System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种短期电力负荷预测方法技术_技高网

一种短期电力负荷预测方法技术

技术编号:43075183 阅读:5 留言:0更新日期:2024-10-22 14:49
本发明专利技术提供了一种短期电力负荷预测方法,该方法包括获取历史负荷及气象数据,并对其进行预处理,基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象特征输入变量,搭建短期电力负荷预测模型,并对模型进行训练,保存最佳训练模型,基于预处理后的数据对最佳训练模型进行测试,对输出结果进行反归一化处理,得到负荷预测值。本发明专利技术提供的短期电力负荷预测方法,基于改进的TCN网络、LSTM网络及去平稳化注意力机制,能够实现短期负荷预测,且有效提高了预测的精度。

【技术实现步骤摘要】

本专利技术涉及电力系统,特别是涉及一种短期电力负荷预测方法


技术介绍

1、由于电能难以大量存储以及电力需求时刻变化等特点,要求系统发电应与负荷的变化实现动态平衡。提高负荷预测准确率有利于提高发电设备的利用率和经济调度的有效性,特别是市场化改革后,电力供需将通过实时交易实现平衡,短期负荷预测精度越来越重要。在短期负荷预测中,气象因素有着至关重要的影响。目前许多文献在短期负荷预测中考虑了气象因素,在考虑了多重气象因素对负荷预测的影响时,通常会分析气象因素与负荷的相关性,从而进行特征选择,但是考虑到季节非平稳性所带来的差异,有必要根据不同季节气象信息与电力负荷的相关性特征建立短期电力负荷预测模型。

2、目前,机器学习技术已被应用于电力负荷预测中,预测模型根据模型数量可分为2类。一类预测模型是单一预测模型,该类模型利用相关性分析提取与电力负荷耦合程度较高的影响因素,再利用最小二乘支持向量机(least squares support vector machine,lssvm)、长短期记忆(long short-term memory,lstm)网络等进一步提取数据特征,从而得到电力负荷预测值。lssvm具有解决非线性问题的优势,被广泛应用于电力负荷预测领域。lstm网络解决了循环神经网络(recurrent neural network,rnn)的长期依赖问题,可显著提高预测精度与效率。由于电力负荷具有非线性、非平稳性等特点,单一预测模型结构具有局限性,因此,难以达到理想的预测精度。另一类预测模型则是融合多种模型优点的组合预测模型,这种模型存在参数较少,面对如今海量而复杂的电力数据,难以对蕴含在数据中的信息进行有效表达的问题。因此,设计一种基于去平稳注意力机制和改进tcn-lstm的短期电力负荷预测方法是十分有必要的。


技术实现思路

1、本专利技术的目的是提供一种短期电力负荷预测方法,基于改进的tcn网络、lstm网络及去平稳化注意力机制,能够实现短期负荷预测,且有效提高了预测的精度。

2、为实现上述目的,本专利技术提供了如下方案:

3、一种短期电力负荷预测方法,包括如下步骤:

4、步骤1:获取历史负荷及气象数据,并对其进行预处理;

5、步骤2:基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象特征输入变量;

6、步骤3:搭建短期电力负荷预测模型,并对模型进行训练,保存最佳训练模型;

7、步骤4:基于预处理后的数据对最佳训练模型进行测试,对输出结果进行反归一化处理,得到负荷预测值。

8、可选的,步骤1中,获取历史负荷及气象数据,并对其进行预处理,具体为:

9、收集历史负荷及气象数据,对历史负荷数据进行归一化处理,将其划分为训练样本集及测试样本集。

10、可选的,步骤2中,基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象特征输入变量,具体为:

11、绘制不同季节负荷与各气象因素之间的皮尔逊系数动态相关图,统计相关系数大于0.4的天数占比,最终构造气象特征输入变量,其中,春季包括温度、降雨量及光照强度,夏季包括温度及降雨量,秋季包括温度、风速、降雨量及光照强度,冬季包括温度、降雨量及光照强度。

12、可选的,步骤3中,搭建短期电力负荷预测模型,并对模型进行训练,保存最佳训练模型,具体为:

13、基于改进的tcn网络、lstm网络及去平稳化注意力机制搭建tcn-lstm-dsa预测模型,设定模型参数,基于训练样本集对模型进行训练,并保存最佳训练模型。

14、可选的,步骤4中,基于预处理后的数据对最佳训练模型进行测试,对输出结果进行反归一化处理,得到负荷预测值,具体为:

15、基于测试样本集对最佳训练模型进行测试,对输出结果进行反归一化处理,得到负荷预测值。

16、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:本专利技术提供的短期电力负荷预测方法,该方法包括获取历史负荷及气象数据,并对其进行预处理,基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象特征输入变量,搭建短期电力负荷预测模型,并对模型进行训练,保存最佳训练模型,基于预处理后的数据对最佳训练模型进行测试,对输出结果进行反归一化处理,得到负荷预测值,该方法考虑到季节的差异性,基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象特征输入变量,有利于提升短期负荷预测精度,利用改进的tcn提取特征并构建序列的特征向量,利用去平稳注意力处理非平稳的时间序列数据,再采用lstm网络进行短期负荷预测,解决了时间序列的长期依赖问题,提高了预测的精度。

本文档来自技高网...

【技术保护点】

1.一种短期电力负荷预测方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的短期电力负荷预测方法,其特征在于,步骤1中,获取历史负荷及气象数据,并对其进行预处理,具体为:

3.根据权利要求2所述的短期电力负荷预测方法,其特征在于,步骤2中,基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象特征输入变量,具体为:

4.根据权利要求3所述的短期电力负荷预测方法,其特征在于,步骤3中,搭建短期电力负荷预测模型,并对模型进行训练,保存最佳训练模型,具体为:

5.根据权利要求4所述的短期电力负荷预测方法,其特征在于,步骤4中,基于预处理后的数据对最佳训练模型进行测试,对输出结果进行反归一化处理,得到负荷预测值,具体为:

【技术特征摘要】

1.一种短期电力负荷预测方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的短期电力负荷预测方法,其特征在于,步骤1中,获取历史负荷及气象数据,并对其进行预处理,具体为:

3.根据权利要求2所述的短期电力负荷预测方法,其特征在于,步骤2中,基于皮尔逊相关系数量化不同季节负荷与各气象因素之间的相关性,根据相关性结果构造气象...

【专利技术属性】
技术研发人员:宋明曙苏常胜杨超杜龙张高航吴茂乾朱清衡中伟高光芒张斯文王勇
申请(专利权)人:国网新疆电力有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1