利要求1所述的用于电力交易的负荷预测方法，其特征在于，所述用户接入所述电力交易市场的方式包括：专变终端接入、低压集中器与高速电力线载波通信网络hplc混合接入、厂站终端接入和低压集中器与非hplc混合接入。

10.一种用于电力交易的负荷预测装置，其特征在于，包括：

技术总结
本发明提供一种用于电力交易的负荷预测方法及装置，属于电力交易领域。该方法包括：获取电力交易市场中多个用户的历史用电数据；历史用电数据包括用电数据、负荷数据、气象数据和用户接入电力交易市场的方式；对多个用户的用电量数据和气象数据进行聚类，得到典型日下各类用户的典型用电行为特征数据；各类用户基于用户接入电力交易市场的方式划分；根据多个用户的负荷数据以及多个影响因素的数据，确定高维影响因子数列；根据多个用户的负荷数据，确定负荷功率的时间序列数据；根据各类用户的典型用电行为特征数据、高维影响因子数列和负荷功率的时间序列数据构建负荷预测模型。本发明能够提高电力交易市场中负荷预测效率、节约时间与预测成本。

技术研发人员：张洋瑞,张冰玉,冯少康,刘晓瑜,韩桂楠,李强
受保护的技术使用者：国网河北省电力有限公司营销服务中心
技术研发日：
技术公布日：2024/4/17