【技术实现步骤摘要】
本专利技术属于电力负荷预测，具体为一种基于人工智能的电力负荷预测系统。
技术介绍
1、一种基于人工智能的电力负荷预测系统利用机器学习算法，如深度学习和时间序列分析，通过对历史负荷数据、天气状况、经济指标等多种因素进行建模和分析，预测未来的电力需求。这种系统能够显著提高电力系统的效率和稳定性，优化发电与输配电计划，从而降低运营成本和提高能源利用率。
2、但是，在已有的电力负荷预测系统中，存在着电力负荷的特征提取质量很大程度上决定了预测的最终效果，而电力负荷预测数据的频段数据存在相互重叠且规律复杂的特殊问题，因而针对重叠电力负荷数据的特征工程设计既需要考虑重叠性，也需要考虑分离性的技术问题；在已有的重叠特征提取方法中，存在着混叠模态的频带数据在传统的经验模态分解方法中，处理非线性和非平滑信号的性能较差，导致提取效率低影响后续预测效果的技术问题；在已有的重叠特征分解方法中，存在着只采用时变滤波器改变经验模态分解方法无法解决频带之间互相串联和干预的根本问题，而传统的小波变换进行分解特征提取的方法则存在频谱分割精度不足且平滑性、细致性都有待提高的技术问题；在已有的电力负荷预测具体方法中，存在着简单的模型混合无法有效处理复杂的高频、低频和重叠特征，因而需要设计一种适当的混合模型进行有效的分类预测的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于人工智能的电力负荷预测系统，针对在已有的电力负荷预测系统中，存在着电力负荷的特征提取质量很大程度上
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于人工智能的电力负荷预测系统，包括数据获取模块、特征处理模块、预测驱动模块、预测应用模块和监控反馈模块；
3、所述数据获取模块，用于数据收集处理，通过数据收集处理，得到电力负荷预测原始数据和优化电力负荷预测数据，并将所述优化电力负荷预测数据发送至特征处理模块，将所述电力负荷预测原始数据发送至预测驱动模块；
4、所述特征处理模块，用于重叠特征提取和重叠特征分解，通过重叠特征提取和重叠特征分解，得到重叠频分特征数据和分解特征数据，并将所述重叠频分特征数据和分解特征数据发送至预测驱动模块；
5、所述预测驱动模块，用于负荷分类预测，通过负荷分类预测，得到电力负荷预测数据，并将所述电力负荷预测数据发送至预测应用模块和监控反馈模块；
6、所述预测应用模块，用于预测值可视化，通过预测值可视化，得到预测值可视化图像分析数据，并将所述预测值可视化图像分析数据发送至监控反馈模块；
7、所述监控反馈模块，用于模型精度监控，通过模型精度监控，得到电力负荷预测参考。
8、进一步地，所述数据收集处理，用于收集电力负荷预测所需的原始数据，具体为从电力系统和环境传感记录中，通过数据采集，得到电力负荷预测原始数据，并通过对所述电力负荷预测原始数据进行优化处理，得到优化电力负荷预测数据；
9、所述电力负荷预测原始数据，具体包括历史电力负荷数据、天气环境数据和特殊日期数据；
10、所述优化处理，具体包括异常值处理和时序分解操作。
11、进一步地，所述重叠特征提取，用于在不同频段相互重叠的电力负荷数据中提取频分特征，具体为依据所述优化电力负荷预测数据，采用结合样本熵的时变滤波模态分解方法，进行重叠特征提取，得到重叠频分特征数据；
12、所述结合样本熵的时变滤波模态分解方法，具体包括时序样本熵算子和时变滤波模态分解算子；
13、所述采用结合样本熵的时变滤波模态分解方法，进行重叠特征提取，得到重叠频分特征数据的步骤，包括：
14、构建时变滤波模态分解算子，进行原始数据分解，得到时变滤波分解数据，具体步骤包括：
15、瞬时数据提取，具体为采用希尔伯特变换方法，提取优化电力负荷预测数据的瞬时幅值和瞬时相位，计算公式为：
16、；
17、式中，a(t)是优化电力负荷预测数据的瞬时幅值，t是时间索引，是瞬时相位，x(t)是优化电力负荷预测数据中的原始信号数据，是优化电力负荷预测数据经过希尔伯特变换之后的数据；
18、构建局部极值序列，用于搜索原始数据中的局部极大值和局部极小值，具体为依据所述优化电力负荷预测数据的瞬时幅值a(t)，识别得到局部最大值序列和局部最小值序列；
19、计算平均包络值，具体为对所述局部最大值序列和局部最小值序列进行插值，得到上包络序列插值数据和下包络序列插值数据，并得到上包络序列瞬时幅值和下包络序列瞬时幅值，计算公式为：
20、；
21、式中，是上包络序列瞬时幅值，是下包络序列瞬时幅值，是上包络序列插值数据，是下包络序列插值数据；
22、计算瞬时频率值，用于区分数据信号的频率成分，计算公式为：
23、；
24、式中，是第一瞬时频率，是第二瞬时频率，是上包络序列频率变化率，是下包络序列频率变化率，所述频率变化率，具体通过对包络序列插值数据的平方和相位倒数插值得到，是上包络序列瞬时幅值，是下包络序列瞬时幅值；
25、局部截止频率重排列，具体为计算并重排局部截止频率，计算公式为：
26、；
27、式中，是重排列局部截止频率，是第一瞬时频率，是第二瞬时频率；
本文档来自技高网...【技术保护点】
1.一种基于人工智能的电力负荷预测系统，其特征在于：包括数据获取模块、特征处理模块、预测驱动模块、预测应用模块和监控反馈模块；
2.根据权利要求1所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述数据收集处理，用于收集电力负荷预测所需的原始数据，具体为从电力系统和环境传感记录中，通过数据采集，得到电力负荷预测原始数据，并通过对所述电力负荷预测原始数据进行优化处理，得到优化电力负荷预测数据；
3.根据权利要求2所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述重叠特征提取，用于在不同频段相互重叠的电力负荷数据中提取频分特征，具体为依据所述优化电力负荷预测数据，采用结合样本熵的时变滤波模态分解方法，进行重叠特征提取，得到重叠频分特征数据；
4.根据权利要求3所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述构建时变滤波模态分解算子，进行原始数据分解，得到时变滤波分解数据，具体步骤包括：
5.根据权利要求4所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述结合变分模态分解和高阶窗平滑的经验小波变化方法，具体
6.根据权利要求5所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述采用结合变分模态分解和高阶窗平滑的经验小波变化方法，进行重叠特征分解的步骤，包括：
7.根据权利要求6所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述结合卷积时间特征提取的多路径循环双向长短期记忆网络，具体包括卷积子网、循环神经子网和双向长短期记忆子网；
8.根据权利要求7所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述预测值可视化，用于针对负荷预测的结果构建可视化数据参考，具体为采用数据可视化模组，将所述电力负荷预测数据绘制为可交互的可视化图像，得到预测值可视化图像分析数据。
9.根据权利要求8所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述模型精度监控，用于实施模型预测并监控模型的预测精度，优化模型预测性能，具体为对所述预测值可视化图像分析数据进行人工分析，并根据预测情况和实际情况的对比，进行模型的精度优化，并通过精度优化得到最优预测模型，使用所述最优预测模型，执行电力负荷预测任务，得到最终的电力负荷预测参考。
...【技术特征摘要】
1.一种基于人工智能的电力负荷预测系统，其特征在于：包括数据获取模块、特征处理模块、预测驱动模块、预测应用模块和监控反馈模块；
2.根据权利要求1所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述数据收集处理，用于收集电力负荷预测所需的原始数据，具体为从电力系统和环境传感记录中，通过数据采集，得到电力负荷预测原始数据，并通过对所述电力负荷预测原始数据进行优化处理，得到优化电力负荷预测数据；
3.根据权利要求2所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述重叠特征提取，用于在不同频段相互重叠的电力负荷数据中提取频分特征，具体为依据所述优化电力负荷预测数据，采用结合样本熵的时变滤波模态分解方法，进行重叠特征提取，得到重叠频分特征数据；
4.根据权利要求3所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述构建时变滤波模态分解算子，进行原始数据分解，得到时变滤波分解数据，具体步骤包括：
5.根据权利要求4所述的一种基于人工智能的电力负荷预测系统，其特征在于：所述结合变分模态分解和高阶窗平滑的经验小波变化方法，具体包括变分模态分解自适应分割算子、...
【专利技术属性】
技术研发人员：邵博韬，
申请(专利权)人：北京国能国源能源科技有限公司，
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。