一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型

1.本发明属于电力系统短期负荷预测领域，具体涉及一种短期负荷预测模型，并将其应用于北方地区冬季含温度敏感负荷的短期负荷预测领域。


背景技术：

2.随着电力需求的不断增长，电力系统冬季的负荷越来越大。在负荷高峰时段，短期负荷预测的精准度较差。较差的精准度在很多方面给电力系统运行带来不良的后果。比如不能明析次日负荷变化，就无法适宜安排发电计划。因此负荷预测的精准性将会直接影响电网运行的安全性。因此需要提升冬季负荷预测的精准性。
3.冬季由于天气寒冷，人们需要使用空调或电暖器等电采暖设备，这一部分负荷与温度有极强的相关性，因此称为温度敏感负荷。由于近年来冬季极端低温天气频发，取暖负荷大量使用，占负荷的比例较大，因此提高冬季负荷预测的准确性应重点研究这部分温度敏感负荷的准确预测。
4.专利(申请号:cn202210819610.9)已经针对全天各时段电力负荷均与温度敏感(即呈现较强相关性)的情况设计了一类考虑温度敏感负荷的短期电力负荷预测方法，并获得了较高的预测精度。但对于北方地区冬季而言，具有城市集中暖气供暖，且其供暖温度一般夜晚会高于白天。在气温较低时，白天人们更有可能需要补充电加热供暖以维持工作的状态以及一些公共场所的温度，于是开启电采暖等取暖设施；晚上一方面一些公共场所结束工作不需要额外电采暖，另一方面居民由于本身城市供暖温度会更高，且存在被褥等的保暖作用，反而电保暖设施的使用有可能少于白天。由于电采暖设施有可能不是全天使用，因此一天内各时段电力负荷与温度之间敏感程度并不相同。前续研究的预测方法由于未计及不同时段负荷温度敏感性的不同，直接以全天为周期分析预测，若运用于北方集中供暖地区冬季含温度敏感负荷的短期电力负荷预测，预测精度受影响。
5.因此，有必要计算分析每天不同时段时长下实时温度与负荷的相关性，设计适合于北方地区冬季含温度敏感负荷的短期电力负荷预测的方法。
6.本发明针对冬季中的负荷温度敏感时段构建了一种分段组合预测神经网络模型。首先，区分一天内的温度敏感时段和非温度敏感时段；其次，提出“虚拟天”的概念，并在温度敏感时段中构建了一种分层神经网络模型，突出了温度的影响，完成温度敏感时段的负荷预测；再次，在非温度敏感时段中构建了一种单层神经网络模型，完成非温度敏感时段的负荷预测；最后，组合两个时段预测结果，完成北方地区冬季短期负荷预测。本发明预测精度较高。
7.本发明受国家自然科学基金区域创新发展联合基金重点支持项目《分布式资源参与一次调频的综合能源系统协同优化调度关键技术》资助。


技术实现要素：

8.针对北方地区冬季温度敏感负荷并不是全天出现的问题，本发明探究了不同起始
时间和持续时长下电力负荷与温度的相关性，划分了冬季一天内负荷的温度敏感时段，并提出了温度敏感“虚拟天”的概念，针对“虚拟天”即负荷温度敏感时段下传统使用神经网络进行负荷预测时没有突出温度的首要影响的问题，本发明构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，结合其他非温度影响负荷的因素，实现对残差负荷的预测，整合两层的预测结果，完成冬季“虚拟天”内的短期电力的负荷预测。针对冬季一天内“虚拟天”之外的负荷非温度敏感时段，构建了一个单层的神经网络模型，实现对非温度敏感时段的短期负荷预测。最后整合两个模型的预测结果，完成北方地区冬季短期负荷预测。具体结构如图1所示。
9.为了达到上述目的，本发明采用的技术方案是：
10.一种含温度敏感负荷的北方冬季短期电力负荷预测模型，包括以下步骤：
11.步骤1：计算一天内不同时段下温度与负荷的相关性系数，用于确定北方地区冬季一天内电力负荷温度敏感时段。具体如下：
12.考虑到负荷与温度呈现的非线性特征，采用spearman相关性系数探究不同温度与负荷的相关性，计算方法如式(1)所示。
[0013][0014]
其中，表示相关系数，t表示温度，l表示负荷，cov表示协方差运算，rank表示等级运算，σ表示方差运算。
[0015]
通过公式(1)计算不同时段和不同时长下的相关系数后，在不显著降低相关性情况下尽可能取更长时间的时段长度，将该时段的起始点定义为温度敏感时段的起始点，将其时长定义为h。并将一天内的温度敏感时段(h小时)定义为“虚拟天”，后续在“虚拟天”内，为突出温度的影响，并且考虑到由于涉及众多因素的不同作用及其不同累积时长等复杂影响，模型维度增加，假设空间大小呈指数级增长，传统模型难以获得满足各类复杂因素影响的准确映射关系，因而本发明设计分层神经网络模型，将温度与其他因素的作用在不同层中进行处理，减小每层假设空间大小，使分层神经网络模型更易于搜索满足目标的假设。即所述的分层神经网络模型只采用“虚拟天”内的数据；一天内除虚拟天之外的时段，可直接采用单层神经网络反映全部各个因素的影响。
[0016]
所述的分层神经网络模型的结构包括步骤2中的温度敏感时段下的第一层神经网络模型、步骤4中的温度敏感时段下的第二层神经网络，在后续步骤中进行说明。
[0017]
步骤2：在“虚拟天”时段内，建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量。具体如下：
[0018]
所述的第一层神经网络需要探究温度与负荷之间的关系，而温度对于负荷既有即时的影响，即实时温度对于负荷的影响，也有温度累积效应即前几日温度数据的影响，即当前几日温度持续高温时，温度虽然不变，但负荷仍然呈现先快后慢的增长模式。就其本质而言温度对于负荷的影响是一种多元非线性回归问题，所以本发明构建的第一层神经网络模型需要实时以及前几日的温度数据作为模型的输入。由于“虚拟天”的采用导致实时温度信息的连续性被破坏，于是采用每天同一时段的温度信息表征累积效应，由于考虑的温度信
息的输入量较少，而bp神经网络适合于探索这种少输入量之间的关系，所以采用bp神经网络。依据以上分析，依据bp神经网络的特点获得第一层神经网络的输入和输出如式(2)所示。
[0019][0020]
其中，ti表示待拟合负荷i-1天前的温度，c表示待拟合的温度趋势量，在训练中用系统负荷l代替，在输入到模型前还需要归一化处理，计算方式如式(3)所示。
[0021][0022]
其中，x
′
表示归一化后的数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值。
[0023]
在确定输入、输出后，建立分层神经网络模型中的第一层神经网络，其中输入层负责读入式(2)中的输入，bp神经网络堆叠层数设置为3，神经元个数设置为[100,100,100]，考虑五天内温度因素的变化，所以公式(2)中的i取5，如图2所示。
[0024]
步骤3：在“虚拟天”时段内，得到历史温度敏感趋势量和历史残差量。
[0025]
将数据集划分为训练集及测试集，测试集用于验证模型的预测效果，将“虚拟天”时段内的数据成为“虚拟天”数据集，使用“虚拟天”时段内的训练集对步骤2建立的第一层神经网络进行训练，可以得到归一化的历史系统负荷中的历史温度敏感趋势量，再将归一化的历史系统负荷减去历史温度敏感趋势量可以得到历史残差量。
[0026]
步骤4：在“虚拟天”时段内，建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用。具体如下：
[0027]
除温度以外，影响负荷的因素还有风力、历史负荷和预测日类型等非温度影响因素。第一层神经网络探究了温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，可以将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响。基于lstm神经网络搭建第二层神经网络，用来完成对残差负荷的预测。
[0028]
所述的第二层神经网络需要考虑除温度外的其他因素与负荷之间的关系，其中包括风力等非温度气象因素，历史负荷因素以及预测日类型因素。由于不同小时的负荷对于不同因素的关系不同，所以还需要引入小时作为输入。基于以上分析，依据lstm神经网络的特点建立第二层神经网络的输入和输出如式(4)所示。
[0029][0030]
其中，所有的数据均来源于“虚拟天”数据集，ri表示待预测时间点h-1+i小时前的残差负荷，wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，表示待预测时间点i-1小时前的经过独热编码的星期数据，r表示待预测残差负荷。
[0031]
在确定输入、输出后，建立分层模型中的第二层神经网络，其中输入层负责读入式(4)中的输入，lstm层网络堆叠层数为2，神经元数量设置为[20,20]，dense层输出设置为1，考虑2天以内的因素，所以公式(4)中的i取26，如图3所示。
[0032]
在确定了第二层神经网络的具体结构后，对第二层神经网络进行训练。首先，采用训练集对第一层神经网络进行训练，所述第一层神经网络的训练集为“虚拟天”时段内的训练集；然后，得到第一层神经网络的训练结果后，加入第二层神经网络所需的输入如式(4)所示，得到第二层神经网络的训练集；最后，训练第二层神经网络。训练流程如图4所示。通过以上的训练流程后便可以得到训练好的第二层神经网络。
[0033]
步骤5：得到“虚拟天”时段内即温度敏感时段的负荷预测结果。
[0034]
使用第一层神经网络得到待预测日的温度趋势负荷，使用第二层神经网络得到待预测日的残差负荷。将两者相加得到了待预测日的温度敏感时段的归一化系统负荷，具体预测流程如图5所示。
[0035]
步骤6：建立并训练非温度敏感时段下的单层神经网络。
[0036]
非温度敏感时段下使用神经网络模型进行负荷预测时直接考虑所有因素，建立lstm神经网络的输入输出，如式(5)所示。
[0037][0038]
其中，ti表示待拟合负荷i-1小时前的温度，li表示待预测时间点23+i小时前的负荷，wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，表示待预测时间点i-1小时前的经过独热编码的星期数据，l表示待预测残差负荷。考虑所有五天内所有因素的变化，所以i取120。在确定了模型考虑的因素后，建立lstm神经网络预测模型作为非温度敏感时段下的负荷预测模型。
[0039]
在确定输入、输出后，建立非温度敏感时段下的单层神经网络，其中lstm层网络堆叠层数为2，神经元数量设置为[10,10]，dense层输出设置为1，如图6所示。
[0040]
在确定了单层神经网络的具体结构后，使用非温度敏感时段内的训练集对单层神经网络进行训练。
[0041]
步骤7：得到预测的负荷预测结果。
[0042]
使用分层神经网络模型得到了待预测日温度敏感时段(即“虚拟天”h小时内)的归一化系统负荷，使用单层模型得到了待预测日非温度敏感时段的归一化系统负荷。将两者整合得到了待预测日全部时段的归一化系统负荷，使用归一化的数据对模型进行训练完成后，对预测结果进行反归一化，如式(6)所示。
[0043]
x＝x
min
+x
′
(x
max-x
min
)
ꢀꢀ
(6)
[0044]
其中，x
′
表示归一化数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值。
[0045]
在完成反归一化后，得到具体预测结果。
[0046]
本发明的有益效果为：
[0047]
本发明考虑了北方地区冬季短期负荷预测中不同因素的主次作用，突出了一天之内温度敏感时段的作用以及温度对电力负荷的影响，提升了北方地区冬季短期负荷预测的精度，能够更加适宜的安排发电计划，有助于提高电网运行的安全性。
附图说明
[0048]
图1为负荷预测模型结构图；
[0049]
图2为在虚拟天时段内第一层神经网络结构图；
[0050]
图3为第二层神经网络结构图；
[0051]
图4为第二层神经网络训练流程图；
[0052]
图5为分层模型预测流程图；
[0053]
图6为非温度敏感时段神经网络结构图；
[0054]
图7为冬季短期负荷预测结果图。
具体实施方式
[0055]
以下结合具体实施例对本发明做进一步说明。
[0056]
针对北方地区冬季温度敏感负荷并不是全天出现的问题，本发明探究了不同起始时间和持续时长下电力负荷与温度的相关性，划分了冬季一天内负荷的温度敏感时段，并提出了温度敏感“虚拟天”的概念，针对“虚拟天”即负荷温度敏感时段下传统使用神经网络进行负荷预测时没有突出温度的首要影响的问题，本发明构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，结合其他非温度影响负荷的因素，实现对残差负荷的预测，整合两层的预测结果，完成冬季“虚拟天”内的短期电力的负荷预测。针对冬季一天内“虚拟天”之外的负荷非温度敏感时段，构建了一个单层的神经网络模型，实现对非温度敏感时段的短期负荷预测。最后整合两个模型的预测结果，完成北方地区冬季短期负荷预测。具体结构如图1所示。
[0057]
以我国北方某地区的2019年11月1日至2018年12月20日的数据作为训练集预测2019年12月24日至2019年12月30日的负荷为例。
[0058]
为了达到上述目的，本发明采用的技术方案是：
[0059]
一种含温度敏感负荷的北方冬季短期电力负荷预测模型，包括以下步骤：
[0060]
步骤1：计算一天内不同时段下温度与负荷的相关性系数，用于确定北方地区冬季一天内电力负荷温度敏感时段。具体如下：
[0061]
考虑到负荷与温度呈现的非线性特征，采用spearman相关性系数探究不同温度与负荷的相关性，计算方法如式(1)所示。
[0062][0063]
其中，表示相关系数，t表示温度，l表示负荷，cov表示协方差运算，rank表示等级运算，σ表示方差运算。
[0064]
部分时段时长下的相关系数如表1所示。
[0065]
表1 2019年冬季不同时段相关性部分数据
[0066][0067]
通过公式(1)计算不同时段和不同时长下的相关系数后，在不显著降低相关性情况下尽可能取更长时间的时段长度，将该时段的起始点定义为温度敏感时段的起始点，将其时长定义为h。并将一天内的温度敏感时段(h小时)定义为“虚拟天”，后续在“虚拟天”内，为突出温度的影响，并且考虑到由于涉及众多因素的不同作用及其不同累积时长等复杂影响，模型维度增加，假设空间大小呈指数级增长，传统模型难以获得满足各类复杂因素影响的准确映射关系，因而本发明设计分层神经网络模型，将温度与其他因素的作用在不同层中进行处理，减小每层假设空间大小，使分层神经网络模型更易于搜索满足目标的假设。即所述的分层神经网络模型只采用“虚拟天”内的数据；一天内除虚拟天之外的时段，可直接采用单层神经网络反映全部各个因素的影响。
[0068]
步骤2：在“虚拟天”时段内，建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量。具体如下：
[0069]
所述的第一层神经网络需要探究温度与负荷之间的关系，而温度对于负荷既有即时的影响，即实时温度对于负荷的影响，也有温度累积效应即前几日温度数据的影响，即当前几日温度持续高温时，温度虽然不变，但负荷仍然呈现先快后慢的增长模式。就其本质而言温度对于负荷的影响是一种多元非线性回归问题，所以本发明构建的第一层神经网络模型需要实时以及前几日的温度数据作为模型的输入。由于“虚拟天”的采用导致实时温度信息的连续性被破坏，于是采用每天同一时段的温度信息表征累积效应，由于考虑的温度信息的输入量较少，而bp神经网络适合于探索这种少输入量之间的关系，所以采用bp神经网络。依据以上分析，依据bp神经网络的特点获得第一层神经网络的输入和输出如式(2)所示。
[0070][0071]
其中，ti表示待拟合负荷i-1天前的温度，c表示待拟合的温度趋势负荷，在训练中用系统负荷l代替，在输入到模型前还需要归一化处理，计算方式如式(3)所示。
[0072][0073]
其中，x
′
表示归一化后的数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值。
[0074]
第一层神经网络的训练集部分输入输出如表2所示。
[0075]
表2第一层神经网络训练集部分输入输出
[0076][0077]
在确定输入、输出后，建立分层神经网络模型中的第一层神经网络，其中输入层负责读入式(2)中的输入，bp神经网络堆叠层数设置为3，神经元个数设置为[100,100,100]，考虑五天内温度因素的变化，所以公式(2)中的i取5，如图2所示。
[0078]
步骤3：在“虚拟天”时段内，得到历史温度敏感趋势量和历史残差量。
[0079]
将数据集划分为训练集及测试集，测试集用于验证模型的预测效果，将“虚拟天”时段内的数据成为“虚拟天”数据集，使用“虚拟天”时段内的训练集对步骤2建立的第一层神经网络进行训练，可以得到归一化的历史系统负荷中的历史温度敏感趋势量，再将归一化的历史系统负荷减去历史温度敏感趋势量可以得到历史残差量。
[0080]
部分历史数据如表3所示。
[0081]
表3部分历史数据
[0082][0083]
步骤4：在“虚拟天”时段内，建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用。具体如下：
[0084]
除温度以外，影响负荷的因素还有风力、历史负荷和预测日类型等非温度影响因素。第一层神经网络探究了温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，可以将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响。基于lstm神经网络搭建第二层神经网络，用来完成对残差负荷的预测。
[0085]
所述的第二层神经网络需要考虑除温度外的其他因素与负荷之间的关系，其中包括风力等非温度气象因素，历史负荷因素以及预测日类型因素。由于不同小时的负荷对于不同因素的关系不同，所以还需要引入小时作为输入。基于以上分析，依据lstm神经网络的特点建立第二层神经网络的输入和输出如式(4)所示。
[0086][0087]
其中，所有的数据均来源于“虚拟天”数据集，ri表示待预测时间点h-1+i小时前的残差负荷，wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，表示待预测时间点i-1小时前的经过独热编码的星期数据，r表示待预测残差负荷。
[0088]
在确定输入、输出后，建立分层模型中的第二层神经网络，其中输入层负责读入式(4)中的输入，lstm层网络堆叠层数为2，神经元数量设置为[20,20]，dense层输出设置为1，考虑2天以内的因素，所以公式(4)中的i取26，如图3所示。
[0089]
第二层神经网络部分输入输出如表4所示。
[0090]
表4第二层神经网络训练集部分输入输出
[0091][0092]
在确定了第二层神经网络的具体结构后，对第二层神经网络进行训练。首先，采用训练集对第一层神经网络进行训练，所述第一层神经网络的训练集为“虚拟天”时段内的训练集；然后，得到第一层神经网络的训练结果后，加入第二层神经网络所需的输入如式(4)所示，得到第二层神经网络的训练集；最后，训练第二层神经网络。训练流程如图4所示。通过以上的训练流程后便可以得到训练好的第二层神经网络。
[0093]
步骤5：得到“虚拟天”时段内即温度敏感时段的负荷预测结果。
[0094]
使用第一层神经网络得到待预测日的温度趋势负荷，使用第二层神经网络得到待预测日的残差负荷。将两者相加得到了待预测日的温度敏感时段的归一化系统负荷，具体预测流程如图5所示。
[0095]
步骤6：建立并训练非温度敏感时段下的单层神经网络。
[0096]
非温度敏感时段下使用神经网络模型进行负荷预测时直接考虑所有因素，建立lstm神经网络的输入输出，如式(5)所示。
[0097][0098]
其中，ti表示待拟合负荷i-1小时前的温度，li表示待预测时间点23+i小时前的负
荷，wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，表示待预测时间点i-1小时前的经过独热编码的星期数据，l表示待预测残差负荷。考虑所有五天内所有因素的变化，所以i取120。在确定了模型考虑的因素后，建立lstm神经网络预测模型作为非温度敏感时段下的负荷预测模型。
[0099]
单层神经网络部分输入输出如表5所示。
[0100]
表5单层神经网络训练集部分输入输出
[0101][0102]
在确定输入、输出后，建立非温度敏感时段下的单层神经网络，其中lstm层网络堆叠层数为2，神经元数量设置为[10,10]，dense层输出设置为1，如图6所示。
[0103]
在确定了单层神经网络的具体结构后，使用非温度敏感时段内的训练集对单层神经网络进行训练。
[0104]
步骤7：得到预测的负荷预测结果。
[0105]
使用分层神经网络模型得到了待预测日温度敏感时段(即“虚拟天”h小时内)的归一化系统负荷，使用单层模型得到了待预测日非温度敏感时段的归一化系统负荷。将两者整合得到了待预测日全部时段的归一化系统负荷，使用归一化的数据对模型进行训练完成后，对预测结果进行反归一化，如式(6)所示。
[0106]
x＝x
min
+x
′
(x
max-x
min
)
ꢀꢀ
(12)
[0107]
其中，x
′
表示归一化数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值。
[0108]
依据以上的训练流程，得到了训练后的分层神经网络和单层神经网络，预测2019年12月24日至2019年12月30日的负荷，具体预测结果如图7所示。其中，部分预测结果如表6所示。
[0109]
表6部分预测结果
[0110][0111]
对预测结果进行统计分析，具体结果如表7所示。
[0112]
表7预测结果统计分析表
[0113][0114]
本发明解决了针对北方地区冬季电力负荷预测传统使用单层神经网络模型时无法突出温度的重要影响以及由于模型假设空间过大而引起的误差的问题，也解决了前续研究中的简单分层模型直接以全天为周期分析预测，无法区分一天内的温度敏感时段而引起的预测误差问题。其计算速度较快。
[0115]
传统的神经网络在结构上没有考虑到不同因素的区别，使得冬季最重要因素温度的重要性被忽略。针对冬季温度敏感负荷并不是全天出现的问题，本发明提出了一种找到冬季内温度敏感时段的方法并提出“虚拟天”的概念。针对“虚拟天”时段，本发明通过构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差量送入第二层，考虑其他非温度影响负荷的因素，实现对残差负荷的预测。最后整合两层的预测结果，完成北方地区冬季温度敏感时段的负荷预测。针对非温度敏感时段，本发明提出单层神经网络模型，直接考虑全部影响负荷的因素，完成非温度敏感时段的预测。整合温度敏感时段与非温度敏感时段的预测结果，完成了北方地区冬季全天的电力负荷预测。
[0116]
上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

技术特征：
1.一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型，其特征在于，包括以下步骤：步骤1：计算一天内不同时段下温度与负荷的相关性系数，用于确定北方地区冬季一天内电力负荷温度敏感时段；步骤2：在“虚拟天”时段内，建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量；步骤3：在“虚拟天”时段内，得到历史温度敏感趋势量和历史残差量；步骤4：在“虚拟天”时段内，建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用；步骤5：得到“虚拟天”时段内即温度敏感时段的负荷预测结果；步骤6：建立并训练非温度敏感时段下的单层神经网络；步骤7：得到预测的负荷预测结果。2.根据权利要求1所述的一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型，其特征在于，具体步骤如下：步骤1，具体如下：考虑到负荷与温度呈现的非线性特征，采用spearman相关性系数探究不同温度与负荷的相关性，计算方法如式(1)所示；其中，表示相关系数，t表示温度，l表示负荷，cov表示协方差运算，rank表示等级运算，σ表示方差运算；通过公式(1)计算不同时段和不同时长下的相关系数后，在不显著降低相关性情况下尽可能取更长时间的时段长度，将该时段的起始点定义为温度敏感时段的起始点，将其时长定义为h；并将一天内的温度敏感时段定义为“虚拟天”；并设计分层神经网络模型，将温度与其他因素的作用在不同层中进行处理，即所述的分层神经网络模型只采用“虚拟天”内的数据；一天内除虚拟天之外的时段，可直接采用单层神经网络反映全部各个因素的影响；步骤2，具体如下：分层神经网络模型的第一层神经网络需要探究温度与负荷之间的关系，即第一层神经网络模型需要实时以及前几日的温度数据作为模型的输入；采用bp神经网络，依据bp神经网络的特点获得第一层神经网络的输入和输出如式(2)所示；其中，t
i
表示待拟合负荷i-1天前的温度，c表示待拟合的温度趋势量，在训练中用系统负荷l代替，在输入到模型前还需要归一化处理，计算方式如式(3)所示；其中，x
′
表示归一化后的数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值；
在确定输入、输出后，建立分层神经网络模型中的第一层神经网络，其中输入层负责读入式(2)中的输入，bp神经网络堆叠层数设置为3，神经元个数设置为[100,100,100]，考虑五天内温度因素的变化，所以公式(2)中的i取5；步骤3，具体如下：将数据集划分为训练集及测试集，测试集用于验证模型的预测效果，将“虚拟天”时段内的数据成为“虚拟天”数据集，使用“虚拟天”时段内的训练集对步骤2建立的第一层神经网络进行训练，得到归一化的历史系统负荷中的历史温度敏感趋势量，再将归一化的历史系统负荷减去历史温度敏感趋势量可以得到历史残差量；步骤4，具体如下：第一层神经网络探究温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响；基于lstm神经网络搭建第二层神经网络，用来完成对残差负荷的预测；所述的第二层神经网络需要考虑除温度外的其他因素与负荷之间的关系，其中包括风力等非温度气象因素，历史负荷因素以及预测日类型因素；由于不同小时的负荷对于不同因素的关系不同，所以还需要引入小时作为输入；基于以上分析，依据lstm神经网络的特点建立第二层神经网络的输入和输出如式(4)所示；其中，所有的数据均来源于“虚拟天”数据集，r
i
表示待预测时间点h-1+i小时前的残差负荷，w
i
表示预测时间点i-1小时前的风速，h
i
表示待预测时间点i-1小时前小时数，表示待预测时间点i-1小时前的经过独热编码的星期数据，r表示待预测残差负荷；在确定输入、输出后，建立分层模型中的第二层神经网络，其中输入层负责读入式(4)中的输入，lstm层网络堆叠层数为2，神经元数量设置为[20,20]，dense层输出设置为1，考虑2天以内的因素，所以公式(4)中的i取26；在确定了第二层神经网络的具体结构后，对第二层神经网络进行训练；首先，采用训练集对第一层神经网络进行训练，所述第一层神经网络的训练集为“虚拟天”时段内的训练集；然后，得到第一层神经网络的训练结果后，加入第二层神经网络所需的输入如式(4)所示，得到第二层神经网络的训练集；最后，训练第二层神经网络；训练流程如图4所示；通过以上的训练流程后便可以得到训练好的第二层神经网络；步骤5，具体如下：使用第一层神经网络得到待预测日的温度趋势负荷，使用第二层神经网络得到待预测日的残差负荷；将两者相加得到了待预测日的温度敏感时段的归一化系统负荷；步骤6，具体如下：非温度敏感时段下使用神经网络模型进行负荷预测时直接考虑所有因素，建立lstm神
经网络的输入输出，如式(5)所示；其中，t
i
表示待拟合负荷i-1小时前的温度，l
i
表示待预测时间点23+i小时前的负荷，w
i
表示预测时间点i-1小时前的风速，h
i
表示待预测时间点i-1小时前小时数，表示待预测时间点i-1小时前的经过独热编码的星期数据，l表示待预测残差负荷；考虑所有五天内所有因素的变化，所以i取120；在确定模型考虑的因素后，建立lstm神经网络预测模型作为非温度敏感时段下的负荷预测模型；在确定输入、输出后，建立非温度敏感时段下的单层神经网络，其中lstm层网络堆叠层数为2，神经元数量设置为[10,10]，dense层输出设置为1；在确定单层神经网络的具体结构后，使用非温度敏感时段内的训练集对单层神经网络进行训练；步骤7，具体如下：使用分层神经网络模型得到了待预测日温度敏感时段的归一化系统负荷，使用单层模型得到了待预测日非温度敏感时段的归一化系统负荷；将两者整合得到了待预测日全部时段的归一化系统负荷，使用归一化的数据对模型进行训练完成后，对预测结果进行反归一化，如式(6)所示；x＝x
min
+x
′
(x
max-x
min
) (6)其中，x
′
表示归一化数据，x表示原始数据，x
min
、x
max
表示原始数据的最小值和最大值；在完成反归一化后，得到具体预测结果。

技术总结
一种含温度敏感负荷的北方地区冬季短期电力负荷预测模型，涉及一种短期负荷预测模型，并将其应用于冬季含温度敏感负荷的短期负荷预测领域。包括：首先，计算一天内不同时段下温度与负荷的相关性系数，用以明确北方地区冬季一天内电力负荷温度敏感时段。其次，在“虚拟天”时段内：建立第一层神经网络模型，用以分离和预测在温度敏感时段下系统负荷中的温度敏感趋势量；得到历史温度敏感趋势量和历史残差量；建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用。再次，得到“虚拟天”时段内即温度敏感时段的负荷预测结果，建立并训练非温度敏感时段下的单层神经网络。最后，得到预测的负荷预测结果。本发明计算速度较快；本发明思路简单、灵活，可以较大提升模型的预测精度。预测精度。预测精度。


技术研发人员：刘娆 鲍福增 常燕南 孙艺文 陈龙 王海霞 巴宇
受保护的技术使用者：大连理工大学
技术研发日：2023.07.14
技术公布日：2023/10/11