【技术实现步骤摘要】
本专利技术涉及电力负荷预测，特别是涉及一种基于深度学习的短期电力负荷预测方法。
技术介绍
1、电力负荷预测是电力市场能量管理系统的重要组成部分。短期电力负荷预测是针对短期负荷随机性和不确定性的特点，综合考虑天气情况、社会因素的条件下，充分研究和利用现有历史数据，建立一套符合历史数据连续性、周期性等特点的数学模型，在满足较高精度的意义上，确定未来几小时、一天或几天的电力负荷。
2、但是，在电力行业飞速发展，短期电力负荷预测面临着数据波动大、影响因素复杂、预测精度要求高等挑战。因此，设计一种基于深度学习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、为了克服现有技术的不足，本专利技术的目的是提供一种基于深度学习的短期电力负荷预测方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术提供了一种基于深度学习的短期电力负荷预测方法，包括：
4、收集数据，并对影响因素进行分析；
5、对数据进行预处理操作；
6、构建vmd_cnn_bigru模型；
7、基于预处理操作后的数据对vmd_cnn_bigru模型进行训练；
8、基于训练后的vmd_cnn_bigru模型进行短期电力负荷预测。
9、优选地，收集数据，并对影响因素进行分析，具体为：
10、收集负荷数据及气象因素数据，并通过皮尔逊相关系数对影响因素进行分析，将气象因素数据中的天气特征、气温特征及日
11、优选地，对数据进行预处理操作，具体为：
12、获取负荷数据及气象因素数据，对其进行特征筛选pearson处理、缺失值处理、异常值处理及归一化处理。
13、优选地，构建vmd_cnn_bigru模型，具体为：
14、构建bigru模型，并引入cnn，构成cnn_bigru模型；
15、对采集的负荷数据进行vmd分解处理，得到多个子序列；
16、将得到的子序列作为输入数据的一部分，与特征变量一同作为cnn_bigru模型的输入；
17、针对每个子序列及cnn_bigru模型分别构建各自的vmd_cnn_bigru模型，得到各自的预测负荷值；
18、将每个子序列的预测负荷值求和，并进行逆归一化处理，得到最终的负荷数据的负荷预测值。
19、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：
20、本专利技术提供了一种基于深度学习的短期电力负荷预测方法，该方法包括收集数据，并对影响因素进行分析，对数据进行预处理操作，构建vmd_cnn_bigru模型，基于预处理操作后的数据对vmd_cnn_bigru模型进行训练，基于训练后的vmd_cnn_bigru模型进行短期电力负荷预测。本专利技术能够有效应对负荷数据的复杂波动性，并提高负荷预测的精度和稳定性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的短期电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，收集数据，并对影响因素进行分析，具体为：
3.根据权利要求2所述的方法，其特征在于，对数据进行预处理操作，具体为：
4.根据权利要求3所述的方法，其特征在于，构建VMD_CNN_BiGRU模型，具体为：
【技术特征摘要】
1.一种基于深度学习的短期电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，收集数据，并对影响因素进行分析，具体为：
...
【专利技术属性】
技术研发人员：陈敏，尤帅英，周涛，周叶涛，陈翔翔，
申请(专利权)人：石河子大学，
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。