【技术实现步骤摘要】
本专利技术涉及电力负荷预测，特别是一种提高预测效率的日用电负荷预测方法及系统。
技术介绍
1、采用本专利技术技术方案是为了解决传统日用电负荷预测方法在应对复杂多变的环境因素和时间动态信息时所存在的不足，特别是针对电力系统运行稳定性和供需平衡方面的挑战。在电力系统中，日用电负荷的准确预测对于电网调度和能源管理至关重要。然而，现有方法往往受制于数据特征的单一性和模型复杂度的限制，难以充分挖掘数据中的潜在规律，从而影响了预测效率和准确性。
2、传统的日用电负荷预测方法存在数据特征提取不足、模型表现力不足和对时间动态信息的不完全利用问题，现有技术难以有效应对多源数据的融合、时间尺度的动态变化和特征工程的优化需求，采用本专利技术的技术手段构建更加精准的预测模型，提高了日用电负荷预测的效率和准确性。
技术实现思路
1、鉴于现有的提高预测效率的日用电负荷预测方法及系统中存在的问题，提出了本专利技术。
2、因此，本专利技术的目的是提供一种提高预测效率的日用电负荷预测方法及系统，针对现有技术在数据特征提取、模型表现力和时间动态信息利用方面的不足问题，本专利技术采用多源数据融合、动态尺度加权、混合模型计算以及交叉验证技术手段进行解决。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种提高预测效率的日用电负荷预测方法，其包括，确定日用电负荷的信息系数构建历史数据集，根据历史数据集引入深度学习技术并构建多层次神经
5、作为本专利技术所述提高预测效率的日用电负荷预测方法的一种优选方案，其中：所述信息系数包括计算两个变量x和y之间的分布距离度量d，根据分布距离度量d计算密度函数，具体步骤如下：
6、所述计算两个变量x和y之间的分布距离度量d的具体公式为：
7、
8、其中，d(x，y)表示变量x和y之间的分布距离度量，i(x；y)表示变量x和y之间的分布距离度量的互信息，
9、所述计算密度函数的具体公式为：
10、
11、其中，1表示指示函数，xi和yi表示x和y的观测值，n表示样本大小；
12、利用f(t)衡量x和y之间的关联度，具体衡量步骤如下：
13、当i(x；y)的值变大时，则d(x，y)的值变小，此时表示变量x和y之间的相关性强，
14、根据d(x，y)的值评估变量x和y之间的关联程度，当d(x，y)→0时，则变量x和y之间的关联程度高，当d(x，y)→1时，则变量x和y之间的关联程度低。
15、作为本专利技术所述提高预测效率的日用电负荷预测方法的一种优选方案，其中：所述构建历史数据集包括基于历史数据中的变量x和y的观测值并按照时间序列顺序组织成向量：和
16、当变量x和y之间的相关性强时，将向量x和y按照时间步长信息配对，形成数据样本对(xi，yj)，其中，i表示x的时间序列中对应时间步，j表示y的时间序列中对应时间步，根据时间序列中对应时间步得到样本集合：{(xi，yj)}；
17、当变量x和y之间的关联程度低时，此时采用混合模型计算方法处理变量x和y之间的数据关系，引入两个混合模型的基础模型，所述基础模型包括线性模型m1和非线性模型m2，根据线性模型m1计算多元高斯分布模型，根据线性模型m2构建多层次神经网络模型，引入混合比例参数λ，调节两个基础模型的影响程度，通过对混合模型的参数计算模型参数和混合比例的估计值，获得更加准确的模型参数，对关联程度低变量进行高效处理和调整。
18、作为本专利技术所述提高预测效率的日用电负荷预测方法的一种优选方案，其中：所述计算多元高斯分布模型的具体公式为：
19、
20、其中，d表示维度，θ1＝(β，σ)表示模型参数，β表示线性系数，σ表示协方差矩阵；
21、所述构建多层次神经网络模型的具体公式为：
22、p(y|x，θ2)＝∫p(y，θ2，z)p(z|x，θ2z)dz
23、其中，θ2表示模型参数，z表示隐藏变量，θ2z表示隐藏变量的模型参数；
24、所述调节两个基础模型的影响程度包括计算混合模型的联合概率，具体计算公式为：
25、p(y，x|，θ1，θ2，λ)＝λ·p(y|x，θ1)+(1-λ)·p((y|x，θ2))
26、其中，p(y，x|，θ1，θ2，λ)表示混合模型的联合概率；
27、所述计算模型参数和混合模型联合概率的比例估计值，具体计算公式为：
28、
29、其中，表示模型参数，表示混合比例估计值。
30、作为本专利技术所述提高预测效率的日用电负荷预测方法的一种优选方案，其中：所述对历史数据集进行特征分类包括关联程度低变量进行高效处理和调整后的一类原始特征结果和关联程度高的二类原始特征结果，定义动态尺度权重系数wt，所述采用动态尺度加权的方法进行融合的具体公式为：
31、ypred＝∑twt·ft
32、其中，ypred表示预测结果，wt表示动态尺度权重系数，ft表示对应时间尺度的特征；
33、在融合过程中，根据不同时间尺度特征的关联程度动态调整权重系数，当时间尺度的特征与电负荷的关联程度低时，则降低对预测结果的权重；
34、当特征与电负荷的关联程度高时，则增加权重，利用不同时间尺度的信息提高预测的准确性。
35、作为本专利技术所述提高预测效率的日用电负荷预测方法的一种优选方案，其中：所述模型训练包括将数据集分为k个互斥子集，训练k-1个子集并验证，利用多层次神经网络模型计算模型预测值，根据模型预测值计算预测结果与真实标签之间的误差，具体步骤如下：
36、所述计算模型预测值的具体公式为：
37、
38、其中，表示模型预测值，xi表示输入特征向量，w(l)表示第l层的权重，b(l)表示第l层的偏置；
39、所述计算预测结果与真实标签之间的误差具体公式为：
40、
41、其中，n表示验证集样本数，表示模型预测值，yi表示真实标签。
42、作为本专利技术所述提高预测效率的日用电负荷预测方法的一种优选方案，其中：所述验证包括根据交叉验证评估结果；
43、当误差处于正常范围a≤mse≤b时，此时模型的性能处于正常，无需处理；
44、当误差处于非正常范围mse＜a或mse＞b时，此时模型的性能处于非正常，此时根据不同时间尺度特征的关联程度二次动态调整权重系数。
45、第二方面，本专利技术实施例提供了一种提高预测效率的日用电负荷预测系统，其包括：构建模块，其确定日用电负荷的信息系数构建历史数据集，根据历本文档来自技高网...
【技术保护点】
1.一种提高预测效率的日用电负荷预测方法，其特征在于：包括，
2.如权利要求1所述的提高预测效率的日用电负荷预测方法，其特征在于：
3.如权利要求2所述的提高预测效率的日用电负荷预测方法，其特征在于：
4.如权利要求3所述的提高预测效率的日用电负荷预测方法，其特征在于：所述计算多元高斯分布模型的具体公式为：
5.如权利要求4所述的提高预测效率的日用电负荷预测方法，其特征在于：所述对历史数据集进行特征分类包括关联程度低变量进行高效处理和调整后的一类原始特征结果和关联程度高的二类原始特征结果，定义动态尺度权重系数Wt，所述采用动态尺度加权的方法进行融合的具体公式为：
6.如权利要求5所述的提高预测效率的日用电负荷预测方法，其特征在于：
7.如权利要求6所述的提高预测效率的日用电负荷预测方法，其特征在于：所述验证包括根据交叉验证评估结果；
8.一种提高预测效率的日用电负荷预测系统，基于权利要求1～7任一所述的提高预测效率的日用电负荷预测方法，其特征在于：包括，
9.一种计算机设备，包括存储器
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的提高预测效率的日用电负荷预测方法的步骤。
...【技术特征摘要】
1.一种提高预测效率的日用电负荷预测方法，其特征在于：包括，
2.如权利要求1所述的提高预测效率的日用电负荷预测方法，其特征在于：
3.如权利要求2所述的提高预测效率的日用电负荷预测方法，其特征在于：
4.如权利要求3所述的提高预测效率的日用电负荷预测方法，其特征在于：所述计算多元高斯分布模型的具体公式为：
5.如权利要求4所述的提高预测效率的日用电负荷预测方法，其特征在于：所述对历史数据集进行特征分类包括关联程度低变量进行高效处理和调整后的一类原始特征结果和关联程度高的二类原始特征结果，定义动态尺度权重系数wt，所述采用动态尺度加权的方法进行融合的具体公式为：
6.如权利要求5所述的提高预...
【专利技术属性】
技术研发人员：蔡永翔，郝树青，郑友卓，苗宇，付宇，王扬，吴鹏，王卓月，张洋，李跃，刘安茳，李新皓，李前敏，王悦婧，张恒荣，宋子宏，陈启升，谈竹奎，熊楠，窦陈，潘富祥，杨竣淇，张健华，何肖蒙，陈宇，班诗雪，何心怡，何光禄，张松，何明君，樊科，杨子健，徐向，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。