本發明涉及電力技術、電力負荷預測技術，特別涉及一種基于灰色關聯法的基線負荷預測方法及系統。
背景技術：
1、負荷預測在電力系統中扮演著至關重要的角色。準確的負荷預測有助于優化電力資源配置，提高電網運行效率，降低運營成本，促進節能減排和可持續發展。同時，基線負荷預測是在儲能調控、新能源發電利用率中執行效果的重要參考，在電力調控效果評價中，用戶基線負荷(customer?baseline?load，cbl)預測能夠給微電網、綜合能源等調控策略提供重要依據。
2、負荷預測的不確定性非常大，尤其是對于用戶級的負荷預測。影響負荷變動的因素很多且復雜，包括人口增長、國民經濟發展速度、產業結構的變化、氣象條件等。其中氣象條件影響較為顯著。例如，夏季高溫天氣會導致空調等制冷設備的用電量增加，而冬季寒冷天氣則會導致取暖設備的用電量增加。因此，氣象條件也是負荷預測的重要考慮因素之一。而現有技術中采用調節因子基線負荷預測的模型中并未考慮用戶用電習慣問題，氣候多變等問題，導致其預測結果不夠準確，調控效果較差。
3、需要說明的是，在上述背景技術部分公開的信息僅用于加強對本發明的背景的理解，因此可以包括不構成本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本發明的目的是為了解決背景技術存在的技術問題，為此，提供了一種基于灰色關聯法的基線負荷預測方法及系統。
2、為了實現上述目的，本發明所采用的技術方案如下：
3、一種基于灰色關聯法的基線負荷預測方法，包括以下步驟：
4、步驟s1：日前預測
5、步驟s1.1：選定預測日，將預測日與其對應的類型進行匹配；
6、步驟s1.2：以預測日為準，從歷史數據庫獲取相應時間內同類型的歷史負荷數據；
7、步驟s1.3：對歷史數據進行預處理、數據不良修正、數據補全、刪除、標準化；
8、步驟s1.4：采用灰色關聯分析法選取與預測日精度相關的影響因素；
9、步驟s1.5：計算出負荷歷史日數據和預測日之間的關聯度；
10、步驟s1.6：確定歷史數據中用于計算基線負荷的典型日；
11、步驟s1.7：計算得到日前基線負荷預測值，并將其存入數據庫：將典型日的負荷曲線對每個時間段取平均，得到預測日的負荷曲線作為日前基線負荷預測值；
12、步驟s2：日內預測
13、步驟s2.1：獲取數據庫中日前基線負荷預測；
14、步驟s2.2：獲取日前基線負荷預測值對應的預測日的對應時刻的之前的兩個小時歷史負荷數據；
15、步驟s2.3：對歷史數據進行預處理、數據不良修正、數據補全、標準化；
16、步驟s2.4：計算調節因子；
17、步驟s2.5：計算日內基線負荷預測：在對應天每15分鐘整點時刻進行計算，修正日前基線負荷預測，將日前基線負荷預測與調節因子相乘得到日內基線負荷預測結果，其中，調節因子若大于1.2或者小于0.8，則調節因子為邊界值計算，調節因子若在0.8～1.2范圍內，則調節因子為步驟s2.4計算出來的調節因子。
18、以下為本發明中方法進一步限定的技術方案，在步驟s1.1中，將預測日的類型分為四類：工作日類型，周末類型，節假日類型，特殊日類型。
19、以下為本發明中方法進一步限定的技術方案，在步驟s1.2中，從工作日類型、周末類型獲取兩個月的歷史數據，從節假日類型、特殊日類型獲取半年的歷史數據。
20、以下為本發明中方法進一步限定的技術方案，在步驟s1.3中，從歷史數據庫取出1分鐘間隔的歷史數據后，按天處理數據，若數據缺失的累計時長超過1個小時，表示對應天的數據斷斷續續不穩定，則刪除對應天的數據不作為基準，若數據缺失的累計時長小于1小時，則對于缺失數據采用線性插值法，補全數據；最后將數據標準化，預測精度為15分鐘一個點，每間隔15分鐘的點將對其前7分鐘的點以及后8分鐘的點做平均，標準化對應天每15分鐘的整點歷史數據，并存入數據庫中。
21、以下為本發明中方法進一步限定的技術方案，在步驟s1.4中，選取天氣類型、最高溫度、最低溫度、平均氣溫和星期類型作為影響因素，其歷史對應的參考序列為si＝(s1,i,s2,i,s3,i,s4,i,s5,i)，相對應的預測日的母序列為sk＝(s1,k,s2,k,s3,k,s4,k,s5,k)，其中s1,i,s2,i,s3,i,s4,i,s5,i分別為參考序列中對應五個影響因素的數值，i為對應的天，s1,k,s2,k,s3,k,s4,k,s5,k分別為母序列中對應五個影響因素的數值，k為對應的天。
22、以下為本發明中方法進一步限定的技術方案，在步驟s1.5中，負荷歷史日數據和預測日之間的關聯度的公式如下：
23、
24、其中，ρ為分辨系數，n為影響因素數量。
25、以下為本發明中方法進一步限定的技術方案，在步驟s1.6中，根據關聯度來選取典型日，關聯度越大則越相關，其每個類型選取典型日數量不同：工作日選取7天關聯度最高的為典型日，周末選取5天關聯最高的為典型日，節假日、特殊日選取2天關聯度最高的為典型日。
26、以下為本發明中方法進一步限定的技術方案，在步驟s2.3中，從歷史數據庫取出每15分鐘整點2小時前的1分鐘間隔的歷史數據后進行處理，若數據缺失的累計時長超過10分鐘，表示實時數據斷斷續續不穩定，則不在對應時間點進行日內負荷預測修正，若數據缺失的累計時長小于10分鐘，則對于缺失數據用線性插值法，補全數據；最后將數據標準化，預測精度為15分鐘一個點，每間隔15分鐘的點將對其前7分鐘的點以及后8分鐘的點做平均，標準化對應天2小時每15分鐘的整點歷史數據。
27、以下為本發明中方法進一步限定的技術方案，在步驟s2.4中，調節因子c的公式如下：
28、
29、其中，m為對應時刻前兩個小時歷史數據的平均值，n為日前基線負荷預測對應時刻兩個小時的平均值。
30、一種基于灰色關聯法的基線負荷預測系統，用于實現上述的一種基于灰色關聯法的基線負荷預測方法，包括：
31、預測配置模塊，用以預測點配置，允許配置任意負荷點的預測功能；
32、預測分類模塊，將預測日進行分類；
33、數據獲取模塊，用以與云端交互，獲取任意時間、任意負荷點的負荷歷史數據；
34、數據處理模塊，用以獲取數據后，對負荷歷史數據進行處理；
35、灰色理論計算模塊，將歷史數據與影響因素進行關聯度計算；
36、典型日匹配模塊，將關聯度排序后得到典型日，獲取典型日數據；
37、預測輸出模塊，將相關數據輸入對應的基線負荷預測模型中，輸出基線負荷預測值；
38、日內校正模塊，根據日前負荷曲線和對應日歷史曲線，滾動得到日內基線負荷預測值；
39、預測評估模塊，評估預測值和實際值的誤差。
40、相對于現有技術，本發明具有如下技術效果：
41、本發明采用了基于灰色關聯法的基線負荷預測進行日前預測，日前預測相較于單純基于修正因子計算得到的負荷預測曲線日平均準確度提升了2.13％；在日前負荷預測結果的基礎上，進行日內滾動比例因子修正，日內負荷預測日平均準確度提升了1.84％。本發明的系統可靈活配置，進行負荷預測功能實現以及結果查看。
42、下面結合附圖與實施例，對本發明進一步說明。