一种考虑大量弹性负荷的并行短期负荷预测方法技术

本发明专利技术为一种考虑大量弹性负荷的并行短期负荷预测方法，属于电气工程技术领域。针对含有高水平弹性负荷的系统，提出的一种电力负荷预测模型。该模型由3种结构组成：一维卷积网络结构、并行预测结构和深度残差网络结构。首先，1D卷积网络结构对一些输入项执行特征提取，减少了信息冗余。然后使用并行预测结构来模拟基本负荷和弹性负荷预测，解决了弹性载荷问题，使模型性能的进一步提高。最后采用深度残差网络结构来提高模型的泛化能力，防止梯度消失。所提出的模型在北美公用事业数据集、ISO

【技术实现步骤摘要】
一种考虑大量弹性负荷的并行短期负荷预测方法


[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针对系统中含大量弹性负荷的电力负荷预测模型。属于电气工程

[0002]
技术介绍

[0003]电力负荷的准确预测对于电力系统的经济调度和安全运行至关重要。近年来，随着电动汽车的普及、实时(去调控市场) /分时(调控市场)电价的推广和实施，以及储能设备的商业化运营，弹性负荷在电力负荷中的比重越来越大。这些易受电价、天气、节假日等因素影响的弹性负荷，使得负荷预测更加困难。对于弹性负荷比例较高的系统，提高负荷预测的准确性需要进一步研究。
[0004]直到今天，对电力负荷预测的研究还有大量，用于负荷预测的方法有自回归积分移动平均(ARIMA)模型、支持向量机(SVM)、模糊预测方法、小波分析预测方法、人工神经网络(ANN)等。随着人工智能的发展，ANN逐渐成为主流方法，出现了新的神经网络结构，如卷积神经网络(CNN)、递归神经网络(RNN)、长短时记忆网络(LSTM)、深度残差网络(ResNet) 等。在电力负荷预测中，许多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，包括如下步骤：S1：获取历史电力负荷数据；S2：使用、、、、、、、、、、,11个输入项作为模型输入；S3：按照模型输入要求对电力负荷数据集进行整理；S4：对数据集进行线性变换归一化处理；S5：进行神经网络模型训练；S6：对神经网络模型实施集成策略；S7：将神经网络模型的输出值进行反归一化处理，得到电力负荷预测值。2.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S2中，11个输入项分别是指：是第二天第h小时之前最近的24小时的负荷，尺寸为24，是第二天之前第4、8、12、16、20、24周的第h小时的负荷，尺寸为6，是第二天之前第1、2、3、4周的第h小时的负荷，尺寸为4，是第二天之一周每天的第h小时的负荷，尺寸为7，是第二天之前第4、8、12、16、20、24周的第h小时的温度，尺寸为6，是第二天之前第1、2、3、4周的第h小时的温度，尺寸为4，是第二天之一周每天的第h小时的温度，尺寸为7，为第二天第h小时的实际温度，尺寸为1，是季节的独热编码，尺寸为4，是区分工作日/周末的独热编码，尺寸为2，是区分节假日/非节假日的独热编码，尺寸为2。3.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S4中，线性变换归一化计算方法为：(1)其中，和分别表示数据中最大值和最小值，表示归一化后的数值。4.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S5中，神经网络模型由一维卷积网络结构、并行预测结构和深度残差网络结构3种结构组成：一维卷积网络结构，应用在输入项的部分后面，用于对这些输入进行特征提取，其结构具体如下：（1）一维卷积层：用于提取输入的不同特征；（2）一维平均池化层：池化层具有三个作用：特征不变性、特征降维和过拟合预防；（3）压平层：采用一维输入代替多维输入，结构更容易嵌入到后续结构中；并行预测结构，由基...

【专利技术属性】
技术研发人员：董吉哲，罗龙，李恪禹，陆哲勤，姜益文，张琪，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：