母线负荷区间预测方法、装置、计算机设备、存储介质制造方法及图纸

本公开涉及一种母线负荷区间预测方法、装置、计算机设备、存储介质。所述方法包括：获取预测日对应的日用电信息数据；将所述预测日对应的日用电信息数据输入至预先构建的预测模型中进行处理，得到所述预测日的母线负荷数据预测区间，其中，所述预测模型包括：根据相似日对应的日用电信息数据和母线负荷数据对建立的长短期记忆网络进行训练，并通过果蝇算法确定最优参数后得到的模型。采用本方法能够获得特定置信区间下未来时刻母线负荷功率的波动范围的上、下限。下限。下限。

【技术实现步骤摘要】
母线负荷区间预测方法、装置、计算机设备、存储介质


[0001]本公开涉及区间预测
，特别是涉及一种母线负荷区间预测方法、装置、计算机设备、存储介质。

技术介绍

[0002]随着电力电网的发展，母线负荷预测对电网的运行分析，优化调度以及稳定控制具有重要意义，母线负荷预测广泛应用于电力网络的潮流计算等高级别应用中。
[0003]目前，关于母线负荷预测的研究逐渐增多，但是大部分侧重于传统的点预测方式。点预测方式在针对母线负荷这类变化趋势不够明确的负荷数据时，其预测区间无法给出母线负荷不确定性信息，具有一定的局限性。所以需要对母线负荷进行区间预测，能够获得特定置信区间下未来时刻负荷功率的波动范围的上、下限。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够获得特定置信区间下未来时刻母线负荷功率的波动范围的上、下限的母线负荷区间预测方法、装置、计算机设备、存储介质。
[0005]第一方面，本公开提供了一种母线负荷区间预测方法。所述方法包括：
[0006]获取预测日对应的日用电信息数据；
[0007]将所述预测日对应的日用电信息数据输入至预先构建的预测模型中进行处理，得到所述预测日的母线负荷数据预测区间，其中，所述预测模型包括：根据相似日对应的日用电信息数据和母线负荷数据对建立的长短期记忆网络进行训练，并通过果蝇算法确定最优参数后得到的模型。
[0008]在其中一个实施例中，所述相似日的确定过程，包括：
[0009]根据灰色关联分析方法、以及环境数据计算日期数据集中每个日期与所述预测日之间的关联度系数；
[0010]根据所述关联度系数、预先设置的关系度阈值确定与预测日对应的相似日。在其中一个实施例中，所述预测模型的训练过程，包括：
[0011]将所述相似日对应的日用电信息数据、母线负荷数据作为训练数据对建立的长短期记忆网络进行训练；
[0012]通过果蝇算法对进行训练后的所述长短期记忆网络的参数进行迭代寻优，确定第一参数；
[0013]根据所述第一参数确定最优参数；
[0014]根据所述最优参数以及训练后的所述长短期记忆网络确定所述预测模型。
[0015]在其中一个实施例中，所述根据所述第一参数确定最优参数，还包括：
[0016]根据所述第一参数和变异果蝇算法确定最优参数。
[0017]在其中一个实施例中，所述根据所述第一参数和所述变异果蝇算法确定最优参
数，包括：
[0018]根据种群中果蝇的数量、每个所述果蝇的味道浓度计算味道浓度方差；
[0019]将所述味道浓度方差和预先设置的味道浓度方差阈值进行比较，得到第一比较结果；
[0020]将所述每个果蝇的味道浓度和味道浓度阈值进行比较，得到第二比较结果；
[0021]根据所述第一参数、第一比较结果和第二比较结果确定所述最优参数。
[0022]在其中一个实施例中，所述根据所述第一参数、第一比较结果、第二比较结果确定所述最优参数，包括：
[0023]若所述味道浓度方差小于所述味道浓度方差阈值，且所述每个果蝇的味道浓度小于味道浓度阈值，则通过高斯变异更新所述果蝇算法的种群；
[0024]根据更新后的种群、所述果蝇算法、所述变异果蝇算法确定最优参数；
[0025]否则，所述第一参数为最优参数。
[0026]在其中一个实施例中，所述通过高斯变异更新所述果蝇算法的种群，包括：
[0027]在所述果蝇算法的种群中增加服从高斯分布的随机变量，得到更新后的种群。
[0028]第二方面，本公开还提供了一种预测模型的训练方法，所述方法包括：
[0029]将日用电信息数据、母线负荷数据作为训练数据对建立的长短期记忆网络进行训练；
[0030]通过果蝇算法对进行训练后的所述长短期记忆网络的参数进行迭代寻优，确定第一参数；
[0031]根据所述第一参数确定最优参数；
[0032]根据所述最优参数以及训练后的所述长短期记忆网络确定所述预测模型。
[0033]在其中一个实施例中，所述方法还包括：根据所述第一参数和变异果蝇算法确定最优参数。
[0034]第三方面，本公开还提供了一种母线负荷区间预测装置。所述装置包括：
[0035]数据获取模块，用于获取预测日对应的日用电信息数据；
[0036]预测模型处理模块，用于将所述预测日对应的日用电信息数据输入至预先构建的预测模型中进行处理，得到所述预测日的母线负荷数据预测区间，其中，所述预测模型包括：根据相似日对应的日用电信息数据和母线负荷数据对建立的长短期记忆网络进行训练，并通过果蝇算法确定最优参数后得到的模型。
[0037]第四方面，本公开还提供了一种预测模型的训练装置，所述装置包括：
[0038]网络训练模块，用于将日用电信息数据、母线负荷数据作为训练数据对建立的长短期记忆网络进行训练；
[0039]参数寻优模块，用于通过果蝇算法对进行训练后的所述长短期记忆网络的参数进行迭代寻优，确定第一参数；
[0040]参数确定模块，用于根据所述第一参数确定最优参数；
[0041]模型确定模块，用于根据所述最优参数以及训练后的所述长短期记忆网络确定所述预测模型。
[0042]第五方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步
骤。
[0043]第六方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0044]第七方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0045]上述各实施例中，通过日用电信息数据输入至预先构建的预测模型，进而通过预测模型可以得到母线负荷数据预测区间。母线负荷数据预测区间通常是指在一定置信水平下，待预测时刻的点预测结果可能出现的波动范围，即预测值误差的范围大小，其结果能够反映母线负荷本身所具有的不确定性，补充了传统确定性预测的不足，对于电力系统的合理调度、安全运行、调峰优化等均有重要参考价值。且母线负荷数据预测区间可以提供母线负荷的不确定性信息，能够获得特定置信区间下未来时刻负荷功率的波动范围的上、下限，对于波动性较强的母线负荷预测更具实用性。
附图说明
[0046]为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]图1为一个实施例中母线负荷区间预测方法的流程示意图；
[0048本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种母线负荷区间预测方法，其特征在于，所述方法包括：获取预测日对应的日用电信息数据；将所述预测日对应的日用电信息数据输入至预先构建的预测模型中进行处理，得到所述预测日的母线负荷数据预测区间，其中，所述预测模型包括：根据相似日对应的日用电信息数据和母线负荷数据对建立的长短期记忆网络进行训练，并通过果蝇算法确定最优参数后得到的模型。2.根据权利要求1所述的方法，其特征在于，所述相似日的确定过程，包括：根据灰色关联分析方法、以及环境数据计算日期数据集中每个日期与所述预测日之间的关联度系数；根据所述关联度系数、预先设置的关系度阈值确定与预测日对应的相似日。3.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程，包括：将所述相似日对应的日用电信息数据、母线负荷数据作为训练数据对建立的长短期记忆网络进行训练；通过果蝇算法对进行训练后的所述长短期记忆网络的参数进行迭代寻优，确定第一参数；根据所述第一参数确定最优参数；或，根据所述第一参数和变异果蝇算法确定最优参数根据所述最优参数以及训练后的所述长短期记忆网络确定所述预测模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一参数和所述变异果蝇算法确定最优参数，包括：根据种群中果蝇的数量、每个所述果蝇的味道浓度计算味道浓度方差；将所述味道浓度方差和预先设置的味道浓度方差阈值进行比较，得到第一比较结果；将所述每个果蝇的味道浓度和味道浓度阈值进行比较，得到第二比较结果；根据所述第一参数、第一比较结果和第二比较结果确定所述最优参数。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一参数、第一比较结果、第二比较结果确定所述最优参数，包括：若所述味道浓度方差小于所述味道浓度方差阈值，且所述每个果蝇的味道浓度小于味道浓度阈值，则通过高斯变异更新所述果蝇算法的种群；根据更...

【专利技术属性】
技术研发人员：郑瑛，张继英，王舒杨，郑景立，喻芸，张建中，张沛，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：