【技术实现步骤摘要】
一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
本专利技术涉及一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，属于电力系统负荷预测领域。
技术介绍
随着智能电网在全世界范围内的不断发展，配网在电力系统中重要性日益增加。保障用户的安全可靠经济用电是电力系统的最重要目标之一。负荷预测在电力系统供需平衡、决策优化和安全经济运行等方面发挥重要支撑作用。随着智能采集设备的安装，更多的低压负荷得以监测并保存，为低压负荷预测提供了基本的数据来源。然而，相比于传统区域负荷预测，由于配电网低压负荷容量小、随机性高以及越来越多的分布式电源接入等因素，低压负荷预测难度大大增加。另一方面，近些年来，随着大规模新能源发电的并网以及多种需求侧管理措施的实施，电网不确定性因素日益增加，给电力系统决策者带来了更大的挑战。因此有必要提出一种先进准确的预测模型以应对低压负荷高波动性的特点。目前，有关低压负荷的预测方法及控制策略研究尚处于探索阶段。就负荷预测方面，文献主要集中在高电压等级，例如国家、地区、城市等。目...
【技术保护点】
1.一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，其特征在于，该方法是：对于原始电力数据处理使其满足平稳性后，依靠重采样将多种集成学习方法应用到深度学习中构建不同的初级集成深度模型，再将多种初级集成深度模型相结合构建混合集成深度点预测模型，且考虑不同初级集成深度模型的预测表现的差别性，根据预测能力强弱配置初级集成深度模型在混合集成深度点预测模型中的权重，最后基于混合集成深度点预测的预测误差概率分布提出混合集成深度概率预测模型。/n
【技术特征摘要】
1.一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，其特征在于，该方法是：对于原始电力数据处理使其满足平稳性后，依靠重采样将多种集成学习方法应用到深度学习中构建不同的初级集成深度模型，再将多种初级集成深度模型相结合构建混合集成深度点预测模型，且考虑不同初级集成深度模型的预测表现的差别性，根据预测能力强弱配置初级集成深度模型在混合集成深度点预测模型中的权重，最后基于混合集成深度点预测的预测误差概率分布提出混合集成深度概率预测模型。
2.根据权利要求1所述的基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，其特征在于，对原始电力数据需进行平稳性验证，不满足平稳性则需采用差分变换技术保证新生成的时间序列的平稳性。
3.根据权利要求1所述的基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，其特征在于，多种集成学习方法包括bagging,adaboost.r2,modifiedadaboost.r2,adaboost.RT,BEMboosting和adaboost+，分别被应用于单独的深度信念网络从而形成六种初级集成深度模型。
4.根据权利要求3所述的基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，其特征在于，将六种初级集成深度模型相结合构建混合集成深度点预测模型，具体可通过线性函数得到：
式中，μt为第t个初级集成深度模型在混合集成深度点预测模型中的权重，为第t个初级集成深度模型的预测值，xi为样本i的解释变量，yi为样本i的目标变量，即待预测的电力负荷值。
5.根据权利要求4所述的基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法，其特征在于，采用基于分类技术的自适应权值确定...
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。