【技术实现步骤摘要】
本专利技术涉及电力负荷预测领域，尤其涉及一种基于优化集成的短期电力负荷预测方法及系统。
技术介绍
1、负荷预测是电力系统中的一个关键环节，对电力系统的安全、经济运行具有重要影响。随着经济的发展和社会的进步，电力需求日益增长，负荷特性也变得越来越复杂和多样化。准确的负荷预测能够有效地提高电力系统的运行效率，降低运营成本，并保障供电的稳定性和可靠性。
2、现有技术中提出了一种基于二次分解的电力负荷预测方法，可有效提取数据信息，但vmd的模态分解数需要预先设置，不合理的模态分解数易导致模态冗余或重要模态信息的丢失；一种基于人工智能的短期电力负荷预测方法及系统，其预测模型采用lstm，但lstm在面对长时间序列时存在信息丢失的现象。
技术实现思路
1、本专利技术的目的是针对上述问题，提出了一种基于优化集成的短期电力负荷预测方法及系统，使用季节性趋势分解方法（seasonal and trend decomposition using loess，stl）提取电力负荷的季节、趋势和波动特性，分别用于训练informer模型，并采用集成优化思想对各分量预测结果加权求和，有效提升电力负荷预测精度和稳定性。
2、为了达到上述目的，本专利技术提供的技术方案为：
3、一种基于优化集成的短期电力负荷预测方法及系统，包括：
4、s1、获取原始的电力负荷序列数据；
5、s2、对所述电力负荷序列数据进行预处理，所述预处理包括异常值检测、缺失值检测和数
6、s3、采用季节性趋势分解方法对电力负荷数据集分解，提取电力负荷数据集的季节分量、趋势分量和波动分量；
7、s4、将电力负荷数据集的季节分量、趋势分量和波动分量分别按比例划分为训练集和测试集，并针对各项分量分别构建相对应的informer模型，作为季节分量预测模型、趋势分量预测模型和波动分量预测模型，分别进行训练、测试后，利用对应的informer模型得到季节分量、趋势分量和波动分量的预测值；
8、s5、以季节分量、趋势分量和波动分量的预测值作为输入，将平均绝对误差与预测误差标准差之和作为优化目标，构建预测分量集成的权重最优化模型，用于求解得到季节分量、趋势分量和波动分量的预测值的最优权重；
9、s6、在蜣螂优化算法中引入多策略，得到改进蜣螂优化算法，利用其求解所述预测分量集成的最优化模型，对季节分量、趋势分量和波动分量的预测值的权重系数进行寻优；
10、s7、根据步骤s6得到的季节分量、趋势分量和波动分量的预测值的最优权重系数对季节分量预测模型、趋势预测模型和波动预测模型输出的实时的季节分量、趋势分量和波动分量的预测值进行加权求和，得到短期电力负荷预测结果。
11、进一步地，在s1中，对某一地区电力负荷数据进行采集，采样频率保持不变，时间周期为一年；
12、进一步地，在s2中，对数据采集过程中由于设备因素和人为因素造成的数据异常和数据缺失，采用箱线图理论进行检验；对检测过程出现的电力负荷异常值和缺失值采用线性插值法进行填补，计算式如下：
13、
14、式中， xt为 t时刻的异常或缺失数据， t表示缺失时刻， xt+1为缺失时刻的后一时刻， xt-1为缺失时刻的前一时刻数据；
15、进一步地，在s3中，对输入序列采用stl进行分解，提取表征电力负荷变化特性的趋势分量、季节分量及波动分量，包括以下步骤：
16、（一）内循环：
17、1）采用估计趋势分量对原始序列 yt进行去趋势处理，计算式为：
18、；
19、式中，为估计趋势分量； yt为原始序列；为去趋势化分量；
20、2）基于局部加权回归方法，对去除趋势后的各周期子序列进行平滑处理，得到初始季节分量；
21、3）利用低通滤波和局部加权回归方法，处理初始季节分量，得到剩余趋势分量；
22、4）计算初始季节分量和剩余趋势量的差值，得到季节分量：
23、
24、式中，为季节分量；为初始季节分量；为剩余趋势分量；
25、5）去除原始序列 yt中的季节分量：
26、
27、式中，为去季节分量；为季节分量； yt为原始序列；
28、6）对步骤5）中的季节分量采用非参数的局部加权回归平滑处理，得到趋势分量。
29、（二）外循环：
30、根据趋势分量和季节分量，计算波动分量，将原始序列分解为季节分量、趋势分量和波动分量，计算式为：
31、
32、式中， yt为时间序列； tt代表趋势分量； st代表季节分量； rt代表波动分量。
33、进一步地，在s4中，分别对季节分量、趋势分量和波动分量进行归一化处理，具体如下：
34、
35、式中， fn为各分量归一化后的数据； f为当前数据； fmax和 fmin分别为序列的最大值和最小值。
36、进一步地，在s4中，对归一化后的序列按照8:2的比例划分为训练集和测试集，并以此为输入训练informer模型，获取季节分量、趋势分量和波动分量预测结果，informer模型包括：
37、在编码器中，运用多头概率稀疏自注意力提取时间序列特征信息，表达式如下：
38、
39、式中， q代表query矩阵； k代表key矩阵； v代表value矩阵；代表 q的概率系数矩阵； dk代表输入维度； softmax代表激活函数； a为自注意力机制； t为转置。
40、进一步采用蒸馏机制对重要特征赋予高权重，并在下一层稀疏自注意力中更加聚焦，有效规避了特征冗余问题，从第 j层到第 j+1层的蒸馏过本文档来自技高网...
【技术保护点】
1.一种基于优化集成的短期电力负荷预测方法及系统，其特征在于，包括以下步骤：
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，所述步骤S2中，采用箱线图方法对电力负荷序列数据进行异常值检测与数据分布特征分析，并采用线性插值法填补检测过程中的异常值和缺失值，计算式为：
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，所述步骤S3中，使用季节性趋势分解方法提取表征电力负荷变化特性的趋势分量、季节分量和波动分量；
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，所述步骤S4中，对步骤S3得到的趋势分量、季节分量和波动分量进行归一化处理，对归一化后的数据序列按照固定比例划分为训练集和测试集，输入和训练Informer模型，获取趋势分量、季节分量和波动分量预测结果。
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，所述步骤S5中，以平均绝对误差和误差标准差之和为优化目标，趋势分量、季节分量和波动分量的权重系数为决策变量，构建权重最优化模型，具体如下：
6.根据权利要求5所述的短期电力负荷预测
7.如权利要求1-6任意一项所述的短期电力负荷预测方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于优化集成的短期电力负荷预测方法及系统，其特征在于，包括以下步骤：
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，所述步骤s2中，采用箱线图方法对电力负荷序列数据进行异常值检测与数据分布特征分析，并采用线性插值法填补检测过程中的异常值和缺失值，计算式为：
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，所述步骤s3中，使用季节性趋势分解方法提取表征电力负荷变化特性的趋势分量、季节分量和波动分量；
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，所述步骤s4中，对步骤s3得到的趋势分量、季节分量...
【专利技术属性】
技术研发人员：叶永盛，李阳，徐燕龙，文斌，黎丽丽，刘雨辰，
申请(专利权)人：三峡大学，
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。