一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法技术

本发明专利技术提出一种基于TCN与IPSO‑LSSVM组合模型的短期负荷预测方法，包括以下步骤：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO‑LSSVM的短期负荷预测模型；基于优势矩阵法构建TCN与IPSO‑LSSVM组合预测模型，作日前负荷预测。本发明专利技术充分利用气象因素对负荷的影响，结合气象相似日法，通过建立考虑实时气象因素的短期负荷组合模型预测方法，为电网运行人员做好日前发电计划提供依据。

【技术实现步骤摘要】
一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法
本专利技术涉及电力系统负荷短期预测
，尤其是涉及一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法。
技术介绍
电力系统负荷预测是通过对负荷历史数据以及经济、气象等影响因素进行研究和分析，对未来一段时间内的电力需求提前做出推测，从而提高电力系统管理效率、降低运行成本。负荷预测对于了解用户信息、制定有效合理的发展规划起着重要作用，而短期负荷预测作为负荷预测的重要组成部分，主要是指对未来几个小时、一天至几天的电力负荷作预测。国内外的众多研究表明，在短期负荷预测领域中，气象因素对负荷的影响作用最为明显和普遍。所以，研究气象因素与电力负荷的相关影响机制，并探寻科学合理的处理策略对提高短期负荷预测精度水平具有重要意义。目前多数短期负荷预测研究中对气象因素的应用仅局限于以日为考量单位的日特征气象因素的考虑，例如日最高温度、日最低温度、日平均温度、日最高湿度、日平均湿度、日最低湿度等。然而日特征气象因素存在着一个不可忽略的典型缺陷，即所含信息的“局部性”，这方面难以满足现代短期本文档来自技高网...

【技术保护点】
1.一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，包括以下步骤：/nS1：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；/nS2：基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；/nS3：分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型；/nS4：基于优势矩阵法构建TCN与IPSO-LSSVM组合预测模型，作日前负荷预测；/n采用优势矩阵法对两个模型得出的时刻...

【技术特征摘要】
1.一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，包括以下步骤：
S1：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；
S2：基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；
S3：分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型；
S4：基于优势矩阵法构建TCN与IPSO-LSSVM组合预测模型，作日前负荷预测；
采用优势矩阵法对两个模型得出的时刻预测结果进行加权组合，设ωi为模型i的权值系数，fit为模型i在t时刻的预测值，ft为t时刻的组合模型预测值，则优势矩阵法确定权值系数ωi的方法如下所示：
ft＝ω1f1t+ω2f2t,t＝1,2,Λ,n






式中：Z1为研究时间段内模型1的预测效果优于模型2的次数，而Z2为研究期限内模型2预测效果优于模型1的次数，这里的预测效果本发明采用日准确度作为评价指标，即准确度较高则预测结果较优。


2.根据权利要求1所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S1具体包括：
S101：对负荷、气象等数据进行筛查与预处理，补全必要缺失数据，剔除坏数据，对各项数据指标进行量化处理，各基础数据量纲不同且数值相差较大，需作标准化处理；
S102：以候平均气温15℃和23℃为指标划分春夏秋冬四个季节；
S103：计算气象综合指数得出对负荷曲线的影响；
S104：通过对负荷及气象因素作相关性分析，寻找关键气象因子。


3.根据权利要求1所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S2具体包括：
获取待预测日与历史日相关数据，包括负荷数据、气象数据、日期类型信息，并处理组成特征向量；通过建立加权灰色关联度计算函数，在指定范围内对同类型日的历史样本数据依次进行搜索，计算每个历史样本数据与待预测日数据的相似程度，以此为依据选取关联程度最大的一天作为最佳相似日；
采用气象因素的相关系数绝对值所占百分比作为权重，然后由关联矩阵求得加权灰色关联度，其函数定义式为：






式中：ζij为第j个影响因子的关联系数；n为矩阵特征量个数；wj＝(w1w2Lwn)T为灰色关联度中第j个气象因子的权重；Rj第j个影响因子与日最大负荷的相关系数；m为影响因子个数；为所有气象因子的相关系数绝对值的总和；γ0i即为待预测日特征量与历史日第i天特征量的灰色关联度。


4.根据权利要求1所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S3具体包括：
S301：以负荷以及气象数据组成网络模型输入特征向量，其中包括：当前t时刻的实时温度、当前t时刻的实时湿度、当前t时刻的ET、当前t时刻的THI、当前t时刻的CHI、当前t时刻的CI、前一日t时刻的ET、前一日t时刻的THI、前一日t时刻的CHI、前一日t时刻的CI、待预测日的日期类型映射、前一周同类型日t时刻负荷、前第1日的t+1，t，t-1，t-2，t-3时刻负荷、前第2日t时刻的负荷、相似日t时刻的负荷；
S302：构建考虑实时气象因素的TCN短期负荷预测模型，包括：TCN隐藏层和Dense全连接输出层，具体设置如下：
S321：设置TCN隐藏层，设置2层TCN网络用于负荷预测建模：第1层TCN的过滤器的数量为48，卷积核的长度为3，随机失活率为0.2；第2层TCN的过滤器的数量为16，卷积核的长度为2，随机失活率为0.05。每层都计算出预测长度为64的输出序列，最后一层设置其只返回序列的最后一个时刻的输出；
S322：设置输出层，使用全连接层对前一层返回的最后一个输出进行降维，Dense层的激活函数选取“relu”函数对输出数据做非线性映射，最后得到预测结果；
S303：构建基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型，包括如下步骤：
S331：改进粒子群算法；
S332：对于一个数量为m的给定样本集其中xi为第i个样本的输入向量且xi∈Rn，yi为对应的第i个输出且yi∈R，则在高维特征空间中LSSVM模型的回归函数可以表示为：



式中：ω为权值向量；为将样本映射到高维空间的非线性函数；b为偏差；
LSSVM的目标函数及约束条件为：...

【专利技术属性】
技术研发人员：李滨，陆明珍，王靖德，高枫，陈碧云，白晓清，李佩杰，祝云，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45