【技术实现步骤摘要】
基于深度学习神经网络的电力系统短期负荷预测方法
本申请属于电力系统短期负荷预测领域，，尤其涉及基于深度学习神经网络的电力系统短期负荷预测方法。
技术介绍
随着电力系统规模和复杂性不断提高，电力系统短期负荷预测的准确与否对有效降低发电资费、实施各地区电力系统优化控制具有关键作用。与长期负荷预测相比，短期负荷预测主要用于安排发电计划，时效性最高。其负荷变动速度快，受温差、湿度等突变因素影响大，属于动态非线性时间序列。由于短期负荷的此类特征，若想达到精准预测较为困难。随着新电改的实施，售电市场竞争不断深化，对预测精度提出新的要求。因此，提供一种精确度高的电力系统短期负荷预测方法是很有必要的。
技术实现思路
为了解决现有技术中存在的缺点和不足，本申请提出了基于深度学习神经网络的电力系统短期负荷预测方法，借助基于Attention机制的LSTM神经网络预测模型进行负荷预测，可以更好地挖掘历史负荷数据序列中的关键信息以及时间序列数据之间的特征关系。具体的，基于深度学习神经网络的电力系统短期负荷预测方法，包括：...
【技术保护点】
1.基于深度学习神经网络的电力系统短期负荷预测方法，其特征在于，所述电力系统短期负荷预测方法包括：/n收集电力系统的历史负荷数据，对收集到的历史负荷数据进行预处理；/n搭建基于Attention机制的LSTM负荷预测模型；/n基于搭建的LSTM负荷预测模型对电力系统短期负荷进行预测。/n
【技术特征摘要】
1.基于深度学习神经网络的电力系统短期负荷预测方法，其特征在于，所述电力系统短期负荷预测方法包括：
收集电力系统的历史负荷数据，对收集到的历史负荷数据进行预处理；
搭建基于Attention机制的LSTM负荷预测模型；
基于搭建的LSTM负荷预测模型对电力系统短期负荷进行预测。
2.根据权利要求1所述的基于深度学习神经网络的电力系统短期负荷预测方法，其特征在于，所述对收集到的历史负荷数据进行预处理，包括：、
判定历史负荷数据存在的缺陷类型；
如果存在缺失数据，则对历史负荷数据进行数据修补；
如果存在异常数据，则采用水平横向法对历史负荷数据进行纠正。
3.根据权利要求2所述的基于深度学习神经网络的电力系统短期负荷预测方法，其特征在于，所述如果存在缺失数据，则对历史负荷数据进行数据修补，包括：
如果存在由于电力负荷采集系统故障或其他人为因素导致收集到实际的负荷数据为缺失数据，对于短期负荷预测，在选择其他日期的负荷作为参考时，在历史负荷数据修补日中选择一个相似日期，基于如公式一所示的当日电力负荷数据的修补计算公式和如公式二所示的基于相邻同类型日的负荷数据的修补公式进行数据修补：
l(n,t)＝ω*l(n,t-1)+(1-ω)*l(n,t+1)公式一；
l(n,t)＝ω*l(n-1,t)+(1-ω)*l(n+1,t)公式二；
式中，l(n,t)为第n天的t时刻的电力负荷数值，其中权值ω取0＜ω＜1。
4.根据权利要求2所述的基于深度学习神经网络的电力系统短期负荷预测方法，其特征在于，所述如果存在异常数据，则采用水平横向法对历史负荷数据进行纠正，包括：
异常数据辨别方法：
式中：xn,i为第n天第i时刻的负荷值；分别为电力负荷数据均值和方差；ε是设置的电力负荷阈值，通常取0.9～1.6；
通过公式三计算得到相对应的均值和方差后，使用3σ理论，代入公式三实现异常数据辨别；
假如电力负荷数据代入公式四出现异常，则为该电力负荷数据为正常电力负荷数据，则保存该数据；如果负荷数据满足公式四，则被判定为异常数据，下一步就是对其进行数据修正；
异常数据修正方法：
在公式五中：为第n天第i个时刻的电力负荷修正值；xn±1,i为xn,i前后2个同类日第i个时刻的电力负荷值；为xn,i前后2个相似日第i时刻的电力负荷值；最后通过公式四即可实现对异常数据进行修复和校正。
5.根据权利要求2所述的基...
【专利技术属性】
技术研发人员：林海峰，黄建平，章坚民，章剑光，张永建，张磊，凌玲，赵峰，范玉权，邱程峰，谢颖，王冠帅，杨剑峰，汤臻，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，国网浙江省电力有限公司，杭州电子科技大学，
类型：发明
国别省市：浙江;33
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。