一种基于峰谷值特征下TSA-LSTM模型的短期电力负荷预测方法技术

本发明专利技术公开了一种基于峰谷值特征下TSA

【技术实现步骤摘要】
一种基于峰谷值特征下TSA
‑
LSTM模型的短期电力负荷预测方法


[0001]本专利技术涉及电力负荷预测
，更具体的涉及一种基于峰谷值特征下TSA
‑
LSTM 模型的短期电力负荷预测方法。

技术介绍

[0002]目前智能电网的建设在我国逐步展开，电力系统中分布式电源的配置也随之增长，使得负荷变得更加复杂。准确的负荷预测作为安排电力生产调度、提高电力系统自动化水平的重要依据，如何更加精准地实现负荷预测成为了许多学者研究的重点之一。
[0003]智能设备和建筑能源管理系统的广泛部署，使得获取更高分辨率的准确的电力负荷和气象数据成为可能，为负荷预测提供了数据基础。根据时间范围划分，能耗预测大致可以分成三类，分别是短期、中期和长期预测。短期预测(提前几分钟到一周)对电力部门合理安排检修计划、运行方式、日开停机、发电计划等产生直接影响。
[0004]近年来，深度学习越来越多被应用于负荷预测领域。由于电力负荷具有时间序列属性，长短期记忆神经网络LSTM在该领域受到了极大关注。考虑到LSTM超参数的选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于峰谷值特征下TSA
‑
LSTM模型的短期电力负荷预测方法，其特征在于，该方法包括以下步骤：S1、收集电力系统的原始负荷数据，对负荷数据进行预处理，并将数据集划分为训练集和测试集；S2、根据训练集日负荷特性曲线，将一天24小时划分为k个时间段，计算出各时间段内峰值和谷值，并归一化；S3、构建TSA
‑
LSTM模型，使用TSA算法对长短期记忆神经网络预测模型超参数进行寻优，实现对测试集峰值和谷值的预测；S4、计算出训练集前一周(168h)实际负荷，峰值和谷值的滞后负荷，计算MIC值，并筛选出MIC>0.6的特征向量；S5、将MIC>0.6的特征、小时(1
‑
24)和星期类型(1
‑
7)作为预测模型的输入，并归一化；利用步骤S2中的TSA
‑
LSTM模型，实现电力负荷预测。2.根据权利要求1所述的一种基于峰谷值特征下TSA
‑
LSTM模型的短期电力负荷预测方法，其特征在于：步骤S1中，电力负荷数据预处理包括以下步骤：S11、首先计算出一天t时刻在整个数据集中的平均值E(t)和方差V(t)，公式如下：S11、首先计算出一天t时刻在整个数据集中的平均值E(t)和方差V(t)，公式如下：其中，x(i,t)代表第i天t时刻的负荷，i＝1,2,...,N；S12、计算出各负荷点的偏差率ρ(t,i)；S13、根据实际电力负荷数据，确定异常值的偏差率ρ(t,i)的阈值，即确定Th的值，若ρ(t,i)≥Th，则判定该负荷点为异常值，否则，为正常负荷点，异常值由下式产生的负荷值替代：3.根据权利要求1所述的一种基于峰谷值特征下TSA
‑
LSTM模型的短期电力负荷预测方法，其特征在于，步骤S1中，将预处理后的电力负荷数据按8:2划分为训练集和测试集。4.根据权利要求1所述的一种基于峰谷值特征下TSA
‑
LSTM模型的短期电力负荷预测方法，其特征在于，步骤S2中，根据日负荷特性曲线将一天24小时划分为k个时间段，计算出各时间段内峰值和谷值，包括以下步骤：S21、计算出训练集中一天t时刻电力负荷的平均值e(t)其中，N
Tr
＝0.8N；S22、作出日负荷特性曲线将一天24小时划分为k个时间段。即，该曲线有上升、平缓和
下降阶段，根据这一特性，将各阶段划分成各时间段，并计算出各时间段内电力消耗的最大值和最小值，得到峰值和谷值；5.根据权利要求1所述的一种基于峰谷值特征下TSA
‑
LSTM模型的短期电力负荷预测方法，其特征在于，步骤S2和步骤S5中，归一化处理是指将负荷数据映射到[0,1]之间，公式如下：其中，为归一化后的负荷值(峰值、谷值)，X
min
为最小负荷值(峰值、谷值)，X
...

【专利技术属性】
技术研发人员：朱梓伟，周孟然，胡锋，刘宇，汪锟，姚小康，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：