【技术实现步骤摘要】
本专利技术涉及电力负荷预测，具体为一种考虑气象因素的区域电力负荷预测方法。
技术介绍
1、电力负荷预测在电网科学调度、电力系统安全稳定运行等方面起着至关重要的作用。随着智能电网的发展，电力负荷相关数据更加完善，越来越多的研究者尝试使用不同的方法提高电力负荷的预测精度。一方面，对负荷需求的低估会导致部分地区电力需求无法得到满足，造成经济损失；另一方面，由于大规模电能无法存储，对负荷需求的高估会导致能源浪费。如何对电力负荷进行精准预测具有非常重要的意义和实用价值。影响电力负荷的因素有众多，包括经济结构、社会因素、气象因子及突发事件等。温度相关气象因子在负荷预测模型中最为常用，也有学者通过实验证明了湿度、风速、降雨量、太阳辐射等气象因子在负荷预测中有重要作用。由于我国土地辽阔，经纬度跨度较大，各区域气候差异明显，不同区域气象因子与电力负荷之间关系并不相同，此外，同一区域不同时间段气象因子对负荷的影响也存在差异。精细化地分析气象因子与电力负荷之间的这种时空关联特性，对于实现精准负荷预测具有重要意义。
2、目前，传统区域电力负荷预测方法单一依赖于气象观测站采集数据，数据收集相对困难且耗时，在处理大规模复杂数据时，传统数据处理技术不能满足预测模型的需求，从而严重影响了模型训练效率和预测结果的准确性。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种考虑气象因素的区域电力负荷预测方法，具备多样化采集数据特征更具有代表性、深度学习预测分析精准度更高等优点，解决了传统区域电力负
2、为实现上述目的，本专利技术提供如下技术方案：一种考虑气象因素的区域电力负荷预测方法，包括以下步骤：
3、步骤一、收集历史气象数据集和电力灾害数据集，再采用多种数据分析方法进行数据处理；
4、步骤二、采用深度学习神经网络技术，从历史气象数据集和电力灾害数据集中提取数据特征，并进行相关性分析；
5、步骤三、采集光照强度、降水量、温度、光电板朝向和角度、地理位置数据以及对应的光能发电数据，并对数据进行清洗后划分训练集和测试集；
6、步骤四、采用bp神经网络作为新能源资源预测模型，并结合反向传播算法和随机梯度下降法进行模型训练、参数优化和验证评估；
7、步骤五、采用wrf数值天气预报模型的高精度风光资源预测技术，离散处理大气动力学方程组，结合物理参数化方案和外部边界条件，模拟和预报天气系统；
8、步骤六、根据模拟区域内的气象场构建与电力灾害数据相关的预警模型，采用大数据分析技术进行模型优化，验证评估后输出预警结果。
9、优选的，所述步骤一中，历史气象数据集包括气温、湿度、风速、降水量、云图像和气象灾害数据，电力灾害数据集包括停电时间、受损设备和损失金额数据，并对历史气象数据集和电力灾害数据集进行缺失值处理、异常值剔除和数据标准化处理。
10、优选的，所述步骤二中，采用卷积神经网络技术捕捉历史气象数据集中不同时间和空间尺度下的气象模式和变化规律的同时，采用循环神经网络技术挖掘电力灾害数据集中的时序关联性，并建立关联分析模型，关联分析模型包括气象数据与电力灾害数据的关联规则，关联规则包括风速关联规则、降水量关联规则、温度关联规则和雷电关联规则。
11、优选的，所述步骤三中，通过网络连接多重传感器采集光照强度、降水量、温度、光电板朝向和角度、地理位置数据以及对应的光能发电数据，并通过差值方法处理数据缺失值和剔除异常值，再将清洗后的数据按照min-max标准化处理方式缩放到指定最小值和最大值之间。
12、优选的，所述步骤三中，将标准化处理后的清洗数据通过主成分分析方法进行特征选择和降维处理，提取出最具预测性的特征，并按照时间序列排列后，划分70％的特征数据作为训练集，划分30％的特征数据作为测试集。
13、优选的，所述步骤四中，通过随机初始化或预训练初始化方法针对bp神经网络的权重参数和偏置参数进行设置后，输入训练集训练预测模型，并根据预测模型在测试集上的表现进行评估，其评估流程如下：
14、首先，通过前向传播方法将训练集数据传递至输入层，经过输入层的权重连接后，传递至隐藏层，隐藏层根据训练集数据计算得到输出值，输出值传递至输出层，输出层计算最终的预测结果，前向传播过程中，每个神经元的输出值通过激活函数进行非线性转换，采用的激活函数为sigmoid函数；
15、通过均方误差mse损失函数计算模型预测值与真实值之间的差异程度，其计算公式如下：
16、
17、公式中，mse表示均方误差，yi表示真实值，表示模型预测值；
18、通过反向传播算法计算损失函数对参数的梯度，再通过梯度下降方法进行参数优化，其具体步骤如下：
19、根据链式法则计算损失函数每个神经元的梯度；
20、根据梯度，通过随机梯度下降法更新模型参数以最小化损失函数，并重复进行多次迭代，直至达到预设的训练停止条件；
21、针对训练后的预测模型进行验证评估，将测试集数据输入预测模型，进行前向传播，计算损失函数后，根据均方根误差rmse或平均绝对误差mae指标针对模型在测试集上的表现进行评估。
22、优选的，所述步骤五中，wrf数值天气预报模型通过设置网格结构、物理参数化方案和边界条件，提供模拟区域的初始场，再通过有限差分方法进行积分求解，得到模拟区域内的气象场。
23、优选的，所述步骤五中，网格结构包括水平网格和垂直网格，水平网格采用笛卡尔网格或球面谐波网格，垂直网格采用高度坐标或气压坐标，物理参数化方案通过navier-stokes方程组和热力学方程描述大气的运动、热力和水汽的动态过程，并针对navier-stokes方程组和热力学方程进行离散处理，通过数值方法求解。
24、优选的，所述步骤六中，将历史气象数据集和电力灾害数据集代入预警模型进行验证评估，并总结分析过程和预警结果，将其撰写为项目报告后输出。
25、优选的，所述步骤六中，预警模型采用高分辨率精细化数值天气预优化技术，提供面向新能源生产运行的多种时间尺度的预警结果，时间尺度划分为短期、中期和长期，短期，短期预警结果应用于实时数据研究，中期预警结果应用于电力负荷调度，长期预警结果应用于电力负荷规划。
26、与现有技术相比，本专利技术提供了一种考虑气象因素的区域电力负荷预测方法，具备以下有益效果：
27、1、本专利技术通过收集历史气象数据集和电力灾害数据集，再采用多种数据分析方法进行数据处理，采用深度学习神经网络技术，从历史气象数据集和电力灾害数据集中提取数据特征，提取电力灾害数据相关的大气象数据特征库，并进行相关性分析，关联分析模型包括气象数据与电力灾害数据的关联规则，关联规则包括风速关联规则、降水量关联规则、温度关联规则和雷电关联规则，根据关联规则构建关联分析模型，多样本文档来自技高网...
【技术保护点】
1.一种考虑气象因素的区域电力负荷预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤一中，历史气象数据集包括气温、湿度、风速、降水量、云图像和气象灾害数据，电力灾害数据集包括停电时间、受损设备和损失金额数据，并对历史气象数据集和电力灾害数据集进行缺失值处理、异常值剔除和数据标准化处理。
3.根据权利要求2所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤二中，采用卷积神经网络技术捕捉历史气象数据集中不同时间和空间尺度下的气象模式和变化规律的同时，采用循环神经网络技术挖掘电力灾害数据集中的时序关联性，并建立关联分析模型，关联分析模型包括气象数据与电力灾害数据的关联规则，关联规则包括风速关联规则、降水量关联规则、温度关联规则和雷电关联规则。
4.根据权利要求3所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤三中，通过网络连接多重传感器采集光照强度、降水量、温度、光电板朝向和角度、地理位置数据以及对应的光能发电数据，并通过差值方法处理数据缺失值和
5.根据权利要求4所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤三中，将标准化处理后的清洗数据通过主成分分析方法进行特征选择和降维处理，提取出最具预测性的特征，并按照时间序列排列后，划分70％的特征数据作为训练集，划分30％的特征数据作为测试集。
6.根据权利要求5所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤四中，通过随机初始化或预训练初始化方法针对BP神经网络的权重参数和偏置参数进行设置后，输入训练集训练预测模型，并根据预测模型在测试集上的表现进行评估，其评估流程如下：
7.根据权利要求6所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤五中，WRF数值天气预报模型通过设置网格结构、物理参数化方案和边界条件，提供模拟区域的初始场，再通过有限差分方法进行积分求解，得到模拟区域内的气象场。
8.根据权利要求7所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤五中，网格结构包括水平网格和垂直网格，水平网格采用笛卡尔网格或球面谐波网格，垂直网格采用高度坐标或气压坐标，物理参数化方案通过Navier-Stokes方程组和热力学方程描述大气的运动、热力和水汽的动态过程，并针对Navier-Stokes方程组和热力学方程进行离散处理，通过数值方法求解。
9.根据权利要求8所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤六中，将历史气象数据集和电力灾害数据集代入预警模型进行验证评估，并总结分析过程和预警结果，将其撰写为项目报告后输出。
10.根据权利要求9所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤六中，预警模型采用高分辨率精细化数值天气预优化技术，提供面向新能源生产运行的多种时间尺度的预警结果，时间尺度划分为短期、中期和长期，短期，短期预警结果应用于实时数据研究，中期预警结果应用于电力负荷调度，长期预警结果应用于电力负荷规划。
...【技术特征摘要】
1.一种考虑气象因素的区域电力负荷预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤一中，历史气象数据集包括气温、湿度、风速、降水量、云图像和气象灾害数据，电力灾害数据集包括停电时间、受损设备和损失金额数据，并对历史气象数据集和电力灾害数据集进行缺失值处理、异常值剔除和数据标准化处理。
3.根据权利要求2所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤二中，采用卷积神经网络技术捕捉历史气象数据集中不同时间和空间尺度下的气象模式和变化规律的同时，采用循环神经网络技术挖掘电力灾害数据集中的时序关联性，并建立关联分析模型，关联分析模型包括气象数据与电力灾害数据的关联规则，关联规则包括风速关联规则、降水量关联规则、温度关联规则和雷电关联规则。
4.根据权利要求3所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤三中，通过网络连接多重传感器采集光照强度、降水量、温度、光电板朝向和角度、地理位置数据以及对应的光能发电数据，并通过差值方法处理数据缺失值和剔除异常值，再将清洗后的数据按照min-max标准化处理方式缩放到指定最小值和最大值之间。
5.根据权利要求4所述的一种考虑气象因素的区域电力负荷预测方法，其特征在于：所述步骤三中，将标准化处理后的清洗数据通过主成分分析方法进行特征选择和降维处理，提取出最具预测性的特征，并按照时间序列排列后，划分70％的特征数据作为训练集，划分30％的特征数据作为测试集。
6.根据权利要求5所述的一种...
【专利技术属性】
技术研发人员：张宸，刘凯，崔惠，程环宇，宋玉，顾颖程，刘梅招，
申请(专利权)人：国网江苏省电力有限公司扬州供电分公司，
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。