一种基于贝叶斯分类的电网系统短期负荷预测方法技术方案

本发明专利技术公开了一种基于贝叶斯分类的电网系统短期负荷预测方法，属于负荷预测领域。本发明专利技术提出一种基于贝叶斯分类的电网系统短期负荷预测方法，首先将建立电网系统短期负荷预测指标；接着基于贝叶斯分类建立隶属度模型，最后实现模型计算数据并行化处理，实现对电网系统短期负荷进行精准预测。本发明专利技术提供的基于贝叶斯分类的电网系统短期负荷预测方法，打破了传统的预测方法预测时间长的缺陷，缩短预测时间提升预测效率。时间提升预测效率。时间提升预测效率。

【技术实现步骤摘要】
一种基于贝叶斯分类的电网系统短期负荷预测方法


[0001]本专利技术涉及负荷预测
，特别是涉及一种基于贝叶斯分类的电网系统短期负荷预测方法。

技术介绍

[0002]科学的不断进步带来了各行各业技术的提升，电力行业中，配电网中的设备也在不断地更新换代。配电系统是供电企业中最重要的组成部分，是电网将电向用户输送的桥梁。社会用电需求不断地增加运行负担也在急剧加重，配电网的电网系统短期负荷的各种预测技术也在不断地发展，电网预测的目的是提升电网资产的有效利用率，减少电网在预测过程中的电流损失。可持续发展理念的引入，使电气设备的高速发展与新能源的融合让电网的发展方向产生了一定的改变。不同类型的新能源接入导致电网的负荷在短时间内产生较大的变化，目前电网的抗容能力很难应对能源替代中的短期电流负荷变化，交流配电网需要采用电网系统短期负荷预测的方式，对电网系统短期负荷进行计算，以便满足配电网系统的电负荷变化需求。
[0003]大数据时代让很多传统行业朝着新的方向发展，电网系统的数据和控制系统变为开放访问的模式，国内外学者开始对电网系统短期负荷预测方法进行研究，基于配电系统的直流电和交流电的不同特征，研究了电网的安全可靠性。文献《基于深度递归神经网络的电力系统短期负荷预测模型》研究了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上，深度递归神经网络增设了关联层，并以改进粒子群算法作为网络的优化学习算法，对模型权值空间进行深度优化。但是该方法的预测误差大。文献《基于多层融合神经网络模型的短期电力负荷预测方法》分析了多层融合神经网络模型的预测原理，预测了该预测方式对直流配电网的预测效果，研究了该预测方式的未来发展形式，并对其缺陷提出了未来改进的方式。
[0004]基于上述分析，本专利技术提出一种基于贝叶斯分类的电网系统短期负荷预测方法，首先将建立电网系统短期负荷预测指标；接着基于贝叶斯分类建立隶属度模型，最后实现模型计算数据并行化处理，实现对电网系统短期负荷进行精准预测。

技术实现思路

[0005]本专利技术的目的是提供一种基于贝叶斯分类的电网系统短期负荷预测方法，为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，包括以下步骤：
[0007]S1，建立电网系统短期负荷预测指标；
[0008]S2，基于贝叶斯分类建立隶属度模型；
[0009]S3，实现模型计算数据并行化处理。
[0010]根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S1中，建立电网系统短期负荷预测指标，具体包括：
[0011]S101，将采集后的数据进行数据预处理，将异常的数据进行过滤，再利用数据去噪的方式进行去噪：
[0012][0013]式中，AE(T)为数据去噪后的数值，t1为原始数据，t2为数据异常，A为去噪的滤波系数；
[0014]S102，进行负荷数据的统一处理：
[0015][0016]式中，n为数据样本，p为样本n在时刻i的短期负荷。
[0017]根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S2中，基于贝叶斯分类建立隶属度模型，具体包括：
[0018]S201，采用随机变量的独立特征方式建立父节点给定的构成规则：
[0019][0020]式中，p(x)为规则式，x为随机变量，r为节点的取值的组合数量；
[0021]S202，建立基于贝叶斯分类的分类器，采用实例数据进行分类器的学习和训练：
[0022][0023]式中，α为基于贝叶斯分类的分类器的正则化因子，p(c)为先验的分类概率，反映了样本数据在该模型中的训练效果。
[0024]根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S3中，实现模型计算数据并行化处理，具体包括：
[0025]S301，将时间的列向量转置为一个可进行并行化处理的矩阵，矩阵的负荷时间序列采用横行的数据代表，因此矩阵的横行数据为 m，转置得到一个n维的行向量，则矩阵属性的数据为n，矩阵的计算结果就是数据分片与维度的乘积；
[0026]S302，对矩阵中的所有数据进行合并操作，m的长度由n来决定。m
×
n的矩阵每一行代表一个负荷时间序列，在传统的电网系统短期负荷预测方法中，原始模型预测方法会将矩阵中的m个变量进行整体序列处理，然后在矩阵中输入各影响因素相关的变量，得到的负荷预测值是基于贝叶斯分类器分类进行学习和训练过的。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是本专利技术基于贝叶斯分类的电网系统短期负荷预测方法的流程图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0030]本专利技术的目的是提供一种基于贝叶斯分类的电网系统短期负荷预测方法，为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0031]图1为本专利技术基于贝叶斯分类的电网系统短期负荷预测方法的流程图，如图1所示，本专利技术提供的基于贝叶斯分类的电网系统短期负荷预测方法，包括以下步骤：
[0032]S1，建立电网系统短期负荷预测指标；
[0033]S2，基于贝叶斯分类建立隶属度模型；
[0034]S3，实现模型计算数据并行化处理。
[0035]根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S1中，建立电网系统短期负荷预测指标，具体包括：
[0036]S101，将采集后的数据进行数据预处理，将异常的数据进行过滤，再利用数据去噪的方式进行去噪：
[0037][0038]式中，AE(T)为数据去噪后的数值，t1为原始数据，t2为数据异常，A为去噪的滤波系数；
[0039]S102，进行负荷数据的统一处理：
[0040][0041]式中，n为数据样本，p为样本n在时刻i的短期负荷。
[0042]根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S2中，基于贝叶斯分类建立隶属度模型，具体包括：
[0043]S201，采用随机变量的独立特征方式建立父节点给定的构成规则：
[0044][0045]式中，p(x)为规则式，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，包括以下步骤：S1，建立电网系统短期负荷预测指标；S2，基于贝叶斯分类建立隶属度模型；S3，实现模型计算数据并行化处理。2.根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S1中，建立电网系统短期负荷预测指标，具体包括：S101，将采集后的数据进行数据预处理，将异常的数据进行过滤，再利用数据去噪的方式进行去噪：式中，AE(T)为数据去噪后的数值，t1为原始数据，t2为数据异常，A为去噪的滤波系数；S102，进行负荷数据的统一处理：式中，n为数据样本，p为样本n在时刻i的短期负荷。3.根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S2中，基于贝叶斯分类建立隶属度模型，具体包括：S201，采用随机变量的独立特征方式建立父节点给定的构成规则：式中，p(x)为规则式，x为随机变量，r为节点的取值的组合数量；S20...

【专利技术属性】
技术研发人员：任惠，刘浩然，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：