The invention discloses a method for establishing medium and long term load forecasting model of power system based on convolutional neural network, which includes the following steps: S1, obtaining load records of a certain area; S2, applying KPCA kernel principal component analysis algorithm to denoise input variables of the model; and the specific steps of model denoising using KPCA kernel principal component analysis algorithm are as follows: S2.1, obtaining original transmission. Enter the sample set; S2.2, transform the original input sample set to the high-dimensional feature space through the non-linear mapping; S2.3, do linear principal component analysis KPCA in the high-dimensional feature space; S2.4, correspond the linear PCA in the high-dimensional feature space to the non-linear PCA in the input space; S2.5, solve the eigenvalues and eigenvectors of the input matrix; the invention can solve the existing large-scale load forecasting. It has a large amount of calculation and complex processing, and greatly improves the accuracy of load forecasting.
【技术实现步骤摘要】
一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
本专利技术涉及电力系统负荷预测
,具体涉及一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法。
技术介绍
电力系统负荷预测作为能量管理系统的重要组成部分,其预测误差的大小直接影响电网后续安全校核的分析结果,对电网动态状态估计、负荷调度和减少发电成本等方面具有重要意义。由于负荷本身的不确定性和复杂性,准确的负荷特性分析和预测模型建立是提高预测精度的关键所在。现有预测模型主要集中在浅层学习,在有限的样本和计算单元下对复杂函数的逼近能力有限,难以提取负荷序列的深层次特征,模型的泛化性能受到了限制,阻碍了预测精度的进一步提高。而近年来兴起的深度学习模型具有非常好的信息表达能力,鲁棒性和泛化性,已成功应用在图像识别、计算机视觉等诸多领域,并且在预测领域也开始崭露头角。传统负荷预测方法主要有基于时间序列的ARMA模型、灰色预测法以及回归分析法等,该类方法所构建的预测模型简单,应用较为广泛,但是,对负荷序列的平稳性要求较高,大多只利用历史负荷进行预测,在某些情况下的预测精度会受到影响。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足,提供一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法,该方法能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题,且大大提高了负荷预测的精度。本专利技术的目的通过下述技术方案实现:一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法,包括下述步骤:S1,获取某地区的负荷记录;S2,应用KPCA核主成分分析算法对模型输入变量进行降噪处理 ...
【技术保护点】
1.一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法,其特征在于,包括下述步骤:S1,获取某地区的负荷记录;S2,应用KPCA核主成分分析算法对模型输入变量进行降噪处理;其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下:S2.1,获得原输入样本集;S2.2,将原输入样本集通过非线性映射变换到高维特征空间;S2.3,在高维特征空间做线性主成分分析KPCA;S2.4,将高维特征空间的线性PCA和输入空间的非线性PCA一一对应;S2.5,求解输入矩阵的特征值和特征向量;S3,基于S1中某地区的负荷记录数据,利用聚类算法获得预测日类型的相似日数据,其中,所述聚类算法使用K‑means均值聚类,具体步骤如下:S3.1,首先选择一些类或组,并随机初始化其各自的中心点,中心点与数据点位于相同的位置;S3.2,计算每个数据点到中心点的距离,数据点距离哪个中心点最近就划分到哪一类中;S3.3,计算每一类中的中心点作为新的中心点;S3.4,重复上述S3.1至S3.3,直至每一类的中心点在每次迭代后变化不超过5%为止;S4,将预测日前10天的数据作为横向数据;S5,从S3聚类算法求得的相 ...
【技术特征摘要】
1.一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法,其特征在于,包括下述步骤:S1,获取某地区的负荷记录;S2,应用KPCA核主成分分析算法对模型输入变量进行降噪处理;其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下:S2.1,获得原输入样本集;S2.2,将原输入样本集通过非线性映射变换到高维特征空间;S2.3,在高维特征空间做线性主成分分析KPCA;S2.4,将高维特征空间的线性PCA和输入空间的非线性PCA一一对应;S2.5,求解输入矩阵的特征值和特征向量;S3,基于S1中某地区的负荷记录数据,利用聚类算法获得预测日类型的相似日数据,其中,所述聚类算法使用K-means均值聚类,具体步骤如下:S3.1,首先选择一些类或组,并随机初始化其各自的中心点,中心点与数据点位于相同的位置;S3.2,计算每个数据点到中心点的距离,数据点距离哪个中心点最近就划分到哪一类中;S3.3,计算每一类中的中心点作为新的中心点;S3.4,重复上述S3.1至S3.3,直至每一类的中心点在每次迭代后变化不超过5%为止;S4,将预测日前10天的数据作为横向数据;S5,从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据;S6,将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵,其中测试集矩阵只占总数据的5%-10%;S7,设置横向数据和纵向数据的组合权值系数矩阵;S8,将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘,得到的结果用于训练卷积神经网络FAST-RCNN。2.根据权利要求1所述基于卷积神经网络...
【专利技术属性】
技术研发人员:孟安波,杨跞,汤伟成,殷豪,黄圣权,刘哲,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东,44
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。