【技术实现步骤摘要】
基于PCA-DBILSTM的多因素短期负荷预测方法
本专利技术涉及一种基于PCA-DBILSTM的多因素短期负荷预测方法。
技术介绍
负荷预测在电力系统规划、能源交易、电力系统运行等方面起着主导作用。自上世纪90年代初以来,通过增加放松管制的结构和引入竞争市场,通过垄断的方式来管理的电力部门已经被重塑。短期负荷预测对于电力系统的可靠运行至关重要。电力系统短期负荷预测是一种基于历史负荷数据的方法,充分考虑气象、节假日等因素来预测未来几小时或几天的负荷。负荷预测的准确性将直接影响电力系统的安全性和经济性。在智能电网环境下,随着分布式发电、储能装置、电动汽车的发展,传统的电力负荷预测方法已经不能满足人们的需求。目前,国内外研究学者对于电力系统短期负荷预测主要有两类预测方法:时间序列分析法和机器学习法。其中,时间序列分析法包含动平均法、指数平滑法、自回归求和移动平均(Auto-RegressiveIntegratedMovingAverage,ARIMA)法等;其原理是利用历史负荷数据自身的时序性和自相关性进行分析,不需要考虑负荷产生的相关因素,只需要足够的序列样本就能够建立相应的预测模型,预测方法简单,但预测精度较低。机器学习法主要包含包括人工神经网络(ArtificialNeuralNetworks,ANN)法、支持向量机(SupportVectorMachines,SVM)、遗传算法、随机森林等,其中ANN方法更是受到国内外学者的关注。有文献提出了一种将遗传算法与反向传播(BackPropagation,BP) ...
【技术保护点】
1.一种基于PCA-DBILSTM的多因素短期负荷预测方法,其特征在于,首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵,并利用PCA方法对多维矩阵进行主成分提取,然后利用DBILSTM网络预测模型进行预测。/n
【技术特征摘要】
1.一种基于PCA-DBILSTM的多因素短期负荷预测方法,其特征在于,首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵,并利用PCA方法对多维矩阵进行主成分提取,然后利用DBILSTM网络预测模型进行预测。
2.根据权利要求1所述的基于PCA-DBILSTM的多因素短期负荷预测方法,其特征在于:
步骤1:对原始输入数据进行归一化和Onehot编码得到一个多维矩阵;
多维矩阵包括n个行向量,每个行向量中包含历史负荷以及多种影响因素(其中包含前一周同一时刻负荷、前一天同时刻负荷、前两天同一时刻负荷、前一天前一时刻负荷、预测日最高气温、预测日最低气温、预测日降水量、预测日湿度、预测日日期类型);
步骤2:对归一化后的数据集进行主成分分析,设定方差累计贡献率的阈值为95%,确定主成分的个数;
步骤3:将得到的主成分输入到DBILSTM网络中,得到当前时刻的预测值;
步骤4:利用均方根误差loss作为目标函数的损失值,计算当前输出值与负荷真实值间的误差,并利用Adamax算法对DBILSTM网络的权重参数进行更新,直到迭代完成;均方根误差loss计算公式为:
其中:yo为真实负荷值,yp为当前输出值,n为预测点个数;
步骤5:输入测试集数据,利用训练好的DBILSTM网络模型,对未来24小时的负荷进行预测。
3.根据权利要求1所述的基于PCA-DBILSTM的多因素短期负荷预测方法,其特征在于:步骤1包括:
(1)对用于表征工作日和非工作日的类别型变量进行Onehot编码处理,其中非工作日分为周末和法定节假日;经过Onehot编码后的特征向量为8维矩阵;当预测日为周日时,第7位为1,其余位为0,对于法定节假日,将第8位置1,其余位为0;
(2)对于数值型数据采用最大最小值归一化(Min-MaxNormalization)进行处理,其计算公式如下:
其中,表示归一化后的输入变量,x表示待归一化变量,即原始数值型数据,和分别表示待归一化变量的最小值和最大值;
为了使最终输出结果具有物理意义,对预测得到的负荷数据进行反归一化,其计算公式如下:
xscaler=xtd(max′(x)-min′(x))+min′(x);
其中,表示待反归一化的变量,和表示待反归一化变量中的最大值和最小值,表示反归一化获得的数值。
4.根据权利要求1所述的基于PCA-DBIL...
【专利技术属性】
技术研发人员:李泽文,胡让,穆利智,易洋,钱雪社,刘湘,王梓糠,段芳铮,王志刚,
申请(专利权)人:长沙理工大学,
类型:发明
国别省市:湖南;43
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。