电力负荷概率预测方法、系统、介质、设备及程序产品

本发明涉及时间序列预测，具体的说，是涉及电力负荷概率预测方法、系统、介质、设备及程序产品。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、准确预测电力负荷对于整合电力传统与可再生能源发电方式（如风能和水电）至关重要，这不仅确保了电力供应的稳定性，还有助于电力供应商优化发电计划、降低运营成本，并减少能源浪费。随着深度学习技术的发展，其在电力负荷预测方面的应用日益广泛，这种技术能够从历史数据中发掘潜在的模式和规律。

3、尽管深度学习技术显著提升了电力负荷预测的准确性，但现有预测方法在几个关键方面仍面临挑战：

4、（1）周期的复杂性：电力负荷受人类生产和生活活动的周期性影响，表现出日周期和周周期等多重周期性特征，这些周期模式的相互叠加，给预测模型识别和提取周期特性带来了难度；

5、（2）对外生变量的考虑不足：目前的预测模型主要依据电力负荷历史数据进行预测，忽视了可能影响负荷变化的外在因素，例如天气状况、经济活动、社会事件等外生变量，这些因素才是影响电力负荷的直接原因，将这些外生变量纳入深度学习模型中，不仅可以提高预测的准确性，还能增强模型的泛化能力；

6、（3）长期预测的挑战：电力能源的生产需要时间，因此预测工作需要尽可能提前进行，然而，当前深度学习模型，如循环神经网络（rnns），在处理长期依赖时存在梯度消失的问题，这限制了它们在长期序列预测中的效果；并且电力负荷数据是随时间动态变化的，具有非平稳性，这对长期预测提出了更高的要求；

7、（4）预测的动态性和不确定性：大多数现有预测方法主要预测具体的数值，未能充分考虑电力负荷数据的随机性和随时间变化的动态性，由于电力负荷受多种不确定因素的影响，单纯的数值预测方法可能随着时间推移而失效。

技术实现思路

1、本发明为了解决上述问题，本发明提供电力负荷概率预测方法、系统、介质、设备及程序产品，通过考虑外生变量、概率预测以及多周期分解，可以更好的适应电力负荷数据随机的、动态的变化，具有更好的泛化性。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供电力负荷概率预测方法，其包括：

4、获取电力负荷数据和外生变量；

5、对于所述电力负荷数据，通过频谱图分析，得到若干周期长度后，将每个周期长度作为窗口大小，对所述电力负荷数据进行滑动平均分解，得到时变成分和时不变成分；

6、对于每个周期长度，基于所述时不变成分，预测得到时不变成分预测结果；

7、对于每个周期长度，基于所述时变成分和外生变量，预测得到时变成分预测结果；

8、基于所有周期长度的所述时不变成分预测结果和时变成分预测结果，通过聚合预测，得到值预测结果；

9、基于值预测结果，通过共形预测方法，得到电力负荷概率预测结果。

10、进一步地，所述频谱图分析的步骤包括：

11、对所述电力负荷数据进行傅里叶分解，得到频率分量，并对所述频率分量计算振幅；

12、在频率分量中选择若干振幅最大的频率，计算选择出的每个频率对应的周期长度，得到若干周期长度。

13、进一步地，所述时不变成分预测结果的预测步骤包括：

14、对于所述时不变成分，通过实数傅里叶变换转换到频域后，采用不同权重参数进行频域线性变换，得到多个变换结果；

15、基于多个变换结果，通过频域门控机制的计算和逆傅里叶变换，得到所述时不变成分预测结果。

16、进一步地，所述时变成分预测结果的预测步骤包括：

17、将所述时变成分和外生变量进行拼接后，通过卷积操作进行融合，得到融合变量；

18、基于所述融合变量，通过结构状态空间模型，得到所述时变成分预测结果。

19、进一步地，所述聚合预测的步骤包括：

20、对于每个周期长度，将所述时不变成分预测结果和时变成分预测结果进行求和，得到预测值；

21、将所有周期长度的预测值与可学习矩阵进行相乘，得到所述值预测结果。

22、进一步地，所述电力负荷概率预测结果为：预测区间，且真实电力负荷落在预测区间的概率为，其中，为值预测结果，为置信度为的误差分位数，为设定的置信水平的补数。

23、本发明的第二个方面提供电力负荷概率预测系统，其包括：

24、数据获取模块，其被配置为：获取电力负荷数据和外生变量；

25、多周期分解模块，其被配置为：对于所述电力负荷数据，通过频谱图分析，得到若干周期长度后，将每个周期长度作为窗口大小，对所述电力负荷数据进行滑动平均分解，得到时变成分和时不变成分；

26、时不变成分预测模块，其被配置为：对于每个周期长度，基于所述时不变成分，预测得到时不变成分预测结果；

27、时变成分预测模块，其被配置为：对于每个周期长度，基于所述时变成分和外生变量，预测得到时变成分预测结果；

28、聚合预测模块，其被配置为：基于所有周期长度的所述时不变成分预测结果和时变成分预测结果，通过聚合预测，得到值预测结果；

29、概率预测模块，其被配置为：基于值预测结果，通过共形预测方法，得到电力负荷概率预测结果。

30、本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述所述的电力负荷概率预测方法中的步骤。

31、本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的电力负荷概率预测方法中的步骤。

32、本发明的第四个方面提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述所述的电力负荷概率预测方法中的步骤。

33、与现有技术相比，本发明的有益效果为：

34、本发明针对电力负荷数据具有多周期的性质，通过频谱图分析，设计多周期分解，以处理电力负荷数据多周期的问题，可以更有效地处理电力负荷数据中出现的不同的周期模式。

35、本发明将值预测转化为概率预测，并以数据驱动的方式，建立起外生变量和时变成分的关系，从而探究真正对电力负荷数据变化产生影响因素，可以更好的适应电力负荷数据随机的、动态的变化，提高预测的准确性，具有更好的泛化性。

36、本发明将电力负荷数据分解为时变成分和时不变成分，分别进行预测；时不变成分为电力负荷数据的周期项，主要反映了人类日常活动的规律；对于时变成分的预测，需要考虑电力负荷数据随时间的变化；分别采用频域门控机制和结构化状态空间模型来建模时变成分和时不变成分，通过将这两部分解耦，可以获得更好的电力负荷概率预测效果。