本发明专利技术涉及电力系统负荷预测技术领域，具体而言，涉及一种针对峰值负荷及其出现时间的预测方法及其装置，步骤如下：构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型进行预测。本发明专利技术能够有效集成若干高效预测模型并自适应调整反归一化参数，有利于提高峰值负荷及其出现时间的预测精度。精度。精度。
【技术实现步骤摘要】
一种针对峰值负荷及其出现时间的预测方法及其装置
[0001]本专利技术涉及电力系统负荷预测
，具体而言，涉及一种针对峰值负荷及其出现时间的预测方法及其装置。
技术介绍
[0002]近年来，我国电力峰值负荷增长速度较快，峰值负荷不断刷新，导致在负荷高峰时段电力供需不平衡问题日益突出，电网运行成本增加。准确的峰值负荷预测可以为系统即时电力电量平衡和提高电网供电服务能力提供支撑，减少供需不平衡导致的生产损失，从而提高经济性。然而，相比于每日平均电力负荷，峰值负荷因为幅值波动大、出现时刻不固定而更难预测，从而导致了传统负荷预测模型在预测峰值负荷时存在幅值和时刻上的较大偏差。
[0003]因此，为解决上述问题，本专利技术提出了一种针对峰值负荷及其出现时间的预测方法及其装置。
技术实现思路
[0004]本专利技术的目的在于提供一种针对峰值负荷及其出现时间的预测方法及其装置，有助于解决电力系统峰值负荷及其出现时间预测难、精度低的问题。
[0005]本专利技术的实施例通过以下技术方案实现：一种针对峰值负荷及其出现时间的预测方法，包括如下步骤：
[0006]构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
[0007]通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
[0008]建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型，通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
[0009]根据一种优选实施方式，所述构建电力负荷数据集并进行归一化处理包括：通过最大最小归一化，得到归一化负荷输入特征矩阵以及归一化待预测负荷标签矩阵。
[0010]根据一种优选实施方式，所述负荷输入特征矩阵由时间信息、温度信息、节假日信息以及负荷增长趋势项组成，其中所述时间信息包括时间的数字编码和正余弦编码。
[0011]根据一种优选实施方式，方法还包括：随机抽取电力负荷数据集中预设比例样本作为训练集、验证集以及测试集。
[0012]根据一种优选实施方式，所述基于电力负荷数据集建立基于梯度下降算法的集成学习模型包括：
[0013]在训练集上，基于均方误差损失函数利用梯度下降法对每一个基准预测模型进行参数更新，得到多个训练好的基准预测模型；
[0014]将验证集输入训练好的基准预测模型，获得负荷预测输出；
[0015]基于基准预测模型输出进行集成学习，构建集成学习模型。
[0016]根据一种优选实施方式，所述通过所述训练好的预测模型进行峰值负荷及其出现时间的预测包括：将测试集上的负荷输入特征矩阵输入预测模型，得到日前峰值负荷预测值、峰值负荷及其出现时间预测值；
[0017]基于日前峰值负荷预测值更新归一化函数参数，利用更新后的归一化函数参数获得反归一化峰值负荷及其出现时间预测值。
[0018]根据一种优选实施方式，所述均方误差损失函数的表达式如下：
[0019][0020]上式中，N表示电力负荷数据集样本数，Y
train
表示训练集待预测负荷标签矩阵，f(X
train
)表示基准预测模型。
[0021]根据一种优选实施方式，所述基于基准预测模型输出进行集成学习的损失函数表达式如下：
[0022][0023]上式中，M表示基准预测模型数量，Y
val
表示验证集待预测负荷标签矩阵，W
T
表示基准预测模型输出权重列向量的倒置，表示基准预测模型集F的峰值负荷预测值。
[0024]根据一种优选实施方式，在所述电力峰值负荷及出现时间的预测模型中，针对电力峰值负荷预测的损失函数如下：
[0025][0026]上式中，N
′
表示峰值负荷数据集样本数，Y
peak
表示真实峰值负荷值，表示所以基准预测模型的峰值负荷预测值；
[0027]针对峰值负荷出现时间预测的损失函数如下：
[0028][0029]上式中，y
i
为真实峰值负荷出现的小时标签，p
i
表示神经网络输出类别为i的概率。
[0030]本专利技术还提供一种针对峰值负荷及其出现时间的预测装置，应用到如上述所述的方法，包括：
[0031]模型构建模块，用于构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；
[0032]数据集构建模块，用于通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；
[0033]模型训练模块，用于建立基于前馈神经网络的电力峰值负荷及出现时间的预测模
型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型；
[0034]预测模块，用于通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。
[0035]本专利技术实施例的技术方案至少具有如下优点和有益效果：本专利技术提供的一种针对峰值负荷及其出现时间的预测方法及其装置，能够有效集成若干高效预测模型并自适应调整反归一化参数，有利于提高峰值负荷及其出现时间的预测精度，从而为电力系统规划提供基础。
附图说明
[0036]图1为本专利技术实施例1提供的针对峰值负荷及其出现时间的预测方法的流程示意图；
[0037]图2为本专利技术实施例1提供的针对峰值负荷及其出现时间的预测装置的结构示意图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0039]实施例1
[0040]参见图1所示，图1为本专利技术实施例提供的针对峰值负荷及其出现时间的预测方法的流程示意图。
[0041]本专利技术实施例所提供的一种针对峰值负荷及其出现时间的预测方法，包括如下步骤：
[0042]1)、构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；步骤具体如下：
[0043]1‑
1)、在本专利技术实施例中，构建电力负荷数据集D表示：
[0044][0045]其中，D为N
×
d+1的矩阵，共有N条样本，前d列为输入特征矩阵，本实施例采用X表示，最后一列为待预测负荷标签矩阵，本实施例采用Y表示。在本实施例的一种实施方式中，数据集D每一条样本的特征为X
i
＝[C C
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种针对峰值负荷及其出现时间的预测方法，其特征在于，包括如下步骤：构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型，通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。2.如权利要求1所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述构建电力负荷数据集并进行归一化处理包括：通过最大最小归一化，得到归一化负荷输入特征矩阵以及归一化待预测负荷标签矩阵。3.如权利要求2所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述负荷输入特征矩阵由时间信息、温度信息、节假日信息以及负荷增长趋势项组成，其中所述时间信息包括时间的数字编码和正余弦编码。4.如权利要求1至3任一项所述的针对峰值负荷及其出现时间的预测方法，其特征在于，方法还包括：随机抽取电力负荷数据集中预设比例样本作为训练集、验证集以及测试集。5.如权利要求4所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述基于电力负荷数据集建立基于梯度下降算法的集成学习模型包括：在训练集上，基于均方误差损失函数利用梯度下降法对每一个基准预测模型进行参数更新，得到多个训练好的基准预测模型；将验证集输入训练好的基准预测模型，获得负荷预测输出；基于基准预测模型输出进行集成学习，构建集成学习模型。6.如权利要求4所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述通过所述训练好的预测模型进行峰值负荷及其出现时间的预测包括：将测试集上的负荷输入特征矩阵输入预测模型，得到日前峰值负荷预测值、峰值负荷及其出现时间预测值；基于日前峰值负荷预测值更新归一化函数参数，利用更新后的归一化函数参数获得反归一化峰值负荷及其出现时间预测值。...
【专利技术属性】
技术研发人员：车琰瑛，刘飞，魏招毅，杨海林，田旭，张祥成，武宏波，邓皓元，刘联涛，彭飞，
申请(专利权)人：清华四川能源互联网研究院国网青海省电力公司，
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。