一种短期负荷预测方法及装置

摘要

本申请公开了一种短期负荷预测方法及装置，用于解决现有的负荷预测技术选取的预测指标不具有代表性，预测手段缺乏针对性，导致预测结果偏差较大的技术问题。方法具体包括：获取短期日期属性，短期日期属性包括时间属性和周属性；若根据短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；若根据短期日期属性判断当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据。

权利要求

1.一种短期负荷预测方法，其特征在于，包括：

获取短期日期属性，所述短期日期属性包括时间属性和周属性；

所述获取短期日期属性的步骤，包括：

获取当前日的年月日、时分秒和星期几的日期属性以及获取当前日前预置天时间属性和周属性；

若根据所述短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；

所述若根据所述短期日期属性判断当前日为节假日，则基于节日关联性规则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据的步骤，包括：若根据所述短期日期属性判断当前日为节假日，则获取多个历史年份的与所述当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，所述历史关联日负荷数据为历史节假日前预置天不同时刻的负荷数据；

根据预置历史转供电信息表剔除包括转供电操作的历史年份对应的所述历史关联日负荷数据和所述历史节假日负荷数据，得到筛选历史负荷数据集；

若所述筛选历史负荷数据集为非空集，则根据所述历史关联日负荷数据和所述当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述历史节假日负荷数据；

根据所述最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述当前节假关联日负荷数据计算不同时刻对应的历史时刻平滑值和当前时刻平滑值；

通过所述历史时刻平滑值、所述历史节假日负荷数据和所述当前时刻平滑值预测当前节假日负荷数据；

若根据所述短期日期属性判断所述当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据；

所述若根据所述短期日期属性判断所述当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据的步骤，包括：若根据所述短期日期属性判断所述当前日为非节假日，则获取所述当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据；

根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据计算温度与负荷的相关性；

若所述相关性大于相关阈值，则根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据构建预置时序特征向量；

根据所述历史关联时刻点负荷数据判断负荷是否存在预置负荷波动情况，若是，则采用预置短步长预测模型根据所述预置时序特征向量进行负荷预测，得到当前日负荷数据；

若否，则采用预置长步长预测模型根据所述预置时序特征向量进行负荷预测，得到所述当前日负荷数据；

所述预置步长预测模型包括所述预置短步长预测模型和所述预置长步长预测模型。

2.根据权利要求1所述的短期负荷预测方法，其特征在于，所述若所述筛选历史负荷数据集为非空集，则根据所述历史关联日负荷数据和所述当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述历史节假日负荷数据，还包括：若所述筛选历史负荷数据集为空集，则获取最近历史年份的与所述当前日类型不相同的历史节假日各个时刻的历史节假日负荷数据，并作均值计算，得到当前节假日负荷数据。

3.根据权利要求1所述的短期负荷预测方法，其特征在于，所述获取多个历史年份的与所述当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，之后还包括：根据所述当前日的节假日类型对所述历史负荷数据集中的所述历史关联日负荷数据和所述历史节假日负荷数据作节假日对齐操作。

4.根据权利要求1所述的短期负荷预测方法，其特征在于，所述若所述相关性大于相关阈值，则根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据构建预置时序特征向量，还包括：若所述相关性小于所述相关阈值，则根据所述历史关联时刻点负荷数据构建所述预置时序特征向量。

5.根据权利要求1所述的短期负荷预测方法，其特征在于，所述若根据所述短期日期属性判断所述当前日为非节假日，则获取所述当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据，之后还包括：对历史关联时刻点温度和历史关联时刻点负荷数据作预置数据处理，所述预置数据处理包括数据填充、数据替换和数据关联建立。

6.一种短期负荷预测装置，其特征在于，包括：

日期获取模块，用于获取短期日期属性，所述短期日期属性包括时间属性和周属性；

所述获取短期日期属性的步骤，包括：

获取当前日的年月日、时分秒和星期几的日期属性以及获取当前日前预置天时间属性和周属性；

节假日预测模块，用于若根据所述短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；

非节假日预测模块，用于若根据所述短期日期属性判断所述当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据；

所述节假日预测模块，包括：

第一负荷获取子模块，用于若根据所述短期日期属性判断当前日为节假日，则获取多个历史年份的与所述当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，所述历史关联日负荷数据为历史节假日前预置天不同时刻的负荷数据；

负荷剔除子模块，用于根据预置历史转供电信息表剔除包括转供电操作的历史年份对应的所述历史关联日负荷数据和所述历史节假日负荷数据，得到筛选历史负荷数据集；

第一相似计算子模块，用于若所述筛选历史负荷数据集为非空集，则根据所述历史关联日负荷数据和所述当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述历史节假日负荷数据；

平滑值计算子模块，用于根据所述最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述当前节假关联日负荷数据计算不同时刻对应的历史时刻平滑值和当前时刻平滑值；

节假日预测子模块，用于通过所述历史时刻平滑值、所述历史节假日负荷数据和所述当前时刻平滑值预测当前节假日负荷数据；

所述非节假日预测模块，包括：

第二负荷获取子模块，用于若根据所述短期日期属性判断所述当前日为非节假日，则获取所述当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据；

第二相似计算子模块，用于根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据计算温度与负荷的相关性；

特征向量构建子模块，用于若所述相关性大于相关阈值，则根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据构建预置时序特征向量；

第一非节假日预测子模块，用于根据所述历史关联时刻点负荷数据判断负荷是否存在预置负荷波动情况，若是，则采用预置短步长预测模型根据所述预置时序特征向量进行负荷预测，得到当前日负荷数据；

第二非节假日预测子模块，用于若否，则采用预置长步长预测模型根据所述预置时序特征向量进行负荷预测，得到所述当前日负荷数据；

所述预置步长预测模型包括所述预置短步长预测模型和所述预置长步长预测模型。

说明书

一种短期负荷预测方法及装置

技术领域

[0001] 本申请涉及负荷预测技术领域，尤其涉及一种短期负荷预测方法及装置。

背景技术

[0002] 目前短期负荷预测方案多是将节假日和非节假日分开预测，其中节假日预测一般采用聚类等方式选取气象相似日，根据气象相似日的负荷预测未来负荷值，该方法基本假设是外界气象条件等影响因素比较相似的两天，其负荷特性和曲线形状上也大致相似，基于这一假设选取气象相似日作为参考得到节假日预测曲线。非节假日一般假设为负荷具有周期性变化规律且趋势较稳定，常采用支持向量机等预测方法进行预测。

[0003] 但是，现有的短期负荷预测方案存在一些技术问题，例如，针对特定节假日，直接参考历史同类型节假日进行当前节假日预测，另外，负荷波动受多种因素影响，仅根据气象选取的相似日的负荷特征有时并不具备高相似性。这些技术问题会直接导致负荷预测偏差较大，使得预测结果准确性较低。

发明内容

[0004] 本申请提供了一种短期负荷预测方法及装置，用于解决现有的负荷预测技术选取的预测指标不具有代表性，预测手段缺乏针对性，导致预测结果偏差较大的技术问题。

[0005] 有鉴于此，本申请第一方面提供了一种短期负荷预测方法，包括：

[0006] 获取短期日期属性，所述短期日期属性包括时间属性和周属性；

[0007] 若根据所述短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；

[0008] 若根据所述短期日期属性判断所述当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据。

[0009] 优选地，所述若根据所述短期日期属性判断当前日为节假日，则基于节日关联性规则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据，包括：

[0010] 若根据所述短期日期属性判断当前日为节假日，则获取多个历史年份的与所述当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，所述历史关联日负荷数据为历史节假日前预置天不同时刻的负荷数据；

[0011] 根据预置历史转供电信息表剔除包括转供电操作的历史年份对应的所述历史关联日负荷数据和所述历史节假日负荷数据，得到筛选历史负荷数据集；

[0012] 若所述筛选历史负荷数据集为非空集，则根据所述历史关联日负荷数据和所述当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述历史节假日负荷数据；

[0013] 根据所述最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述当前节假关联日负荷数据计算不同时刻对应的历史时刻平滑值和当前时刻平滑值；

[0014] 通过所述历史时刻平滑值、所述历史节假日负荷数据和所述当前时刻平滑值预测当前节假日负荷数据。

[0015] 优选地，所述若所述筛选历史负荷数据集为非空集，则根据所述历史关联日负荷数据和所述当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述历史节假日负荷数据，还包括：

[0016] 若所述筛选历史负荷数据集为空集，则获取最近历史年份的与所述当前日类型不相同的历史节假日各个时刻的历史节假日负荷数据，并作均值计算，得到当前节假日负荷数据。

[0017] 优选地，所述获取多个历史年份的与所述当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，之后还包括：

[0018] 根据所述当前日的节假日类型对所述历史负荷数据集中的所述历史关联日负荷数据和所述历史节假日负荷数据作节假日对齐操作。

[0019] 优选地，所述若根据所述短期日期属性判断所述当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据，包括：

[0020] 若根据所述短期日期属性判断所述当前日为非节假日，则获取所述当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据；

[0021] 根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据计算温度与负荷的相关性；

[0022] 若所述相关性大于相关阈值，则根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据构建预置时序特征向量；

[0023] 根据所述历史关联时刻点负荷数据判断负荷是否存在预置负荷波动情况，若是，则采用预置短步长预测模型根据所述预置时序特征向量进行负荷预测，得到当前日负荷数据；

[0024] 若否，则采用预置长步长预测模型根据所述预置时序特征向量进行负荷预测，得到所述当前日负荷数据；

[0025] 所述预置步长预测模型包括所述预置短步长预测模型和所述预置长步长预测模型。

[0026] 优选地，所述若所述相关性大于相关阈值，则根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据构建预置时序特征向量，还包括：

[0027] 若所述相关性小于所述相关阈值，则根据所述历史关联时刻点负荷数据构建所述预置时序特征向量。

[0028] 优选地，所述若根据所述短期日期属性判断所述当前日为非节假日，则获取所述当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据，之后还包括：

[0029] 对历史关联时刻点温度和历史关联时刻点负荷数据作预置数据处理，所述预置数据处理包括数据填充、数据替换和数据关联建立。

[0030] 本申请第二方面提供了一种短期负荷预测装置，包括：

[0031] 日期获取模块，用于获取短期日期属性，所述短期日期属性包括时间属性和周属性；

[0032] 节假日预测模块，用于若根据所述短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；

[0033] 非节假日预测模块，用于若根据所述短期日期属性判断所述当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据。

[0034] 优选地，所述节假日预测模块，包括：

[0035] 第一负荷获取子模块，用于若根据所述短期日期属性判断当前日为节假日，则获取多个历史年份的与所述当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，所述历史关联日负荷数据为历史节假日前预置天不同时刻的负荷数据；

[0036] 负荷剔除子模块，用于根据预置历史转供电信息表剔除包括转供电操作的历史年份对应的所述历史关联日负荷数据和所述历史节假日负荷数据，得到筛选历史负荷数据集；

[0037] 第一相似计算子模块，用于若所述筛选历史负荷数据集为非空集，则根据所述历史关联日负荷数据和所述当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述历史节假日负荷数据；

[0038] 平滑值计算子模块，用于根据所述最大年度负荷相似度对应年份的所述历史关联日负荷数据和所述当前节假关联日负荷数据计算不同时刻对应的历史时刻平滑值和当前时刻平滑值；

[0039] 节假日预测子模块，用于通过所述历史时刻平滑值、所述历史节假日负荷数据和所述当前时刻平滑值预测当前节假日负荷数据。

[0040] 优选地，所述非节假日预测模块，包括：

[0041] 第二负荷获取子模块，用于若根据所述短期日期属性判断所述当前日为非节假日，则获取所述当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据；

[0042] 第二相似计算子模块，用于根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据计算温度与负荷的相关性；

[0043] 特征向量构建子模块，用于若所述相关性大于相关阈值，则根据所述历史关联时刻点温度和所述历史关联时刻点负荷数据构建预置时序特征向量；

[0044] 第一非节假日预测子模块，用于根据所述历史关联时刻点负荷数据判断负荷是否存在预置负荷波动情况，若是，则采用预置短步长预测模型根据所述预置时序特征向量进行负荷预测，得到当前日负荷数据；

[0045] 第二非节假日预测子模块，用于若否，则采用预置长步长预测模型根据所述预置时序特征向量进行负荷预测，得到所述当前日负荷数据；

[0046] 所述预置步长预测模型包括所述预置短步长预测模型和所述预置长步长预测模型。

[0047] 从以上技术方案可以看出，本申请实施例具有以下优点：

[0048] 本申请中，提供了一种短期负荷预测方法，包括：获取短期日期属性，短期日期属性包括时间属性和周属性；若根据短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；若根据短期日期属性判断当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据。

[0049] 本申请提供的短期负荷预测方法，通过获取的短期日期属性信息对当前日进行属性划分，根据当前日不同的日期属性选取不同的负荷预测方案，具体的，节假日负荷预测方案中，不仅考虑历史节假日负荷数据，还将历史关联日负荷数据和当前节假关联日负荷数据用于当前节假日负荷数据预测过程中，且采用这些负荷数据进行预测时需要基于节假前负荷相似性原则，即选取的负荷数据一定与当前节假日是具有一定相似性的，不会影响预测结果的可靠性，从而提高负荷预测结果的准确性。而非节假日负荷预测方案中，采用可设置的预置步长预测模型，结合温度与负荷的关系进行负荷预测，可以保障模型的预测精度。因此，本申请能够解决现有的负荷预测技术选取的预测指标不具有代表性，预测手段缺乏针对性，导致预测结果偏差较大的技术问题。

附图说明

[0050] 图1为本申请实施例提供的一种短期负荷预测方法的一个流程示意图；

[0051] 图2为本申请实施例提供的一种短期负荷预测方法的另一个流程示意图；

[0052] 图3为本申请实施例提供的一种短期负荷预测装置的结构示意图。

具体实施方式

[0053] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0054] 为了便于理解，请参阅图1，本申请提供的一种短期负荷预测方法的实施例一，包括：

[0055] 步骤101、获取短期日期属性，短期日期属性包括时间属性和周属性。

[0056] 短期日期属性中不仅包括具体年、月、天、时刻等时间属性，还包括重要的周属性，也就是星期属性，即日期和星期几，因此，可以根据短期日期属性对当前日作出精准的属性判断，例如，是否为节假日，节假日名称，节假日所属年份、月份等。

[0057] 步骤102、若根据短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据。

[0058] 每一个年份的节假日都能够直接形成已设定列表，可以成为节假日列表，该列表与时间紧密关联，可以对照短期日期属性和节假日列表，得到当前日的属性判断结果。具体的节假日范畴包括元旦、春节、清明节、端午节、劳动节、中秋节、国庆节等7个法定节日，还可以根据需要添加节假日设定，日期为工作日或者周末的均可以设定为非节假日范畴。

[0059] 节假前负荷相似性原则是根据获取的负荷数据特点设置的，获取的负荷数据不仅包括历史节假日的负荷数据，还包括了历史关联日负荷数据和当前节假关联日负荷数据；因此，选取的历史关联日负荷需要与当前节假关联日负荷负荷一定的相似性规定，而不是随意的历史关联日的负荷数据均可用于当前日负荷预测。根据基于节假前负荷相似性原则选取的多种密切关联的负荷数据进行负荷预测能够最大程度的保证预测结果的可靠性。

[0060] 关联日是指与节假日接近的一段时间，且该段时间内的负荷波动与节假日存在一定的关联性；可以根据实际负荷波动情况设定具体时间长短，一般选取节假日前预置天，例如6天；历史关联日负荷数据即为历史年份中节假日前预置天的负荷数据；当前节假关联日负荷数据即为当前年份的当前节假日前预置天的负荷数据，这些都是已经发生且存在的负荷数据，均可以获取得到。

[0061] 步骤103、若根据短期日期属性判断当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据。

[0062] 若当前日为工作日或者周末，则定义为非节假日，此时的短期负荷预测机制是预测模型，且预测模型可以自适应设置步长，自动感知负荷的变动，提高模型预测的鲁棒性。而选取的指标是历史关联时刻点温度和历史关联时刻点负荷数据；历史关联时刻点温度为历史年份中相似日期的不同时刻点的温度值，选取多少个时刻点，就可以获取到多少个温度值；历史关联时刻点负荷数据与历史关联时刻点温度的获取过程关联，一一对应，即每个时刻点都可以获取到一个温度值和一个对应的负荷数据。

[0063] 本申请实施例提供的短期负荷预测方法，通过获取的短期日期属性信息对当前日进行属性划分，根据当前日不同的日期属性选取不同的负荷预测方案，具体的，节假日负荷预测方案中，不仅考虑历史节假日负荷数据，还将历史关联日负荷数据和当前节假关联日负荷数据用于当前节假日负荷数据预测过程中，且采用这些负荷数据进行预测时需要基于节假前负荷相似性原则，即选取的负荷数据一定与当前节假日是具有一定相似性的，不会影响预测结果的可靠性，从而提高负荷预测结果的准确性。而非节假日负荷预测方案中，采用可设置的预置步长预测模型，结合温度与负荷的关系进行负荷预测，可以保障模型的预测精度。因此，本申请实施例能够解决现有的负荷预测技术选取的预测指标不具有代表性，预测手段缺乏针对性，导致预测结果偏差较大的技术问题。

[0064] 以上为本申请提供的一种短期负荷预测方法的一个实施例，以下为本申请提供的一种短期负荷预测方法的另一个实施例。

[0065] 为了便于理解，请参阅图2，本申请提供了一种短期负荷预测方法的实施例二，包括：

[0066] 步骤201、获取短期日期属性，短期日期属性包括时间属性和周属性。

[0067] 获取当前日的年月日、时分秒和星期几的日期属性；同时也获取当前日前预置天时间属性和周属性，便于后续的时间分析。

[0068] 步骤202、若根据短期日期属性判断当前日为节假日，则获取多个历史年份的与当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集。

[0069] 其中，历史关联日负荷数据为历史节假日前预置天不同时刻的负荷数据。本实施例中选取当前日前6天的时间为预置天。所以历史节假日前预置天即为历史节假日前6天不同时刻的负荷数据。历史节假日负荷数据即为历史节假日当天的负荷数据。多个历史年份可以选取最近的三年，例如当前日是2021年元旦，那么历史年份可以获取2020年、2019年和2018年的元旦相关负荷数据。

[0070] 进一步地，步骤202，之后还包括：

[0071] 根据当前日的节假日类型对历史负荷数据集中的历史关联日负荷数据和历史节假日负荷数据作节假日对齐操作。

[0072] 将获取的历史年份的历史节假日和历史关联日根据当前节假日进行对齐，以当前日为2021年元旦示例，就以历年的公立1月1日为基准进行对齐，那么2021年元旦日期即为12月30日、12月31日和2021年1月1日。日期对齐便于后续基于日期的负荷数据联合分析。

[0073] 步骤203、根据预置历史转供电信息表剔除包括转供电操作的历史年份对应的历史关联日负荷数据和历史节假日负荷数据，得到筛选历史负荷数据集。

[0074] 预置历史转供电信息表中记载了主变ID、主变名称、转供电开始时间和转供电结束时间。现有技术中对存在转供电的负荷急剧变化情况并未作深入考虑，但是负荷突变或者波动却会直接影响负荷预测结果，因此，本实施例中将存在转供电操作的历史年份的相关负荷数据剔除，避免其影响当前日的负荷预测结果。此过程是对历史负荷数据集进行筛选的过程，也是通过把控指标数据的可靠性，从而确保预测结果的准确性。

[0075] 剔除过程为：从预置历史转供电信息表中获取主变ID，基于主变ID查找转供电数据，若是历史节假日时段包含在其中，则说明该年份节假日期间发生转供电操作，将该年份数据从历史负荷数据集中剔除。

[0076] 步骤204、若筛选历史负荷数据集为非空集，则根据历史关联日负荷数据和当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的历史关联日负荷数据和历史节假日负荷数据。

[0077] 筛选历史负荷数据集中如果还存在历史负荷数据，则可以开始计算关联日的负荷相似度，具体的，可以定义D为筛选历史负荷数据集，表示为D＝{(d1,h1),(d2,h2),(d3,h3)...}，其中(di,hi)为第i年的负荷数据，di表示历史节假日前6天的关联日负荷数据，hi为历史节假日当天负荷数据，这些数据都是由每一天的多个时刻的负荷数据构成。定义(dn,h'n)为当前年份的负荷数据，其中，dn为当前日前预置天的关联日负荷数据，h'n为待预测的当前节假日负荷数据。计算历史关联日负荷数据和当前节假关联日负荷数据计算年度负荷相似度可以表达为：

[0078]

[0079] 其中，k为负荷数据长度，abs(·)为求绝对值函数。

[0080] 每一年都可以计算一个相似度值si，找到最大年度负荷相似度，保留其对应年份的历史关联日负荷数据和历史节假日负荷数据，即(ds,hs)。

[0081] 进一步地，步骤204，还包括：

[0082] 若筛选历史负荷数据集为空集，则获取最近历史年份的与当前日类型不相同的历史节假日各个时刻的历史节假日负荷数据，并作均值计算，得到当前节假日负荷数据。

[0083] 筛选历史负荷数据集为空集则说明选取的所有年份的节假日相关负荷数据均涉及转供电操作，在筛选阶段全部从数据集中剔除。这种缺乏可参考历史数据的情况出现概率比较小，一旦出现则可以直接根据最近历史年份的与当前日类型不相同的历史节假日各个时刻的历史节假日负荷数据计算均值，以此作为当前节假日负荷数据。

[0084] 步骤205、根据最大年度负荷相似度对应年份的历史关联日负荷数据和当前节假关联日负荷数据计算不同时刻对应的历史时刻平滑值和当前时刻平滑值。

[0085] 定义本年度当前节假日前所选取的N个关联日中第j天t时刻的负荷为dnjt,最相似年度节假日前所选取的N个关联日中第j天t时刻的负荷为dsjt，其中j越大表示在时间轴上距离节假日越近。以预测t时刻的负荷值为例，t共有96个时刻，t＝{1,2,3...96}，首先分别计算本年度和最相似年度节前关联日t时刻的平滑值A1t，A2t：

[0086]

[0087] 其中N＝6

[0088] 其中，α为逐点负荷的平滑系数，一般取值为α∈[0.1,0.9]，通过实验验证发现，最优参数值为0.618。

[0089] 步骤206、通过历史时刻平滑值、历史节假日负荷数据和当前时刻平滑值预测当前节假日负荷数据。

[0090] 具体预测过程可以表示为：

[0091]

[0092] 其中，hst为平滑值A1t对应的历史节假日当天t时刻的负荷数据。根据上式对当前节假日每个时刻的负荷值进行预测，就可以得到一条当前节假日的负荷预测曲线。

[0093] 步骤207、若根据短期日期属性判断当前日为非节假日，则获取当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据。

[0094] 预置时间段可以根据实际情况设定，例如当前年份的当前日的前一个月内的10天，或者前几天的数据。非节假日的负荷波动一般而言较小，因此可参考的负荷数据较多，主要是数据指标的选取和模型的优化。除了温度数据和负荷数据之外，还可以根据需要获取星期属性。

[0095] 进一步地，步骤207，之后还包括：

[0096] 对历史关联时刻点温度和历史关联时刻点负荷数据作预置数据处理，预置数据处理包括数据填充、数据替换和数据关联建立。

[0097] 获取的数据质量由于各种原因可能存在差别，对数据进行预置数据处理操作，可以提高数据质量，保障预测结果。由于计量设备故障等原因导致的数据记录缺失的情况，例如一天选取的96个时刻点的数据存在多个缺失的，需要对缺失的数据进行数据填充；针对历史数据中包含的节假日期间，以同星期属性的非节假日进行数据填充，以保证数据全部为非节假日数据，且保证时间序列的完整性；对异常突变数据点进行平滑和替换。

[0098] 另外，还需要对数据建立关联，将规范化数据包括线路编号、日期、时刻、负荷和温度值等多元数据根据日期和时刻点关联在一起，形成数据宽表，便于提取处理。

[0099] 步骤208、根据历史关联时刻点温度和历史关联时刻点负荷数据计算温度与负荷的相关性。

[0100] 记各历史关联时刻点温度向量X＝[x1,x2,...]与负荷向量Y＝[y1,y2,...]的相关度corr：

[0101]

[0102] 其中，n为获取的数据点总数。

[0103] 步骤209、若相关性大于相关阈值，则根据历史关联时刻点温度和历史关联时刻点负荷数据构建预置时序特征向量。

[0104] 本实施例中定义，若是abs(corr)＞0.5，则判定温度与负荷之间是强相关，否则，判定温度与负荷相关性不大。若是温度与负荷之间强相关，则根据历史关联时刻点温度和历史关联时刻点负荷数据构建预置时序特征向量，除了这两种指标数据，还可以加入历史温度平均值、历史星期几属性、当前日的温度值、当前日星期几属性和当前日平均温度值等数据构建多通道的预置时序特征向量。

[0105] 进一步地，步骤209，还包括：

[0106] 若相关性小于相关阈值，则根据历史关联时刻点负荷数据构建预置时序特征向量。

[0107] 若是温度与负荷相关性不大，则需要剔除指标数据中的温度数据，包括历史温度数据和当前日温度数据，根据历史关联时刻点负荷数据构建预置时序特征向量，也可以加入上述的历史星期几属性和当前日星期几属性构建多通道的预置时序特征向量。本实施例中每一天选取96个时刻点，按照时刻点可以生成96个预置时序特征向量。

[0108] 步骤210、根据历史关联时刻点负荷数据判断负荷是否存在预置负荷波动情况，若是，则采用预置短步长预测模型根据预置时序特征向量进行负荷预测，得到当前日负荷数据。

[0109] 通过分析历史关联时刻点负荷数据的变化情况，判断负荷是否发生较大幅度的波动，即预置负荷波动情况，可以设定上下阈值，越限值，则判定为存在较大幅度波动，表明负荷波动不平稳，存在突变。此时采用预置短步长预测模型处理预置时序特征向量，进行负荷预测，得到当前日负荷数据。预置短步长预测模型的步长选择可以为2天。

[0110] 步骤211、若否，则采用预置长步长预测模型根据预置时序特征向量进行负荷预测，得到当前日负荷数据。

[0111] 预置步长预测模型包括预置短步长预测模型和预置长步长预测模型。该模型可以自动感知负荷波动态势，提高模型预测精度和鲁棒性。

[0112] 在负荷突变幅度较小时负荷波动平稳，主要考虑温度积聚效应和周期性对负荷波动的影响，采用预置长步长预测模型既可预测得到准确的当前日负荷数据。预置长步长预测模型的步长选择可以为7天。

[0113] 平稳状态下的负荷波动具有一定的周期性，但非平稳状态下这种周期性会被打破，仅仅依靠周期性规律不能及时感知负荷波动状态，从而导致一定程度的预测滞后性。因此，本申请实施例中选择的预置步长预测模型能够通过自动感知负荷波动态势实现负荷预测缓解这一技术问题。

[0114] 以上为本申请提供的一种短期负荷预测方法的一个实施例，以下为本申请提供的一种短期负荷预测装置的一个实施例。

[0115] 为了便于理解，请参阅图3，本申请还提供了一种短期负荷预测装置的实施例，包括：

[0116] 日期获取模块301，用于获取短期日期属性，短期日期属性包括时间属性和周属性；

[0117] 节假日预测模块302，用于若根据短期日期属性判断当前日为节假日，则基于节假前负荷相似性原则，根据历史关联日负荷数据、历史节假日负荷数据和当前节假关联日负荷数据预测当前节假日负荷数据；

[0118] 非节假日预测模块303，用于若根据短期日期属性判断当前日为非节假日，则采用预置步长预测模型，根据历史关联时刻点温度和历史关联时刻点负荷数据预测当前日负荷数据。

[0119] 进一步地，节假日预测模块302，包括：

[0120] 第一负荷获取子模块3021，用于若根据短期日期属性判断当前日为节假日，则获取多个历史年份的与当前日类型相同的历史节假日对应的历史关联日负荷数据和历史节假日负荷数据，得到历史负荷数据集，历史关联日负荷数据为历史节假日前预置天不同时刻的负荷数据；

[0121] 负荷剔除子模块3022，用于根据预置历史转供电信息表剔除包括转供电操作的历史年份对应的历史关联日负荷数据和历史节假日负荷数据，得到筛选历史负荷数据集；

[0122] 第一相似计算子模块3023，用于若筛选历史负荷数据集为非空集，则根据历史关联日负荷数据和当前节假关联日负荷数据计算年度负荷相似度，并保留最大年度负荷相似度对应年份的历史关联日负荷数据和历史节假日负荷数据；

[0123] 平滑值计算子模块3024，用于根据最大年度负荷相似度对应年份的历史关联日负荷数据和当前节假关联日负荷数据计算不同时刻对应的历史时刻平滑值和当前时刻平滑值；

[0124] 节假日预测子模块3025，用于通过历史时刻平滑值、历史节假日负荷数据和当前时刻平滑值预测当前节假日负荷数据。

[0125] 进一步地，非节假日预测模块303，包括：

[0126] 第二负荷获取子模块3031，用于若根据短期日期属性判断当前日为非节假日，则获取当前日的前预置时间段内的历史关联时刻点温度和历史关联时刻点负荷数据；

[0127] 第二相似计算子模块3032，用于根据历史关联时刻点温度和历史关联时刻点负荷数据计算温度与负荷的相关性；

[0128] 特征向量构建子模块3033，用于若相关性大于相关阈值，则根据历史关联时刻点温度和历史关联时刻点负荷数据构建预置时序特征向量；

[0129] 第一非节假日预测子模块3034，用于根据历史关联时刻点负荷数据判断负荷是否存在预置负荷波动情况，若是，则采用预置短步长预测模型根据预置时序特征向量进行负荷预测，得到当前日负荷数据；

[0130] 第二非节假日预测子模块3035，用于若否，则采用预置长步长预测模型根据预置时序特征向量进行负荷预测，得到当前日负荷数据；

[0131] 预置步长预测模型包括预置短步长预测模型和预置长步长预测模型。

[0132] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0133] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0134] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0135] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read‑Only Memory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0136] 以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。