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()
【技术实现步骤摘要】
本专利技术涉及智能电网,尤其涉及一种基于调控云的分层分区新能源负荷预测方法及系统。
技术介绍
1、新能源在我国能源系统中所占的比重越来越大,现已成为电力企业关注的焦点。随着新能源大规模接入电网,传统电力系统也面临着严峻考验。由于新能源固有的随机性强、可控性低与出力波动性等特点,对传统电力规划、设计和运行造成比较大的影响,对新能源负荷特性进行预测对于电力系统的稳定运行和优化具有重要意义。
2、在新能源大规模并网的情况下,风速、光照等外部条件在极大程度上影响了新能源处理和负荷预测结果,而且随着新能源的快速发展,电网负荷复杂多变,导致负荷数据量急剧增加,现有预测模型的准确度和精细度不够理想。
技术实现思路
1、本专利技术要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供一种基于调控云的分层分区新能源负荷预测方法,提高新能源负荷预测结果的准确度和精细度。为此,本专利技术采取以下技术方案。
2、一种基于调控云的分层分区新能源负荷预测方法,包括以下步骤:
3、100)收集各个分区的新能源负荷数据,所述新能源负荷数据包括能源类型数据、气象数据和设备运行数据;
4、200)将所述新能源负荷数据上传至调控云平台,并利用调控云平台中嵌入的特征卷积层对新能源负荷数据进行处理,所述处理包括对新能源负荷数据的特征提取,输出新能源负荷特征数据;
5、300)构建分层分区预测模型,所述分层分区预测模型包括预先训练好的全局预测网络层和局
6、所述全局预测网络层通过卷积神经网络与长短期记忆网络结合,获取新能源负荷特征数据中的全局特征,以进行全局负荷预测;
7、局部预测网络层包含各个分区的弱预测网络;通过集成多个弱预测网络的模型参数,构建强预测网络,利用强预测网络对多个弱预测网络进行优化;
8、400)将所述新能源负荷特征数据输入所述分层分区预测模型中,利用所述全局预测网络层进行全局负荷预测,输出全局负荷预测结果,并通过所述局部预测网络层对各个分区进行局部负荷预测,输出多个局部负荷预测结果;
9、500)在所述调控云平台中对所述全局预测网络层和局部预测网络层的预测结果进行融合,最终生成并输出负荷预测结果。
10、本技术方案通过分层分区预测模型,将全局性预测与局部区域的预测相结合,充分考虑各个分区的负荷特性,进一步提高了负荷预测的精度。同时,利用调控云平台进行数据处理和模型训练,通过集成优化多个弱预测网络,增强了预测模型的稳健性和适应性,有效应对了新能源负荷的波动性和复杂性。具体的:
11、通过构建分层分区预测模型,将全局预测和局部预测相结合,能够更精确地捕捉不同区域的新能源负荷特性,特别是在负荷差异较大的情况下,有效提升了整体预测的精度。将新能源负荷数据上传至调控云平台,利用其强大的计算能力和嵌入的特征卷积层进行数据处理,有助于高效地提取负荷特征,提高数据处理效率和准确性。全局预测网络层采用卷积神经网络(cnn)和长短期记忆网络(lstm)相结合的方法,能够更好地处理复杂的时间序列数据,尤其是在新能源负荷波动较大的情况下,保证预测的稳定性。通过局部预测网络层对各个分区的负荷进行独立预测,适应了各分区之间负荷特性的差异,有效解决了传统全局预测模型无法精确捕捉局部特征的问题。在调控云平台中对全局预测和局部预测的结果进行融合,能够综合考虑全局和局部的负荷信息,输出更加可靠和全面的负荷预测结果。本方法可以随着新能源系统的扩展,通过增加分区预测模型和调整边缘节点来适应更多的负荷分区,有较强的扩展性和适应性;通过集成多个弱预测网络构建强预测网络,并利用强预测网络对弱预测网络进行优化,可以有效提高局部负荷预测的可靠性和精度,克服单一弱预测网络的局限性。
12、作为优选技术手段:步骤200)中,所述基于调控云平台中嵌入的特征卷积层进行的数据处理包括:
13、210)将所述能源类型数据、气象数据和设备运行数据进行矩阵化处理,生成多维负荷矩阵;
14、220)设置多个卷积核,利用所述卷积核对所述多维负荷矩阵进行卷积操作,获取对应的卷积负荷特征数据;
15、230)分析所述卷积负荷特征数据,提取处于预设数据量范围内的新能源负荷特征数据。
16、通过将能源类型数据、气象数据和设备运行数据进行矩阵化处理,生成多维负荷矩阵,使得不同类型的数据能够统一处理。利用卷积操作对多维负荷矩阵进行处理,能够自动学习和提取数据中的重要特征,有效捕捉隐藏在数据中的复杂模式。多个卷积核的设置,使得模型能够从不同尺度和角度提取负荷特征数据,提高了对复杂数据模式的识别能力。卷积操作具有平移不变性,使得模型能够对新能源负荷的波动和变化有更好的适应性,提升了预测的泛化能力。通过分析卷积负荷特征数据,并提取处于预设数据量范围内的新能源负荷特征数据,能够过滤掉噪声和无关信息,保留对预测最为有用的特征,提高预测精度。特征提取过程在调控云平台中进行,充分利用了云计算的高效处理能力,确保数据处理的速度和准确性。矩阵化处理能够将不同类型的数据(如能源类型、气象、设备运行数据)进行统一的格式化处理,使得系统可以轻松应对多源异构数据,提高了系统的兼容性和适应性。基于调控云平台进行的数据处理,能够利用云平台的分布式计算资源和存储能力,高效处理大规模新能源负荷数据,降低了本地计算的负担。卷积操作的并行处理能力也能有效利用云平台的硬件加速特性,进一步提升了处理速度和效率。
17、作为优选技术手段:在步骤210)对所述能源类型数据、气象数据和设备运行数据进行矩阵化处理之前,还包括:
18、201)获取所述能源类型数据、气象数据和设备运行数据的数据类型;
19、202)当所述数据类型不同时,构建格式统一处理模板;
20、203)利用所述格式统一处理模板对所述数据进行格式转换处理,输出格式统一的能源类型数据、气象数据和设备运行数据;
21、204)对格式统一后的数据进行矩阵化处理。
22、本技术方案通过增加数据预处理步骤,有效解决了多源异构数据的兼容性问题,确保了数据处理的稳定性和效率,提高了新能源负荷预测的准确性和可靠性,同时也为系统的扩展性和实用性提供了保障。
23、作为优选技术手段:训练所述全局预测网络层的步骤包括:
24、311)获取全连接神经网络和长短期记忆网络,其中,长短期记忆网络的输入端与全连接神经网络的输出端相连;
25、312)通过全连接神经网络对所述新能源负荷特征数据进行高维映射,生成高维空间特征;
26、313)利用长短期记忆网络对所述高维空间特征进行时序分析,提取基于时间序列的高维空间特征;
27、314)根据所述时间序列特征与标识负荷预测结果的标识信息,训练所述全局预测网络层。
28、通过全连接神经网络对新能源负荷特征数据进行高维映射,能够将原本文档来自技高网...
【技术保护点】
1.一种基于调控云的分层分区新能源负荷预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:步骤200)中,所述基于调控云平台中嵌入的特征卷积层进行的数据处理包括:
3.根据权利要求2所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:在步骤210)对所述能源类型数据、气象数据和设备运行数据进行矩阵化处理之前,还包括:
4.根据权利要求3所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:训练所述全局预测网络层的步骤包括:
5.根据权利要求4所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:训练所述局部预测网络层包括:
6.根据权利要求5所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:对所述多个弱预测网络进行集成优化的步骤包括:
7.根据权利要求6所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:当各个分区的数量超过预设数量时,还包括:
8.一种基于调控云的分层分区新能源负荷预
9.根据权利要求8所述的一种基于调控云的分层分区新能源负荷预测系统,其特征在于:所述数据处理模块进一步包括:
10.根据权利要求9所述的一种基于调控云的分层分区新能源负荷预测系统,其特征在于:所述预测模型构建模块进一步包括:
...【技术特征摘要】
1.一种基于调控云的分层分区新能源负荷预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:步骤200)中,所述基于调控云平台中嵌入的特征卷积层进行的数据处理包括:
3.根据权利要求2所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:在步骤210)对所述能源类型数据、气象数据和设备运行数据进行矩阵化处理之前,还包括:
4.根据权利要求3所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:训练所述全局预测网络层的步骤包括:
5.根据权利要求4所述的一种基于调控云的分层分区新能源负荷预测方法,其特征在于:训练所述局部预测网络层包...
【专利技术属性】
技术研发人员:梁帅伟,钟宇军,黄浩,王清,夏代军,詹志雄,王栋,甘纯,金晨星,姚斯磊,张引贤,方海娜,徐冉月,潘永春,
申请(专利权)人:国网浙江省电力有限公司舟山供电公司,
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。