一种适用于偏远地区的电力负荷预测方法及计算设备与流程

1.本发明涉及能源电力领域，特别涉及一种适用于偏远地区的电力负荷预测方法、计算设备及存储介质。


背景技术：

2.随着可再生能源的开发，特别是风力发电机和光伏技术，发展潜力巨大，可以为偏远地区提供可靠电力。为了获得成本更低和可靠性更高的电网规划方案，优化设计是必不可少的。由于电力供应受需求状况的影响很大，因此负载是设计电力系统中影响最大的因素之一。
3.电力负荷作为电网规划运行研究的重要数据输入，对偏远地区电网的性能产生十分重要的影响，准确的负荷预测可以提高混合能源系统的运行效率。然而，目前对于电力负荷预测的方案，主要面向区域大多为工业园区或者城市，对于偏远地区关心较少，且在预测准确度上还存在一定缺陷。实际上，偏远地区地域广袤、区域地形复杂多样，是发展可再生能源，实现碳达峰、碳中和的重要地域。
4.因此，需要一种新的适用于偏远地区的电力负荷预测方法来优化处理。


技术实现要素：

5.为此，本发明提供一种适用于偏远地区的电力负荷预测方案，以力图解决或者至少缓解上面存在的问题。
6.根据本发明的一个方面，提供一种适用于偏远地区的电力负荷预测方法，该方法包括如下步骤：首先，对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据；将待输入负荷数据输入到训练好的神经网络模型中，以输出第一预测负荷数据；通过综合预测方式获取第二预测负荷数据；将第一预测负荷数据与第二预测负荷数据进行组合预测，以确定最终预测负荷数据。
7.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据的步骤，包括：将偏远地区的历史电力负荷数据进行矩阵化处理，以获取矩阵负荷数据；对矩阵负荷数据进行特征选择，以生成特征负荷数据；标准化特征负荷数据，以获取待输入负荷数据。
8.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，神经网络模型包括第一预测层和第二预测层，第一预测层的输入包括待输入负荷数据和第二预测层的输出，第一预测层的输出为第一预测负荷数据，第二预测层的输入包括待输入负荷数据和第一预测层的输出。
9.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，第一预测层和第二预测层均为多层感知机人工神经网络。
10.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，通过综合预测方式获取第二预测负荷数据的步骤，包括：对偏远地区的用户进行综合分析，以预测用户报
装负荷；通过自然增长率法预测出自然增长负荷；将用户报装负荷与自然增长负荷之和作为第二预测负荷数据。
11.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，对偏远地区的用户进行综合分析，以预测用户报装负荷的步骤，包括：对偏远地区的用户进行综合分析，以获取预计报装容量、负荷终期实用系数和负荷阶段系数；计算预计报装容量、负荷终期实用系数和负荷阶段系数的乘积，作为用户报装负荷。
12.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，将第一预测负荷数据与第二预测负荷数据进行组合预测，以确定最终预测负荷数据的步骤，包括：计算第一预测负荷数据和第二预测负荷数据的绝对差值；根据绝对差值与预设阈值的大小关系，确定最终预测负荷数据。
13.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，根据绝对差值与预设阈值的大小关系，确定最终预测负荷数据的步骤，包括：若绝对差值小于或等于预设阈值，则将第一预测负荷数据作为最终预测负荷数据。
14.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，根据绝对差值与预设阈值的大小关系，确定最终预测负荷数据的步骤，包括：若绝对差值大于预设阈值，则对第一预测负荷数据和第二预测负荷数据进行加权求和，以确定最终预测负荷数据。
15.可选地，在根据本发明的适用于偏远地区的电力负荷预测方法中，对第一预测负荷数据和第二预测负荷数据进行加权求和，以确定最终预测负荷数据的步骤，包括：根据第一预测负荷数据的第一预测误差和第二预测负荷数据的第二预测误差，生成最终预测负荷数据的方差表达式；对方差表达式引入拉格朗日乘子求极小值，以求解出第一预测负荷数据的第一权重系数和第二预测负荷数据的第二权重系数；通过第一权重系数和第二权重系数，计算第一预测负荷数据和第二预测负荷数据的加权和作为最终预测负荷数据。
16.根据本发明的又一个方面，提供了一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行如上所述的适用于偏远地区的电力负荷预测方法的指令。
17.根据本发明的又一个方面，提供了一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行如上所述的适用于偏远地区的电力负荷预测方法。
18.根据本发明的适用于偏远地区的电力负荷预测方案，对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据，将待输入负荷数据输入到训练好的神经网络模型中，以输出第一预测负荷数据，通过综合预测方式获取第二预测负荷数据，将第一预测负荷数据与第二预测负荷数据进行组合预测，以确定最终预测负荷数据。上述技术方案中，将神经网络预测和综合预测方式相结合，综合预测方式可采用自然增长率法与用户综合分析法组合的模式，可以更加准确地对偏远地区的电力负荷进行预测，准确的负荷预测可以提高混合能源系统的运行效率，从而为偏远地区的电网规划更好地提供支持。
附图说明
19.为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面
旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
20.图1示出了根据本发明一个实施例的计算设备100的结构框图；
21.图2示出了根据本发明一个实施例的适用于偏远地区的电力负荷预测方法200的流程图；以及
22.图3示出了根据本发明一个实施例的神经网络模型的结构示意图。
具体实施方式
23.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
24.图1示出了根据本发明一个实施例的计算设备100的结构框图。
25.如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
26.取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(up)、微控制器(uc)、数字信息处理器(dsp)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(alu)、浮点数单元(fpu)、数字信号处理核心(dsp核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
27.取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如ram)、非易失性存储器(诸如rom、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
28.计算设备100还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138。
29.计算设备100还可以包括储存接口总线134。储存接口总线134实现了从储存设备132(例如，可移除储存器136和不可移除储存器138)经由总线/接口控制器130到基本配置102的通信。操作系统120、应用122以及程序数据124的至少一部分可以存储在可移除储存器136和/或不可移除储存器138上，并且在计算设备100上电或者要执行应用122时，经由储存接口总线134而加载到系统存储器106中，并由一个或者多个处理器104来执行。
30.计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个a/v端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个i/o端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸
输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
31.网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中以编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(rf)、微波、红外(ir)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
32.计算设备100可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备100也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(pda)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。甚至可以被实现为服务器，如文件服务器、数据库服务器、应用程序服务器和web服务器等。本发明的实施例对此均不做限制。
33.在根据本发明的实施例中，计算设备100被配置为执行根据本发明的适用于偏远地区的电力负荷预测方法200。其中，布置在操作系统上的应用122中包含用于执行方法200的多条程序指令，这些程序指令可以指示处理器104执行本发明的方法200，以便计算设备200通过执行本发明的方法200来对偏远地区进行电力负荷预测。
34.图2示出了根据本发明一个实施例的适用于偏远地区的电力负荷预测方法200的流程图。适用于偏远地区的电力负荷预测方法200可以在计算设备(例如前述计算设备100)中执行。
35.如图2所示，方法200始于步骤s210。在步骤s210中，对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据。
36.偏远地区是指位于城乡区域末端，经济、人口、生产建设相对落后的地区。偏远地区由于地理因素限制，单个地区人口数量一般不多，基本维持平稳增长的局面，且居民居住分散，人口密度小，经济相对落后，通常以传统的农业生产为主。
37.根据本发明的一个实施例，可以通过如下方式对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据。首先，将偏远地区的历史电力负荷数据进行矩阵化处理，以获取矩阵负荷数据，再对矩阵负荷数据进行特征选择，以生成特征负荷数据，标准化特征负荷数据，以获取待输入负荷数据。
38.在该实施方式中，历史电力负荷数据为历史日负荷数据，矩阵化处理后得到的矩阵负荷数据可以如下公式表示：
39.40.其中，l表示矩阵负荷数据，l
d-d
(d＝1,2,
…
,1699)表示d天前的负荷需求，矩阵中的每一行都可以看成一个变量。对矩阵负荷数据进行特征选择时，即是从这些变量中选择出重要的变量作为特征数据，以生成特征负荷数据。
41.根据本发明的一个实施例，可通过统计相关性和互信息两种方法来进行特征选择，此处暂且不表，待后续涉及神经网络模型训练的部分一并说明。对特征负荷数据采用离差标准化(min-max normalization)进行线性变换，使结果落到[0,1]区间，以获取待输入负荷数据。
[0042]
随后，进入步骤s220，将待输入负荷数据输入到训练好的神经网络模型中，以输出第一预测负荷数据。图3示出了根据本发明一个实施例的神经网络模型的结构示意图。如图3所示，神经网络模型包括第一预测层和第二预测层，第一预测层的输入包括待输入负荷数据和第二预测层的输出，第一预测层的输出为第一预测负荷数据，第二预测层的输入包括待输入负荷数据和第一预测层的输出。其中，第一预测层和第二预测层均为多层感知机人工神经网络(mlp-ann，multi-layer perceptron-artificial neural network)。
[0043]
对于mlp-ann来说，其一般包括输入层、隐藏层和输出层三层。隐藏层是存在多个神经元(即节点)的层，输入层和输出层中的神经元数量通常分别根据所需的输入和输出变量确定。在该实施方式中，隐藏层的神经元数量为12。输入层的所有神经元都被求和，并为隐藏层神经元提供输入。输出层的输出给出了预测负荷，即随后几天的负荷参数。mlp-ann中每个神经元都具有接收输入、处理和提供输出的特性，且均分配有一个权重向量，以将其连接到后续层中的所有神经元。
[0044]
在将神经网络模型应用于预测之前，需要通过训练数据集对其进行训练，以便在第一预测层和第二预测层之间的预测误差满足一定标准，方可停止迭代训练，否则继续重复迭代过程。训练数据集包括总数据集中86％的数据，剩余数据作为测试数据集和验证数据集。
[0045]
在使用训练数据集对神经网络模型训练之前，还需要对训练数据集进行相应的预处理，以得到适于训练的标准数据集。这一标准数据集的获取方式，可参照步骤s210中涉及预处理的过程，即先将训练数据集进行矩阵化处理，以获取矩阵数据集，然后对矩阵数据集进行特征选择，以生成特征数据集，再标准化特征数据集，以获取标准数据集。
[0046]
关于统计相关性和互信息两种方法，是通过特征选择确定哪些变量对预测值产生影响，从而提取这些变量来降低数据的维度。这相当于先用特征选择过程对矩阵化的数据进行过滤，再对过滤后的数据进行标准化处理，以便后续训练模型。
[0047]
统计相关性是统计学中的一个概念，用于衡量一个特征值的趋势与过去实际值的趋势的吻合程度。相关系数是介于-1和1之间的数字。如果特征值与过去值之间没有关系，则相关系数为0或非常低。随着特征值与过去值之间关系强度的增加，相关系数也会增加。完美拟合给出的相关系数为1。因此，相关系数越高，用作mlp-ann输入的品质等级就越大。这项工作的优点之一是消除了无效的输入参数，并且人工神经网络架构将更小、更简单。
[0048]
对变量a和变量b而言，具有各自的期望值μa和μb，以及标准差σa和σb，则总体相关系数corr(a,b)可以如下公式表示：
[0049][0050]
其中，cov表示协方差，e表示期望值，总体相关系数corr(a,b)主要用于衡量线性相关程度。
[0051]
互信息的作用与统计相关性的作用类似，只是采用的不同方法。互信息是从高维数据集中选择一小组具有相关特征数据的方法。此过程涉及对每对变量之间以及每个变量与类标签之间关系的一系列估计。基于互信息的预测被广泛用于特征选择方法的开发。使用互信息估计两个变量之间的依赖关系的优点是它不仅可以测量线性或单调关系，还可以测量其他更复杂的非线性关系。
[0052]
对两个随机离散变量x和y的互信息i(x；y)可以如下公式表示：
[0053][0054]
其中，p(x,y)表示x和y的联合概率分布函数，p(x)和p(y)分别表示x和y的边际概率分布函数。当x和y为连续随机变量时，互信息i(x；y)由式(3)中的求和变为以下定二重积分：
[0055][0056]
其中，p(x,y)表示x和y的联合概率密度函数，而p(x)和p(y)分别表示x和y的边际概率密度函数。
[0057]
在步骤s230中，通过综合预测方式获取第二预测负荷数据。根据本发明的一个实施例，可采用如下方式来获取第二预测负荷数据。先对偏远地区的用户进行综合分析，以预测用户报装负荷，再通过自然增长率法预测出自然增长负荷，将用户报装负荷与自然增长负荷之和作为第二预测负荷数据。
[0058]
由于用户的发展方向体现了宏观经济的发展趋势、国家和地区的经济政策、地区经济的产业结构特点、地区阶段性的资源优势(能源、矿产、土地、运输、水资源等)，因此某一地区新增用户集中代表了该地区经济发展的热点和特点，是宏观经济发展过程中矛盾的特别性的体现。那么，在预测用户报装负荷时，要以用户的发展信息为基础，先对偏远地区的用户进行综合分析，以获取预计报装容量、负荷终期实用系数和负荷阶段系数，进而计算预计报装容量、负荷终期实用系数和负荷阶段系数的乘积，作为用户报装负荷。
[0059]
在该实施方式中，用户报装负荷p
报装负荷
的具体计算公式如下：
[0060]
p
报装负荷
＝p
报装容量
×
λ
实用系数
×
β
阶段系数
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0061]
其中，p
报装容量
为预计报装容量，λ
实用系数
为负荷终期实用系数，β
阶段系数
为负荷阶段系数。
[0062]
假定负荷与历史数据增长形式相同，求出平均比例系数可预测发展趋势。假设当年年份为τb，则第一季度平均峰值功率为初始年份为τa，则第一季度平均峰值功率为那么，从初始年份到当前年份第一季度平均峰值功率的平均增长率k为：
[0063][0064]
由此预测第m年的一季度平均峰值功率为：
[0065][0066]
以上即为自然增长率法的预测原理，以p
自然增长负荷
表示通过自然增长率法预测出的自然增长负荷，以f1和f2分别表示第一预测负荷数据和第二预测负荷数据，则对第二预测负荷数据f2而言，其值为：
[0067]
f2＝p
自然增长负荷
p
报装负荷
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0068]
最后，执行步骤s240，将第一预测负荷数据与第二预测负荷数据进行组合预测，以确定最终预测负荷数据。根据本发明的一个实施例，可通过如下方式来确定最终预测负荷数据。先计算第一预测负荷数据和第二预测负荷数据的绝对差值，而后根据绝对差值与预设阈值的大小关系，确定最终预测负荷数据。
[0069]
在该实施方式中，若绝对差值小于或等于预设阈值，则将第一预测负荷数据作为最终预测负荷数据，若绝对差值大于预设阈值，则对第一预测负荷数据和第二预测负荷数据进行加权求和，以确定最终预测负荷数据。
[0070]
令σ为预设阈值(即两次预测结果的算术平均值的2％)，则当f1和f2之间的绝对差值小于或等于σ时，最终预测负荷数据f＝f1，当f1和f2之间的绝对差值大于σ时，需要采用f1和f2加权求和的方式(即方差-协方差优选组合预测法)对最终预测负荷数据f进行确定。
[0071]
根据本发明的一个实施例，可通过如下方式对第一预测负荷数据和第二预测负荷数据进行加权求和，以确定最终预测负荷数据。根据第一预测负荷数据的第一预测误差和第二预测负荷数据的第二预测误差，生成最终预测负荷数据的方差表达式，对方差表达式引入拉格朗日乘子求极小值，以求解出第一预测负荷数据的第一权重系数和第二预测负荷数据的第二权重系数，通过第一权重系数和第二权重系数，计算第一预测负荷数据和第二预测负荷数据的加权和作为最终预测负荷数据。
[0072]
令f＝ω1f1 ω2f2，其中，ω1为第一预测负荷数据f1的第一权重系数，ω2为第二预测负荷数据f2的第二权重系数。
[0073]
假设第一预测负荷数据f1的第一预测误差为e1，第二预测负荷数据f2的第二预测误差为e2，要求f是无偏差的，则f的预测误差e为：
[0074]
e＝ω1e1 ω2e2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0075]
因为e1和e2彼此间相互独立，最终预测负荷数据f的方差表达式var(e)为：
[0076][0077]
其中，var(e1)、var(e2)分别表示f1、f2的方差。
[0078]
记var(ei)＝σ
ii
，其中，ei为预测结果fi的预测误差，var(ei)表示fi的方差，在约束ωi＝1的条件下，对var(e)引入拉格朗日乘子求极小值，可得：
[0079]
[0080][0081]
其中，ωi为预测结果fi的权重系数，σ
ii
、σ
11
、σ
22
分别表示fi、f1、f2的方差。
[0082]
e1和e2服从零均值正态分布，σ
ii
的估计值可由下式确定：
[0083][0084]
其中，e
it
为预测结果fi第t个数据的预测结果误差，n为历史数据数目。
[0085]
由此可得出第一权重系数和第二权重系数的估计式为：
[0086][0087]
其中，为ωi的估计值，e
jt
为预测结果fj第t个数据的预测结果误差。
[0088]
即，为第一权重系数ω1的估计值，为第二权重系数ω2的估计值，进而可以代替ω1、代替ω2来计算最终预测负荷数据f。
[0089]
根据本发明实施例的适用于偏远地区的电力负荷预测方案，对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据，将待输入负荷数据输入到训练好的神经网络模型中，以输出第一预测负荷数据，通过综合预测方式获取第二预测负荷数据，将第一预测负荷数据与第二预测负荷数据进行组合预测，以确定最终预测负荷数据。上述技术方案中，将神经网络预测和综合预测方式相结合，综合预测方式可采用自然增长率法与用户综合分析法组合的模式，可以更加准确地对偏远地区的电力负荷进行预测，准确的负荷预测可以提高混合能源系统的运行效率，从而为偏远地区的电网规划更好地提供支持。
[0090]
a9、如a7或a8所述的方法，其中，所述根据所述绝对差值与预设阈值的大小关系，确定最终预测负荷数据的步骤，包括：若所述绝对差值大于预设阈值，则对所述第一预测负荷数据和所述第二预测负荷数据进行加权求和，以确定最终预测负荷数据。
[0091]
a10、如a9所述的方法，其中，所述对所述第一预测负荷数据和所述第二预测负荷数据进行加权求和，以确定最终预测负荷数据的步骤，包括：根据所述第一预测负荷数据的第一预测误差和所述第二预测负荷数据的第二预测误差，生成最终预测负荷数据的方差表达式；对所述方差表达式引入拉格朗日乘子求极小值，以求解出所述第一预测负荷数据的第一权重系数和所述第二预测负荷数据的第二权重系数；通过所述第一权重系数和所述第二权重系数，计算所述第一预测负荷数据和所述第二预测负荷数据的加权和作为最终预测负荷数据。
[0092]
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、u盘、软盘、cd-rom或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
[0093]
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的适用于偏远地区的电力负荷预测方法。
[0094]
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
[0095]
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0096]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0097]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0098]
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
[0099]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0100]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0101]
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
[0102]
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
[0103]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

技术特征：
1.一种适用于偏远地区的电力负荷预测方法，包括：对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据；将所述待输入负荷数据输入到训练好的神经网络模型中，以输出第一预测负荷数据；通过综合预测方式获取第二预测负荷数据；将所述第一预测负荷数据与所述第二预测负荷数据进行组合预测，以确定最终预测负荷数据。2.如权利要求1所述的方法，所述对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据的步骤，包括：将偏远地区的历史电力负荷数据进行矩阵化处理，以获取矩阵负荷数据；对所述矩阵负荷数据进行特征选择，以生成特征负荷数据；标准化所述特征负荷数据，以获取待输入负荷数据。3.如权利要求1或2所述的方法，其中所述神经网络模型包括第一预测层和第二预测层，所述第一预测层的输入包括所述待输入负荷数据和所述第二预测层的输出，所述第一预测层的输出为所述第一预测负荷数据，所述第二预测层的输入包括所述待输入负荷数据和所述第一预测层的输出。4.如权利要求3所述的方法，所述第一预测层和所述第二预测层均为多层感知机人工神经网络。5.如权利要求1-4中任一项所述的方法，其中，所述通过综合预测方式获取第二预测负荷数据的步骤，包括：对所述偏远地区的用户进行综合分析，以预测用户报装负荷；通过自然增长率法预测出自然增长负荷；将所述用户报装负荷与所述自然增长负荷之和作为第二预测负荷数据。6.如权利要求5所述的方法，其中，所述对所述偏远地区的用户进行综合分析，以预测用户报装负荷的步骤，包括：对所述偏远地区的用户进行综合分析，以获取预计报装容量、负荷终期实用系数和负荷阶段系数；计算所述预计报装容量、所述负荷终期实用系数和所述负荷阶段系数的乘积，作为用户报装负荷。7.如权利要求1-6中任一项所述的方法，其中，所述将所述第一预测负荷数据与所述第二预测负荷数据进行组合预测，以确定最终预测负荷数据的步骤，包括：计算所述第一预测负荷数据和所述第二预测负荷数据的绝对差值；根据所述绝对差值与预设阈值的大小关系，确定最终预测负荷数据。8.如权利要求7所述的方法，其中，所述根据所述绝对差值与预设阈值的大小关系，确定最终预测负荷数据的步骤，包括：若所述绝对差值小于或等于预设阈值，则将所述第一预测负荷数据作为最终预测负荷数据。9.一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，所述程序指令被配置为适于由所述至少一个处理器执
行，所述程序指令包括用于执行如权利要求1-8中任一项所述的方法的指令。10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-8中任一项所述方法。

技术总结
本发明公开了一种适用于偏远地区的电力负荷预测方法、计算设备及存储介质，该方法包括：对偏远地区的历史电力负荷数据进行预处理，以获取待输入负荷数据；将待输入负荷数据输入到训练好的神经网络模型中，以输出第一预测负荷数据；通过综合预测方式获取第二预测负荷数据；将第一预测负荷数据与第二预测负荷数据进行组合预测，以确定最终预测负荷数据。以确定最终预测负荷数据。以确定最终预测负荷数据。


技术研发人员：赵海波 申泽渊 胡恩德 吴建斌 宋巍 邢亚虹 李琦 张知 宋晓俊 段惠 张翔宇
受保护的技术使用者：国网山西省电力公司经济技术研究院
技术研发日：2022.01.29
技术公布日：2022/5/25