【技术实现步骤摘要】
基于形状的动态时间归整聚类的园区短期负荷预测方法
本专利技术涉及短期负荷预测领域,具体来说,涉及基于形状的动态时间归整聚类的园区短期负荷预测方法。
技术介绍
随着新一轮电力体制改革的不断推进,增量配电业务改革成为政府和全社会最为关注的话题。近两年,又有更多的增量配电网试点项目上马,不断吸引社会优质资本参与。试点项目业主大部分以高新产业园区、循环经济园区以及工业园区组成。这些主体用电负荷相对较为集中,规律性较强,因此试点项目中的用电主体用电负荷特性在当前增量配电网市场建设中有非常重要的意义。增量供电市场竞争中,供电经济性与可靠性是决定性因素。可靠性方面,不同供电方式的供电可靠性不同,花费的成本也有差别,但在当前政策下,电网成本用于提升可靠性的作用无法体现,因此在当前电价市场机制未完全成熟前,依托供电可靠性的竞争相对难以把握;经济性方面,需要通过精准措施,有针对性地满足园区供电需求,提高增量配网的投入产出比是现阶段市场中重要的影响因素,故对其进行负荷预测就显得尤为重要。针对于园区传统的预测方法多采用基于机器学习和深度学习 ...
【技术保护点】
1.基于形状的动态时间归整聚类的园区短期负荷预测方法,其特征在于,该方法包括以下步骤:/nS1、获取电力系统负荷数据及其对应数据,并对负荷数据及其对应数据进行预处理;/nS2、基于多尺度信息融合卷积神经网络模型构造动态时间归整聚类方法,完成对园区不同单位主体能耗行为的聚类分析;/nS3、利用隐马尔科夫模型对不同园区用户下一时刻的负荷行为聚类结果进行预测;/nS4、将聚类结果融入到长短期记忆模型,通过长短期记忆模型对园区不同用户进行短期负荷预测,并将不同用户的预测结果相加得到园区最终的短期负荷预测结果;/nS5、将负荷数据及其对应数据分为训练集和验证集;/nS6、选取固定长度 ...
【技术特征摘要】 【专利技术属性】
1.基于形状的动态时间归整聚类的园区短期负荷预测方法,其特征在于,该方法包括以下步骤:
S1、获取电力系统负荷数据及其对应数据,并对负荷数据及其对应数据进行预处理;
S2、基于多尺度信息融合卷积神经网络模型构造动态时间归整聚类方法,完成对园区不同单位主体能耗行为的聚类分析;
S3、利用隐马尔科夫模型对不同园区用户下一时刻的负荷行为聚类结果进行预测;
S4、将聚类结果融入到长短期记忆模型,通过长短期记忆模型对园区不同用户进行短期负荷预测,并将不同用户的预测结果相加得到园区最终的短期负荷预测结果;
S5、将负荷数据及其对应数据分为训练集和验证集;
S6、选取固定长度的训练集向量序列作为长短期记忆模型输入,且将输入向量之后固定时间的实际负荷作为模型输出的训练目标,并通过多次迭代训练使模型收敛;
S7、使用验证集验证训练好的长短期记忆模型,通过对比测试集和验证集的精度和误差,调整模型参数,且通过多次训练,选择验证集表现最好的模型作为训练结果;
S8、在实际环境中运行长短期记忆模型,且当预测值和实际值出现较大偏差时,将最新数据加入训练集再次训练模型;
其中,S1中对应数据包括但不限于气候数据、节假日数据。
2.根据权利要求1所述的基于形状的动态时间归整聚类的园区短期负荷预测方法,其特征在于,所述S1中获取电力系统负荷数据及其对应数据,并对负荷数据及其对应数据进行预处理包括以下步骤:
S11、获取电力系统负荷数据及其对应数据;
S12、将负荷数据及其对应数据中的时间数据转换为数值型数据,且对所有数据进行标准化处理,并对其中的缺失值进行均值插补处理,同时将节假日数据转换为二值数据;
S13、按照时间先后顺序形成输入向量序列;
S14、以预先设定时刻的未来一段时间内的系统负荷作为预测目标。
3.根据权利要求1所述的基于形状的动态时间归整聚类的园区短期负荷预测方法,其特征在于,所述S2中多尺度信息融合卷积神经网络模型的公式为:
pi=(ni,mi)∈[1:N]×[1:N],1<=i<=L。
4.根据权利要求3所述的基于形状的动态时间归整聚类的园区短期负荷预测方法,其特征在于,所述S2中构造动态时间归整聚类方法,完成对园区不同单位主体能耗行为的聚类分析包括以下步骤:
S21、设置边界条件,其中,
p1=(1,1),
且pL=(N,N);
S22、规定路径上的每个点随着时间单调进行,且ni和mi满足n1≤ni≤nL和m1≤mi≤mL;
技术研发人员:张明理,宋坤,张娜,武志锴,潘霄,王勇,南哲,满林坤,程孟增,商文颖,高靖,李芳,许言路,王义贺,李纯正,
申请(专利权)人:国网辽宁省电力有限公司经济技术研究院,东北大学,国家电网有限公司,
类型:发明
国别省市:辽宁;21
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。