一种考虑节假日区分的分布式短期负荷预测方法技术

本发明专利技术为一种考虑节假日区分的分布式短期负荷预测方法，属于电气工程技术领域。本发明专利技术是用历史负荷信息和时间信息作为模型输入，为神经网络模型提供合理且关键的输入。将预测区域进行划分，得到K个子区域，由于神经网络预测的随机性，将K个子区域的电力负荷预测值进行重构，利用区域之间的相互补偿，来实现电力负荷的准确预测。其次，为了避免在神经网络训练过程中，节假日与非节假日负荷训练的相互影响，将节假日与非节日负荷进行分别预测，来进一步实现电力负荷预测的准确性。该方法在公开测试系统算例和国内某实际系统上进行了验证。测试结果表明，所提模型提高了电力负荷预测的精度。精度。精度。

【技术实现步骤摘要】
一种考虑节假日区分的分布式短期负荷预测方法


[0001]本专利技术涉及一种电力负荷预测方法。本专利技术具体涉及一种考虑节假日区分的分布式短期负荷预测方法。属于电气工程

[0002]
技术介绍

[0003]短期负荷预测作为经济调度或机组组合的基础，是电力系统必不可少的工作。由于整个区域负荷较高(相对于子区域的载荷)和神经网络的随机性，在神经网络模型中进行区域统一的逆归一化将导致较高的预测误差。此外，节假日负荷曲线与非节假日负荷曲线差异较大，在神经网络模型中使用区分节假日与非节假日的独热编码也会导致负荷预测偏差较大。
[0004]此后，人工智能技术在负荷预测中的应用受到了广泛的关注。起初，一些研究人员对此持怀疑态度。例如，恩克里等人研究了1991年至1999年关于短期负荷预测的神经网络的论文，并对这些论文和实验方法进行了批判性的评价。这种怀疑的原因从两个角度澄清：1)大多数提出的基于神经网络的预测模型被过度参数化；2)测试结果不令人信服：在大多数情况下，基于神经网络的预测模型不能与标准基准进行比较。多年来，研究者们提出了各种短期负荷预测模型，如带外生变量的自回归滑动平均模型、非参数回归模型、基于卡尔曼滤波、模糊逻辑、支持向量机或优化技术等。随着人工智能技术的发展，基于人工智能技术的质疑消退和众多预测模型，如递归神经网络和卷积神经网络，实现了负载预测。自从提出了组合短期负荷预测模型以来，许多研究采用混合预测模型进行预测。
[0005]近来，一些研究者关注负荷预测的某些方面，如节假日预测或分区域预测等。节假日期间，负荷变化较大，与正常日严重不同。为准确预测节假日负荷，分别建立了长短时记忆模型、单变量和多变量模型或支持向量机模型等不同模型。对于次区域预测调查，研究人员要么侧重于区域划分方法，如映射聚合方法，要么考虑到次区域的地理特征。

技术实现思路

[0006]本专利技术旨在解决现有技术中存在的技术问题，特别创新地提出了一种短期电力负荷预测方法。
[0007]为了实现本专利技术的上述目的，本专利技术提供了一种短期电力负荷预测方法，该预测方法包括以下步骤:：S1，获取历史电力负荷数据；S2，利用K均值聚类算法对预测区域按照节点之间的距离划分为K个子区域，将历史电力负荷数据划分为K份，与K个子区域相对应；S3，使用F、D、L
D 三个输入项作为模型输入；S4，将K个子区域电力负荷数据集按照模型输入要求进行整理；S5，按照节假日和非节假日等时间信息，对K个数据集进行划分2K个数据集（节假
日数据集、非节假日数据集）；S6，对2K个数据集进行线性变换归一化处理；S7，对2K个数据集进行神经网络模型训练；S8，将神经网络模型的输出值进行反归一化处理，得到K个区域的电力负荷预测值；S9，将K个区域的电力负荷预测值进行重构，得到在节假日和非节假日下的总区域电力负荷预测值。
[0008]本专利技术是用历史负荷信息和时间信息作为模型输入，为神经网络模型提供合理且关键的输入。将预测区域进行划分，得到K个子区域，由于神经网络预测的随机性，将K个子区域的电力负荷预测值进行重构，利用区域之间的相互补偿，来实现电力负荷的准确预测。其次，为了避免在神经网络训练过程中，节假日与非节假日负荷训练的相互影响，将节假日与非节日负荷进行分别预测，来进一步实现电力负荷预测的准确性。
[0009]在本专利技术的一种优选实施方法中，在步骤S2中，K均值聚类算法是一种迭代求解的聚类分析算法，按照指定的K值，将一组数据样本按照地理位置等方面，将相似的数据成员进行分类成K组。K均值聚类是应用最为广泛的聚类算法。K均值聚类算法对区域进行划分包括以下步骤：S21，随机选取K个点作为初始中心；S22，计算每个节点与中心的距离；S23，将节点分类到最接近的中心；S24，形成集群；S25，重新计算聚类的中心；S26，中心是否发生改变，如果中心改变，回到S22，如果没有发生改变，区域划分结束。
[0010]在本专利技术的一种优选实施方法中，在步骤S6和S8中，线性变换归一化和反归一化的计算方法为：(1)(2)公式（1）为归一化计算公式，公式（2）为反归一化计算公式，x
max
和x
min
分别表示数据中最大值和最小值，x
*
表示归一化后的数值。
[0011]数据标准化(归一化，是对原始数据的线性变换，使结果映射到[0,1]之间)处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
[0012]在本专利技术的一种优选实施方法中，在步骤S7中，神经网络结构为：该模型包括四个LSTM层。第一和第二LSTM层有256个神经元，第三LSTM层有128个神经元，第四LSTM层有32个神经元。之后连接一个残差块，该块包含一个顶部子块、一个底
部子块和两个线性层。顶部或底部的子块有一个神经元。第一个线性层包含20个神经元，使用“缩放指数线性单元”作为激活函数，第二层线性层包含24个神经元，使用“线性函数”作为激活函数。
[0013]LSTM是一种特殊的递归神经网络，它可以解决长期依赖问题。LSTM中的一个重要结构是一个被称为“内存块”的部分。存储块包括三个门（遗忘门、输入门、输出门）和一个存储单元，该模型的定义如下：(3)(4)(5)(6)(7)(8)其中，x
t
和h
t
分别表示t时刻的输入和输出；f
t
、C
t
、o
t
分别表示t时刻每个记忆部分的激活向量；W
y
和b
y
(y=f,i,C,o)分别表示权重和偏差。逻辑激活函数和双曲正切激活函数定义如下：(9)(10)该神经网络以“自适应矩估计”为优化器，“均方误差”为损失函数：(11)其中和分别表示t小时的预测负荷和观测负荷。
[0014]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术能有对短时电力负荷进行快速准确的预测。
[0015]附图说明
[0016]图1是本专利技术的流程示意图。
[0017]图2是本专利技术的RBST系统区域划分结果，包含坐标，分区情况。
[0018]图3是本专利技术的LSTM的结构图。
[0019]图4是本专利技术的神经网络模型预测效果图。
[0020]具体实施方式
[0021]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并予以实施，但所举实施例不作为对本专利技术的限定。
[0022]本专利技术基于长短时记忆网络与残差网络的电力负荷预测方法，如图1所示，按照如下详细步骤进行处理。
[0023]第一步，历史数据采集汇总，对其每小时的历史能耗数据进行采集汇总，包含每小时历史负荷信息，时间信息。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑节假日区分的分布式短期负荷预测方法，其特征在于，包括如下步骤：S1，获取历史电力负荷数据；S2，利用K均值聚类算法对预测区域按照节点之间的距离划分为K个子区域，将历史电力负荷数据划分为K份，与K个子区域相对应；S3，使用F、D、L
D
三个输入项作为模型输入；S4，将K个子区域电力负荷数据集按照模型输入要求进行整理；S5，按照节假日和非节假日等时间信息，对K个数据集进行划分2K个数据集（节假日数据集、非节假日数据集）；S6，对2K个数据集进行线性变换归一化处理；S7，对2K个数据集进行神经网络模型训练；S8，将神经网络模型的输出值进行反归一化处理，得到K个区域的电力负荷预测值；S9，将K个区域的电力负荷预测值进行重构，得到在节假日和非节假日下的总区域电力负荷预测值。2.如权利要求1所述的一种考虑节假日区分的分布式短期负荷预测方法，其特征在于，在步骤S2中，K均值聚类算法对区域进行划分包括以下步骤：S21，随机选取K个点作为初始中心；S22，计算每个节点与中心的距离；S23，将节点分类到最接近的中心；S24，形成集群；S25，重新计算聚类的中心；S26，中心是否发生改变，如果中心改变，回到S22，如果没有发生改变，区域划分结束。3.如权利要求1所述的一种考虑节假日区分的分布式短期负荷预测方法，其特征在于，在步骤S3中，所建的神经网络模型输入信息包含：前24小时的电力负荷，预测时刻的节假日信息、周信息，共计26个数据。4.如权利要求1所述的一种考虑节假日区分的分布式短期负荷预测方法，，其特征在于，在步骤S6中，线性变换归一化计算方法为：(1)其中，x
max
和x
min
分别表示数据中最大值和最小值，x
*
表示归一化后的数值。5.如权利要求1所述的一种考虑节假日区分的分布式短期负荷预测方法，其特征在于，在步骤S7中，该模型结构包括四个LSTM层，第一和第二LSTM层有256个...

【专利技术属性】
技术研发人员：董吉哲，罗龙，王淮冬，徐铭谦，曹建设，张琪，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：