一种基于PCA-LSTM-MTL含光伏电站的台区负荷预测方法技术

本发明专利技术公开一种基于PCA

【技术实现步骤摘要】
一种基于PCA
‑
LSTM
‑
MTL含光伏电站的台区负荷预测方法


[0001]本专利技术属于台区负荷预测
，具体涉及一种基于PCA
‑
LSTM
‑
MTL的含光伏电站的台区负荷预测方法。

技术介绍

[0002]随着新能源的快速发展，台区中光伏电站的渗透率在逐步上升。由于光伏出力与太阳辐照高度相关，光伏发电具有很强的间歇性、波动性和不确定性，其发电随机性对电网负荷有着不小的影响。因此构建含光伏电站的台区负荷预测模型需要考虑光伏电站出力的影响。
[0003]目前，仅针对台区负荷的预测模型已取得较多成果。支持向量机(SVM)、多元线性回归(MLP)、整合移动平均自回归模型(ARIMA)等常被用于台区电力负荷预测。然而大多数预测模型仅仅建立了单变量的预测模型，没有考虑到当台区中的光伏电站渗透率增加时，台区光伏电站出力对台区负荷的影响，因而无法对含光伏电站的台区负荷做出准确预测。

技术实现思路

[0004]本专利技术提供了一种基于PCA
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
LSTM
‑
MTL的含光伏出力的台区负荷预测方法，其特征在于，包括以下步骤：S1.获取历史数据，对数据进行预处理，构建特征数据集X＝|x1,x2,..,x
n
|；S2.针对S1中的特征数据集X＝|x1,x2,..,x
n
|，根据主成分分析降维重构该时序特征空间，降低数据集复杂度，识别构造出最优的k个特征，优化特征空间；S3.构建多任务学习网络，将S2中的特征数据集输入多任务学习网络进行训练，获得台区负荷预测结果与光伏预测结果；S4.预测结果及评价,将S3中得到的负荷预测结果与光伏预测结果相减，得到最终的含光伏电站的台区负荷预测结果，并采用绝对平均百分比误差评价模型预测精度。2.根据权利要求1所述的一种基于PCA
‑
LSTM
‑
MTL的含光伏出力的台区负荷预测方法，其特征在于，步骤S1中的预处理包括以下步骤：A1.将台区内气象特征数据进行清洗，去除缺失值与异常值；A2.将气象特征数据进行归一化与其他特征数据构建交叉特征；A3.根据时序顺序计算差值构建特征，具体构建特征方式如下：t
n
＝T
n
‑
T
n
‑1，时刻间气温差；h
n
＝H
n
‑
H
n
‑1，时刻间湿度差；i
n
＝I
n
‑
I
n
‑1，时刻间辐照度差；SUB
TIn
＝NOR(T
n
)
‑
NOR(I
n
)，时刻气温与辐照度差；SUB
HRn
＝NOR(H
n
)
‑
NOR(R
n
)，时刻湿度与降水量差；ADD
TIn
＝NOR(T
n
)+NOR(I
n
)，时刻气温与辐照度和；ADD
HRn
＝NOR(H
n
)+NOR(R
n
)，时刻湿度与降水量和；ADD
HRn
＝NOR(H
n
)+NOR(R
n
)，时刻气温与辐照度积；MUL
HRn
＝NOR(H
n
)
·
NOR(R
n
)，时刻间湿度与降水量积；时刻气温与辐照度商；时刻湿度与降水量商；为归一化函数。3.根据权利要求1所述的一种基于PCA
‑
LSTM
‑
MTL的含光伏出力的台区负荷预测方法，其特征在于，实现特征数据优化降维包括以下分步骤：B1，对S1中的特征数据进行中心化：其中x
ij
表示第i个特征在第j个时刻的值，m表示第i个特征的时序长度；B2，根据特征空间的协方差矩阵计算特征向量，计算特征向量与负荷、光伏的相关性系数，最终对特征空间中的特征数据进行特征转换。4.根据权利要求3所述的一种基于PCA
‑
LSTM
‑
MTL的含光伏出力的台区负荷预测方法，其特征在于，步骤B2中优化特征空间包括：B21，计算特征空间的协方差矩阵C，计算C的特征值与特征向量，选出前k大特征值所对应的特征向量构建向量矩阵W＝|W1,W2,...,W
k
|，其中协方差矩阵如下所示：
式中cov为标准差，来度量各个维度特征偏离其均值的程度，为特征均值，x1,x2,..,x
n
为原始特征；B22，根据特征向量矩阵转化原始特征空间，计算优化后特征与台区负荷数据与光伏出力数据的皮尔逊相关性系数，根据相关性系数构造权重矩阵，进一步优化特征空间，最终优化的特征空间α如下所示：式中Z为PCA降维后的特征空间，X为步骤S1产生的特征空间，W为X协方差矩阵的前k大特征值对应的特征向量构成的特征矩阵，C
pi
＝corr(Z
i
,P)为特征i：i∈(1,k)与光伏出力的person系数，C
li
＝corr(Z
i
,l)为特征i与负荷的person系数，β为权重矩阵，∑C
pi

【专利技术属性】
技术研发人员：潘国兵，赵宇航，秦龙，欧阳静，左宗旭，褚礼东，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：