The invention discloses a short-term load forecasting method and device for electric power. The method includes: dividing the daily type of historical data based on daily load curve; taking the historical daily load information and selected characteristic data contained in each daily type as input, and taking the predicted daily load value as output, establishing several multiple linear regression forecasting models for different daily types. Based on TensorFlow deep learning model, several multiple multiple linear regression forecasting models are trained, optimized and validated, and short-term load forecasting models for different types of days are obtained. The invention can automatically divide the day type according to the information of holidays and daily load curve, adopt multiple linear regression model, comprehensively consider the influence of holidays and weather changes on the load, train and optimize automatically according to the day type under the framework of deep learning, and obtain three short-term load forecasting models, and calculate and obtain more accurate load forecasting values.
【技术实现步骤摘要】
电力短期负荷预测方法和装置
本专利技术涉及电力系统负荷预测
,具体而言,涉及一种电力短期负荷预测方法和系统。
技术介绍
电力短期负荷预测是电力系统需求侧管理的重要组成之一,与电力系统生产计划、电力调度运行密切相关。电力短期负荷预测需综合考虑电力负荷相关因素,准确的短期负荷预测,对优化资源配置、确保电力供应的安全性、可靠性和经济性有重大意义。而现有的多数短期负荷预测方法,如采用基于BP神经网络的预测方法等面临特征选择不合理或存在过多冗余特征而导致的预测准确度不高的问题。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷,提供一种预测精度更高且更符合实际情况的电力短期负荷预测方法和系统。为解决上述技术问题,本专利技术采用以下技术方案:在一个方面,本专利技术提供了一种电力短期负荷预测方法,包括以下步骤:步骤一:基于日负荷曲线对历史数据的日类型进行划分;步骤二:将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入,以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型;步骤三:基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证,得到针对不同日类型的短期负荷预测模型;进一步地,对历史数据的日类型进行划分的方法包括:采用单因素方差分析方法确定工作日和节假日的日负荷差异,将日类型分别节假日和工作日;对工作日的每日历史数据,以每15分钟为间隔,取96点日负荷数据曲线作为特征,通过K-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。优选地,日类型的划分结果为节假日、工作 ...
【技术保护点】
1.电力短期负荷预测方法,其特征是,包括以下步骤:步骤一:基于日负荷曲线对历史数据的日类型进行划分;步骤二:将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入,以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型;步骤三:基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证,得到针对不同日类型的短期负荷预测模型。
【技术特征摘要】
1.电力短期负荷预测方法,其特征是,包括以下步骤:步骤一:基于日负荷曲线对历史数据的日类型进行划分;步骤二:将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入,以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型;步骤三:基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证,得到针对不同日类型的短期负荷预测模型。2.根据权利要求1所述的电力短期负荷预测方法,其特征是,对历史数据的日类型进行划分的方法包括:采用单因素方差分析方法确定工作日和节假日的日负荷差异,将日类型分别节假日和工作日;对工作日的每日历史数据,以每15分钟为间隔,取96点日负荷数据曲线作为特征,通过K-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。3.根据权利要求1所述的电力短期负荷预测方法,其特征是,日类型的划分结果为节假日、工作日和临假工作日三种类型。4.根据权利要求1所述的电力短期负荷预测方法,其特征是,选定的特征数据包括日期信息和具体时刻信息以及时刻对应的天气信息以及历史对应时刻的日负荷信息。5.根据权利要求4所述的电力短期负荷预测方法,其特征是,时刻对应的天气信息包括风向、风速、雨量、湿度、气压以及总云量信息。6.根据权利要求1所述的电力短期负荷预测方法,其特征是,采用梯度下降法对建立的若干多个多元线性回归预测模型参数调优。7.根据权利要求1所述的电力短期负荷预测方法,其特征是...
【专利技术属性】
技术研发人员:徐丽燕,陆继翔,余飞翔,沈茂亚,王纪立,季学纯,季惠英,沙一川,翟明玉,
申请(专利权)人:国电南瑞科技股份有限公司,国电南瑞南京控制系统有限公司,
类型:发明
国别省市:江苏,32
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。