本发明专利技术公开了基于政策量化和长短期记忆算法的电力日负荷预测方法，属于电力系统负荷预测技术领域，包括以下步骤：根据政策的定性描述，将政策转化为定量指标，生成反映政策变化对电力需求影响的数值特征，并通过清洗异常值、填充缺失值和归一化操作进行数据预处理，得到模型的输入数据；基于长短期记忆网络，根据输入数据进行模型训练，通过初始化模型参数、设置训练超参数和自适应训练策略及动态参数调整，生成预测模型，用于对于电力日负荷进行预测。本发明专利技术能够快速、精准地预测电力负荷变化，从而有效应对政策调整带来的不确定性，提升电力系统的运行效率与安全性。
【技术实现步骤摘要】
本专利技术涉及电力系统负荷预测，具体而言，涉及基于政策量化和长短期记忆算法的电力日负荷预测方法。
技术介绍
1、在当前电力系统中，准确的负荷预测对电力系统的安全、稳定运行以及电力调度有着重要的意义。随着能源政策的不断调整，如碳排放政策、能源补贴等，传统的电力负荷预测方法由于缺乏政策信息的量化处理，无法及时反映政策变化对电力需求的影响。因此，如何将政策变化引入到电力负荷预测模型中，并结合先进的深度学习算法，如长短时记忆网络，来提高负荷预测的准确性，已成为一个亟待解决的技术难题。
2、近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力系统的用电需求预测成为一项很有意义的工作。lstm模型因其强大的时序数据处理能力，在电力负荷预测中得到了广泛应用。然而，目前的研究大多仅依赖于历史数据和天气因素，未能充分考虑政策变化的影响。因此，急需设计一种新的电力日负荷预测技术，可以有效提升负荷预测的精度
技术实现思路
1、为了解决上述问题，本专利技术的目的是提供基于政策量化和长短期记忆算法的电力日负荷预测技术，旨在有效应对政策调整带来的不确定性，提升电力系统的运行效率与安全性。
2、为了实现上述技术目的，本申请提供了基于政策量化和长短期记忆算法的电力日负荷预测方法，包括以下步骤：
3、根据政策的定性描述，将政策转化为定量指标，生成反映政策变化对电力需求影响的数值特征，并通过清洗异常值、填充缺失值和归一化操作进行数据预处理，得到模型的输入数据；
<
p>4、基于长短期记忆网络，根据输入数据进行模型训练，通过初始化模型参数、设置训练超参数和自适应训练策略及动态参数调整，生成预测模型，用于对于电力日负荷进行预测。5、优选地，在获取反映政策变化对电力需求影响的数值特征的过程中，根据区域内的历史电力负荷数据、气象数据以及政策数据，将政策进行定性描述转化为定量指标，生成反映政策变化对电力需求影响的数值特征。
6、优选地，在获取数值特征的过程中，将政策指标、负荷特征指标、经济指标、气象因素指标、社会因素指标、市场动态指标和历史电力负荷数据，作为数值特征，其中，政策指标包括：能源价格、能源投资、补贴政策、环境保护、安全防护、电力改革和节能减排；
7、负荷特征指标包括日负荷曲线、峰谷差和负荷因子；
8、经济指标：gdp增长率、工业产值和失业率；
9、气象因素指标：气温、降水量、③湿度和风速；
10、社会因素指标：人口密度、家庭结构和城市化率；
11、市场动态指标：电力价格、供应链效率和市场需求预测；
12、历史电力负荷数据，包括过去24小时的负荷。
13、优选地，在对政策进行量化的过程中，采用评分标准对政策进行量化，包括如下步骤：
14、①为每个评分维度分配权重，分配权重使用ahp方法，并为每个政策根据其在每个维度上的表现打分，可分为3个维度，依次为：额度(0-10分)；覆盖范围(0-10分)；实施效果(0-10分)，总评分计算为：
15、总分＝μ1·额度评分＋μ2·覆盖范围评分+μ3·实施效果评分
16、式中：μ1、μ2、μ3分别为三个维度的权重；
17、②进行量化值计算：使用二元分类，1表示实施，0表示未实施；
18、③量化后指标：量化后指标＝∑(μi·li)
19、式中μi为不同维度的权重，li为对应的量化值。
20、优选地，在进行数据预处理的过程中，预处理的过程为：
21、
22、式中：x‘i为处理后的规范数据，xi是数值特征i的样本，xmin是数值特征i的最小样本值，xmax是数值特征i的最大样本值。
23、优选地，在获取输入数据的过程前，使用特征工程方法选择对负荷预测最有影响的关键特征，减少冗余数据，具体包括如下步骤：
24、①l1正则化：通过稀疏化权重，自动选择最有影响力的特征，l1正则化的损失函数形式为：
25、
26、式中：w为模型的权重，||w||1为l1范数，λ为正则化系数，yi为i个样本的真实值，f(xi)为模型在输入xi下的预测值；
27、l1正则化使不重要的特征权重趋向于0，从而选择重要的数值特征；
28、②主成分分析pca，用于进行降维，表示为：
29、z＝xm
30、其中，x为归一化后的特征矩阵m为pca变换矩阵，z为降维后的特征矩阵；
31、得到24个规范化后的输入特征后，先通过l1正则化，在24个特征中选择出对预测的关键特征，再通过pca将关键特征降维至一个低维空间，将降维后的特征数值作为lstm模型的最终输入层数据，输入层节点数也同步调整。
32、优选地，在进行模型训练前，根据长短期记忆网络的输入层、隐藏层和输出层的节点数，随机生成lstm模型各层之间的权重和偏置，采用正态分布方法进行参数初始化。
33、优选地，在进行模型训练的过程中，通过自适应优化算法，实时动态调整模型的超参数，具体包括：动态正则化强度调整、梯度裁剪阈值的动态调整、动态权重标准化、标签平滑系数的动态调整和序列反转频率的动态调整。
34、优选地，在模型训练完成后，通过均方误差mse、平均绝对百分比误差mape和决定系数r2评判模型性能。
35、优选地，用于实现电力日负荷预测方法的电力日负荷预测系统，包括：
36、数据采集与处理模块，用于根据政策的定性描述，将政策转化为定量指标，生成反映政策变化对电力需求影响的数值特征，并通过清洗异常值、填充缺失值和归一化操作进行数据预处理，得到模型的输入数据；
37、预测模块，用于基于长短期记忆网络，根据输入数据进行模型训练，通过初始化模型参数、设置训练超参数和自适应训练策略及动态参数调整，生成预测模型，用于对于电力日负荷进行预测。
38、本专利技术公开了以下技术效果：
39、(1)数据多维度整合：相比于单一维度的数据使用，本方案将历史电力负荷、气象数据和政策数据相结合，尤其是将政策的定性描述量化为定量指标，使模型更全面地考虑了影响电力负荷的多方面因素，提高了预测的全面性和准确性。
40、(2)提高预测精度：通过使用lstm神经网络处理电力负荷的时间序列数据，模型能够有效捕捉长期依赖关系和复杂的时间特征，相比于传统的线性回归模型、arima等方法，能够更准确地预测电力负荷需求，特别是在长时间跨度的预测中表现更优。
41、(3)提高模型训练效率：通过特征选择(l1正则化)和降维(pca)，减少了冗余特征的数量，优化了模型的计算复杂度，缩短了训练时间，并提升了模型在高维数据下的运算效率。
42、(4)增强模型的鲁棒性与泛化能力：通过动态调整正则化强度、梯度裁剪阈值、权重标准化、标签平滑系数等多种超参数，能够自适应不同训练阶本文档来自技高网
...
【技术保护点】
1.基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
3.根据权利要求2所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
4.根据权利要求3所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
5.根据权利要求4所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
6.根据权利要求5所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
7.根据权利要求6所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
8.根据权利要求7所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
9.根据权利要求8所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
10.根据权利要求1-9任意一项权利要求所述的基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
【技术特征摘要】
1.基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
3.根据权利要求2所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
4.根据权利要求3所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
5.根据权利要求4所述基于政策量化和长短期记忆算法的电力日负荷预测方法，其特征在于：
6.根据...
【专利技术属性】
技术研发人员：李欣怡，陈重韬，姚艳丽，曲洪泽，姜蕴洲，周子阔，王艺霏，马跃，彭柏，那琼澜，李信，李坚，温馨，张海明，凡航，刘敦楠，韩雅萱，张祖菡，段赟杰，杨柳青，闰文才，徐野，
申请(专利权)人：国网冀北电力有限公司信息通信分公司，
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。