【技术实现步骤摘要】
一种电力负荷预测方法、装置、计算机设备及存储介质
本专利技术涉及电力预测领域，特别涉及一种电力负荷预测方法、装置、计算机设备及存储介质。
技术介绍
随着电力市场的发展以及用户需求的提升，电网的安全及经济运行变得至关重要。对电力负荷进行准确的短期预测，可以有效保障电网安全运行，降低发电成本，满足用户需求和提高社会经济效益。由于电力系统负荷具有明显的周期特性，同时影响因素复杂，如气候、降雨量等，因此选择先进和准确的短期负荷预测方法十分必要。当前涌现了很多现代智能的电力负荷预测方法，例如小波分析法、人工神经网络法和支持向量法等，这些方法相比于一些传统的短期电力负荷预测方法(诸如灰色预测法、卡尔曼滤波法和专家系统法等)而言，不论是电力负荷的预测速度还是预测精度，都有一定的提高。然而即便这些电力负荷预测方法已经提高了电力负荷的预测速度和预测精度，但是都还存在着一些弊端，例如人工神经网络法，该方法虽具有较强的记忆能力和非线性映射能力，但是难以科学的确定其网络结构和适合的寻优参数，存在局部极小点问题；又例如支持向量法以统计...
【技术保护点】
1.一种电力负荷预测方法，其特征在于，包括：/n获取历史用电量数据，并对所述历史用电量数据进行经验模态分解，得到一系列本征模态函数分量和残余分量；/n利用单层LSTM网络对所述残余分量进行学习，并输出趋势预测结果；/n利用融合注意力机制的CNN-BiLSTM网络对所述一系列本征模态函数分量进行学习，并输出一系列对应的波动预测结果；/n对所述一系列对应的波动预测结果和所述趋势预测结果进行重构，得到最终的用电量预测结果。/n
【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，包括：
获取历史用电量数据，并对所述历史用电量数据进行经验模态分解，得到一系列本征模态函数分量和残余分量；
利用单层LSTM网络对所述残余分量进行学习，并输出趋势预测结果；
利用融合注意力机制的CNN-BiLSTM网络对所述一系列本征模态函数分量进行学习，并输出一系列对应的波动预测结果；
对所述一系列对应的波动预测结果和所述趋势预测结果进行重构，得到最终的用电量预测结果。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述获取历史用电量数据，并对所述历史用电量数据进行经验模态分解，得到一系列本征模态函数分量和残余分量，包括：
在所述历史用电量数据中获取用电量数据序列x(t)，并在所述用电量数据序列x(t)中获取所有的极大值点，将所述极大值点拟合形成所述历史用电量数据的上包络线；
在所述用电量数据序列x(t)中获取所有的极小值点，并将所述极小值点拟合形成所述历史用电量数据的下包络线；
将上包络线和下包络线的均值记作m(t)，设置如下公式：h(t)＝x(t)-m(t)，式中，h(t)是历史用电量数据的新序列；
根据预先设置的本征模态函数分量约束条件判断h(t)是否为本征模态函数分量；
当判定h(t)不是本征模态函数分量时，则以h(t)代替x(t)，并重复上述步骤，直至h(t)满足所述本征模态函数分量约束条件；
当判定h(t)是本征模态函数分量时，则从用电量数据序列x(t)中扣除所述本征模态函数分量，并重复上述步骤，直至最后剩余部分为单调序列或者常值序列。
3.根据权利要求1所述的电力负荷预测方法，其特征在于，所述利用单层LSTM网络对所述残余分量进行学习，并输出趋势预测结果，包括：
预先通过单层LSTM网络构建残余分量预测模型，并对所述残余分量预测模型进行训练和测试，然后保存所述残余分量预测模型；
利用所述残余分量预测模型对所述残余分量进行学习，输出趋势预测结果。
4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述对所述一系列本征模态函数分量进行学习，并输出一系列对应的波动预测结果，包括：
预先通过融合注意力机制的CNN-BiLSTM网络构建本征模态函数分量预测模型，并对所述本征模态函数分量预测模型进行训练和测试，然后保存所述本征模态函数分量预测模型；
利用所述本征模态函数分量预测模型对所述一系列本征模态函数分量进行学习，并输出一系列对应的波动预测结果。
5.根据权利要求4所述的电力负荷预测方法，其特征在于，所述利用所述本征模态函数分量预测模型...
【专利技术属性】
技术研发人员：刘雨桐，石强，熊娇，王国勋，
申请(专利权)人：润联软件系统深圳有限公司，
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。