【技术实现步骤摘要】
一种对电力系统负荷进行短期预测的方法
[0001]本专利技术涉及一种对电力系统负荷进行短期预测的方法，属于负荷预测
技术介绍
[0002]短期负荷预测(Short
‑
Term Load Forecasting,STLF)作为电力系统负荷预测中重要的内容，其预测结果通常可以作为系统调度管理和分析决策的关键性参照依据；近年来，随着市场化改革进程的加快和市场交易周期的进一步缩短，市场运营对短期负荷预测的精度也提出了更高的要求
[0003]短期负荷预测的方法主要可以分为影响因素选择预测方法、分层负荷预测方法、基于相似日负荷预测方法、概率负荷预测方法，不同的方法可以和模型结合进而提高预测的准确度。
[0004]随着新能源(比如光伏发电)的渗透率不断增大和用户侧参与市场的力度加大，电价的波动会使市场用户的用电习惯发生改变，传统长短期记忆神经网络方法难以适应电力发展新形势、不能区别对待各影响因素和历史数据等问题，使得原本的短期负荷预测模型的精度下降；现有技术还缺少一种能够适应多元用户动态参与的短期负荷预测方法。
技术实现思路
[0005]本专利技术提出的是一种对电力系统负荷进行短期预测的方法，其目的旨在提供一种对电力系统负荷进行日前负荷预测的方法。
[0006]本专利技术的技术解决方案：一种对电力系统负荷进行短期预测的方法，该方法包括：
[0007]1、录入各时段相关数据；
[0008]2、在传统LSTM模型的基础上进行建模，并在传统LSTM模型基
【技术保护点】
【技术特征摘要】
1.一种对电力系统负荷进行短期预测的方法，其特征是包括：1、录入各时段相关数据；2、在传统LSTM模型的基础上进行建模，并在传统LSTM模型基础上进行改进；3、建立用户侧不确定响应量化模型，求得实际响应量；4、进行负荷预测。2.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法，其特征是所述各时段相关数据包括各时段的输入特征和各时段的负荷；所述各时段的输入特征包括季节、日类型、气温、光伏出力值、实时电价、实际响应量。3.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法，其特征是所述在传统LSTM模型的基础上进行建模，具体包括：(1)构建遗忘门；(2)构建输入门；(3)构建输出门；(4)获取各时段预测值。4.根据权利要求3所述的一种对电力系统负荷进行短期预测的方法，其特征是所述构建遗忘门，具体包括：将前一个隐藏状态的信息h
t
‑1和当前输入的信息x
t
同时输入遗忘门中，根据公式(1)计算经过遗忘门中sigmoid函数后的遗忘门输出值f
t
，该值介于0
‑
1之间；f
t
＝sigmoid(W
fx
x
t
+W
fh
h
t
‑1+b
f
)
ꢀꢀꢀꢀ
(1)；式中：W
fx
表示遗忘门与当前输入的信息x
t
的矩阵权重，W
fh
表示遗忘门与前一个隐藏状态的信息h
t
‑1的矩阵权重，b
f
为偏置项；所述构建输入门，具体包括：首先，将前一个隐藏状态的信息h
t
‑1和当前输入的信息x
t
同时输入到sigmoid函数中，根据公式(2)计算输入门输出值i
t
，若值为1，表示信息重要，为0则不重要；其次，再将前一个隐藏状态的信息h
t
‑1和当前输入的信息x
t
输入到tanh函数中，根据式(3)计算预备信息C
tc
；i
t
＝sigmoid(W
ix
x
t
+W
ih
h
t
‑1+b
i
)
ꢀꢀꢀꢀ
(2)；C
tc
＝tanh(W
cx
x
t
+W
ch
h
t
‑1+b
c
)
ꢀꢀꢀ
(3)；式中：W
ix
表示输入门输出值i
t
与当前输入的信息x
t
的矩阵权重，W
ih
表示输入门输出值i
t
与前一个隐藏状态的信息h
t
‑1的矩阵权重，b
i
为偏置项，W
cx
表示预备信息C
tc
与当前输入的信息x
t
的矩阵权重，W
ch
表示预备信息C
tc
与前一个隐藏状态的信息h
t
‑1的矩阵权重，b
c
为偏置项；所述构建输出门，具体包括：首先，将前一个隐藏状态的信息h
t
‑1和当前输入的信息x
t
同时输入到sigmoid函数中，根据公式(4)得到输出门输出值o
t
；o
t
＝sigmoid(W
ox
x
t
+W
oh
h
t
‑1+b
o
)
ꢀꢀꢀ
(4)；式中：W
ox
表示输出门输出值o
t
与当前输入x
t
的矩阵权重，W
oh
表示o
t
与h
t
‑1的矩阵权重，b
o
为偏置项；接着，依据遗忘门输出值f
t
和预备信息C
tc
对长期记忆状态c
t
进行更新；c
t
＝f
t
c
t
‑1+i
t
C
tc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)；
最后，依据输出门输出值o
t
求取新的隐藏状态h
t
；h
t
＝o
t
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)。5.根据权利要求1所述的一种对电力系统负荷进行短期预测的方法，其特征是所述在传统LSTM模型基础上进行改进包括对传统LSTM模型进行横向改进和对传统LSTM模型进行纵向改进；所述对传统LSTM模型进行横向改进，具体包括：STEP1:确定输入特征和负荷的数据集；根据事先选好的6种输入特征的历史数据，建立t时段的输入特征数据集X
t
＝[X
t,1
,X
t,2
,X
t,3
,X
t,4
,X
t,5
,X
t,6
]
T
；X
t,1
,X
t,2
,X
t,3
,X
t,4
,X
t,5
,X
t,6
分别为季节、日类型、气温、光伏出力值、实时电价、实际响应量；根据n个采样点的负荷的历史数据，建立输出数据集Out＝[Out1,Out2,...,Out
n
]，Out
i
为采样点i(1≤i≤n)的历史负荷数据；STEP2:计算t时段各输入特征的MIC矩阵；对于数据集S＝{(X
t,i
,Out
i
)}计算得到输入特征与负荷的MIC序列为M
t
【专利技术属性】
技术研发人员：毛王清，黄昊，赵航宇，孙雨，夏泰宝，刘刚，曹萌萌，赵宇，王池，林光亮，朱前进，刘帅，丁园，赵晟茹，
申请(专利权)人：国网江苏省电力有限公司宿迁供电分公司，
类型：发明
国别省市：
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。