技术摘要：
本发明涉及一种计及疫情事件的电力负荷预测方法，其包括如下步骤：（1）构建反应疫情事件发展态势及气象的特征工程；（2）建立负荷预测模型；（3）使用原始数据对预测模型进行训练，就梯度下降法求解。本发明可实时调整、自主学习且适应性强、预测精度高。
背景技术：
电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电 力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负 荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划 和运行提供可靠的决策依据。 电力负荷预测是一项重要的日常工作，精准预测负荷可以提高输配电网运行的安 全性、可靠性和经济性。传统电力负荷预测主要基于同期负荷数据，在此基础上进行短期、 周期性的预测。 在发生疫情事件时，社会生产与人民生活受到巨大影响，同时将对电力负荷产生 较大影响，由于同期数据不具备疫情事件发生时的特征，基于此开展的预测结果准确性将 大大下降，需将疫情事件纳入负荷预测考虑因素，以提升预测准确性，确保电力系统安全可 靠。 综合国内外对电力系统负荷预测方面的研究，主要采用的预测方法为：经典方法、 传统方法和智能方法三大类。 经典预测方法通常是依靠专家的经验或一些简单变量之间的相互关系对未来负 荷值作出一个方向性的结论，主要分为单耗法、电力弹性系数法、负荷密度法、分类负荷预 测法和人均电量法。 传统预测方法包括增长曲线方法、回归分析法及时间序列分析法，起哄回归分析 法和时间序列法基本上都是属于概率统计的方法。 智能预测方法不需要事先知道过程模型的结构和参数的相关先验知识，也不必通 过复杂的系统辨识来建立过程数学模型，较适合应用于存在非线性、多变量、时变、不确定 的电力负荷预测。智能预测方法主要包括专家系统法、人工神经网络法、模糊预测法、灰色 理论预测法和综合预测模型法。 电力负荷预测的实质就是利用以往的数据资料找出负荷变化的规律，从而对未来 负荷的变化及状态做出预测。进行电力负荷预测时，如果仅以某种简单的关系去反应电力 负荷与其影响因素(如气象、环境、经济等)之间的关系，会使得预测结果与实际偏离较远， 如果建立模型，又由于各自模型本身因含有不定因素而导致其存在大小不同的误差。 随着计算机技术的迅速发展，使大量复杂的、用人工方法难以实现的预测方法的 采用成为可能，而且负荷预测的手段也逐渐发展为运用软件预测，使得负荷预测的方法和 手段大为增加，但要做到准确的预测仍存在着很大的问题。 4 CN 111598328 A 说 明 书 2/8 页
技术实现要素：
本发明的目的是提供一种可实时调整、自主学习、适应性强、预测精度高的计及疫 情事件的电力负荷预测方法。 本发明采用如下技术方案： 一种计及疫情事件的电力负荷预测方法，其包括如下步骤： (1)构建反应疫情事件发展态势及气象的特征工程； (2)建立负荷预测模型； (3)使用原始数据对预测模型进行训练，就梯度下降法求解。 其中，步骤(1)中，反应气象的特征工程包括日温度极值平均值、日最大湿度与日 降水量二次项、历史平均温度、历史日最大湿度与日降水量二次项、温度累计效应、日最大 湿度与日降水量二次项累计效应、温度差分、日最大湿度与日降水量二次项差分。 其中，所述温度差分通过式(1)计算： Tdiff-n＝Tavg-Tavg-n (1) 式(1)中：Tavg为当日平均温度，Tavg-n为前n日平均温度； 一般的，n＝1，2，3； 所述日最大湿度与日降水量二次项差分通过式(2)计算： Rdiff-n＝R-R-n (2) 式(2)中：R为当日平均温度，R-n为前n日最大湿度与日降水量二次项； 一般的，n＝1，2，3。 其中，所述日最大湿度与日降水量二次项通过式(3)计算： R＝Hmax·Rain (3) 式(3)中：Hmax当日最大湿度，Rain为当日降水量； 所述历史日最大湿度与日降水量二次项通过式(4)计算： R-n＝Hmax-n·Rain-n (4) 式(4)中：Hmax-n为前第n日最大湿度，Rain-n为前第n日降水量； 一般的，n＝1，2，3。 其中，所述温度累计效应通过式(5)计算： Tcum＝∑Tavg-n (5) 式(5)中：Tavg-n为前n日平均温度。 一般的，n＝3。 所述日最大湿度与日降水量二次项累计效应通过式(6)计算： Rcum＝∑R-n (6) 式(6)中：R-n为前n日最大湿度与日降水量二次项。 一般的，n＝3。 其中，步骤(1)中，反应疫情事件发展态势的特征工程为疫情数据特征工程，包括 日均确诊、日均治愈、历史确诊累积影响、历史治愈累积影响、累计确诊与当日确诊二次项、 累计确诊与现有确诊二次项、当日确诊与现有确诊二次项、当日确诊差分。 其中，所述当日确诊差分通过式(7)计算： Ctoddiff-n＝Ctod-Ctod-n (9) 5 CN 111598328 A 说 明 书 3/8 页 式(7)中：Ctod为当日确诊数，Ctod-n为前第n日确诊数。 一般的，n＝1，2，3。 其中，所述累计确诊与当日确诊二次项通过式(8)计算： Ctd＝Tcon·Ctod (10) 式(8)中：Tcon为累计确诊数，Ctod为当日确诊数； 所述累计确诊与现有确诊二次项通过式(9)计算： Cte＝Tcon·Econ (11) 式(9)中：Tcon为累计确诊数，Econ为现有确诊数； 所述当日确诊与现有确诊二次项通过式(10)计算： Cde＝Ctod·Econ (12) 式(10)中：Ctod为当日确诊数，Econ为现有确诊数。 其中，所述历史确诊累积影响通过式(11)计算： Concum＝∑Ctod-n (13) 式(11)中：Ctod-n为前第n日确诊数； 一般的，n＝3； 所述历史治愈累积影响通过式(12)计算 Curcum＝∑Curtod-n (14) 式(12)中：Curtod-n为前第n日治愈数； 一般的，n＝3。 其中，步骤(2)中，利用人工神经网络方法建立负荷预测模型。 本发明的有益效果在于：本发明适用于发生疫情事件情况下，电力负荷预测。基于 疫情事件数据、气象数据、负荷数据，建立相关影响数据的特征工程，从多维度反映疫情发 展情况，并将其作为人工神经网络的输入，以电力负荷数据作为目标数据，建立神经网络负 荷预测模型，实现短期负荷预测，提升预测精度。 本发明引入疫情数据，构建能够反映疫情发展程度的特征工程，综合考虑气象因 素，利用人工神经网络建立负荷预测模型，具有实时调整、自主学习、适应性强的特点，通过 调整神经网络模型参数，能够不断提升预测精度。同时，以此方法为基础，可以适用于其他 公共事件发生时的电力负荷预测。
本发明涉及一种计及疫情事件的电力负荷预测方法，其包括如下步骤：（1）构建反应疫情事件发展态势及气象的特征工程；（2）建立负荷预测模型；（3）使用原始数据对预测模型进行训练，就梯度下降法求解。本发明可实时调整、自主学习且适应性强、预测精度高。
背景技术：
电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电 力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负 荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划 和运行提供可靠的决策依据。 电力负荷预测是一项重要的日常工作，精准预测负荷可以提高输配电网运行的安 全性、可靠性和经济性。传统电力负荷预测主要基于同期负荷数据，在此基础上进行短期、 周期性的预测。 在发生疫情事件时，社会生产与人民生活受到巨大影响，同时将对电力负荷产生 较大影响，由于同期数据不具备疫情事件发生时的特征，基于此开展的预测结果准确性将 大大下降，需将疫情事件纳入负荷预测考虑因素，以提升预测准确性，确保电力系统安全可 靠。 综合国内外对电力系统负荷预测方面的研究，主要采用的预测方法为：经典方法、 传统方法和智能方法三大类。 经典预测方法通常是依靠专家的经验或一些简单变量之间的相互关系对未来负 荷值作出一个方向性的结论，主要分为单耗法、电力弹性系数法、负荷密度法、分类负荷预 测法和人均电量法。 传统预测方法包括增长曲线方法、回归分析法及时间序列分析法，起哄回归分析 法和时间序列法基本上都是属于概率统计的方法。 智能预测方法不需要事先知道过程模型的结构和参数的相关先验知识，也不必通 过复杂的系统辨识来建立过程数学模型，较适合应用于存在非线性、多变量、时变、不确定 的电力负荷预测。智能预测方法主要包括专家系统法、人工神经网络法、模糊预测法、灰色 理论预测法和综合预测模型法。 电力负荷预测的实质就是利用以往的数据资料找出负荷变化的规律，从而对未来 负荷的变化及状态做出预测。进行电力负荷预测时，如果仅以某种简单的关系去反应电力 负荷与其影响因素(如气象、环境、经济等)之间的关系，会使得预测结果与实际偏离较远， 如果建立模型，又由于各自模型本身因含有不定因素而导致其存在大小不同的误差。 随着计算机技术的迅速发展，使大量复杂的、用人工方法难以实现的预测方法的 采用成为可能，而且负荷预测的手段也逐渐发展为运用软件预测，使得负荷预测的方法和 手段大为增加，但要做到准确的预测仍存在着很大的问题。 4 CN 111598328 A 说 明 书 2/8 页
技术实现要素：
本发明的目的是提供一种可实时调整、自主学习、适应性强、预测精度高的计及疫 情事件的电力负荷预测方法。 本发明采用如下技术方案： 一种计及疫情事件的电力负荷预测方法，其包括如下步骤： (1)构建反应疫情事件发展态势及气象的特征工程； (2)建立负荷预测模型； (3)使用原始数据对预测模型进行训练，就梯度下降法求解。 其中，步骤(1)中，反应气象的特征工程包括日温度极值平均值、日最大湿度与日 降水量二次项、历史平均温度、历史日最大湿度与日降水量二次项、温度累计效应、日最大 湿度与日降水量二次项累计效应、温度差分、日最大湿度与日降水量二次项差分。 其中，所述温度差分通过式(1)计算： Tdiff-n＝Tavg-Tavg-n (1) 式(1)中：Tavg为当日平均温度，Tavg-n为前n日平均温度； 一般的，n＝1，2，3； 所述日最大湿度与日降水量二次项差分通过式(2)计算： Rdiff-n＝R-R-n (2) 式(2)中：R为当日平均温度，R-n为前n日最大湿度与日降水量二次项； 一般的，n＝1，2，3。 其中，所述日最大湿度与日降水量二次项通过式(3)计算： R＝Hmax·Rain (3) 式(3)中：Hmax当日最大湿度，Rain为当日降水量； 所述历史日最大湿度与日降水量二次项通过式(4)计算： R-n＝Hmax-n·Rain-n (4) 式(4)中：Hmax-n为前第n日最大湿度，Rain-n为前第n日降水量； 一般的，n＝1，2，3。 其中，所述温度累计效应通过式(5)计算： Tcum＝∑Tavg-n (5) 式(5)中：Tavg-n为前n日平均温度。 一般的，n＝3。 所述日最大湿度与日降水量二次项累计效应通过式(6)计算： Rcum＝∑R-n (6) 式(6)中：R-n为前n日最大湿度与日降水量二次项。 一般的，n＝3。 其中，步骤(1)中，反应疫情事件发展态势的特征工程为疫情数据特征工程，包括 日均确诊、日均治愈、历史确诊累积影响、历史治愈累积影响、累计确诊与当日确诊二次项、 累计确诊与现有确诊二次项、当日确诊与现有确诊二次项、当日确诊差分。 其中，所述当日确诊差分通过式(7)计算： Ctoddiff-n＝Ctod-Ctod-n (9) 5 CN 111598328 A 说 明 书 3/8 页 式(7)中：Ctod为当日确诊数，Ctod-n为前第n日确诊数。 一般的，n＝1，2，3。 其中，所述累计确诊与当日确诊二次项通过式(8)计算： Ctd＝Tcon·Ctod (10) 式(8)中：Tcon为累计确诊数，Ctod为当日确诊数； 所述累计确诊与现有确诊二次项通过式(9)计算： Cte＝Tcon·Econ (11) 式(9)中：Tcon为累计确诊数，Econ为现有确诊数； 所述当日确诊与现有确诊二次项通过式(10)计算： Cde＝Ctod·Econ (12) 式(10)中：Ctod为当日确诊数，Econ为现有确诊数。 其中，所述历史确诊累积影响通过式(11)计算： Concum＝∑Ctod-n (13) 式(11)中：Ctod-n为前第n日确诊数； 一般的，n＝3； 所述历史治愈累积影响通过式(12)计算 Curcum＝∑Curtod-n (14) 式(12)中：Curtod-n为前第n日治愈数； 一般的，n＝3。 其中，步骤(2)中，利用人工神经网络方法建立负荷预测模型。 本发明的有益效果在于：本发明适用于发生疫情事件情况下，电力负荷预测。基于 疫情事件数据、气象数据、负荷数据，建立相关影响数据的特征工程，从多维度反映疫情发 展情况，并将其作为人工神经网络的输入，以电力负荷数据作为目标数据，建立神经网络负 荷预测模型，实现短期负荷预测，提升预测精度。 本发明引入疫情数据，构建能够反映疫情发展程度的特征工程，综合考虑气象因 素，利用人工神经网络建立负荷预测模型，具有实时调整、自主学习、适应性强的特点，通过 调整神经网络模型参数，能够不断提升预测精度。同时，以此方法为基础，可以适用于其他 公共事件发生时的电力负荷预测。
