一种电力负荷的短期预测方法及装置制造方法及图纸

本申请提供了一种电力负荷的短期预测方法及装置，该方法包括：获取电力系统的历史样本数据，对历史样本数据进行预处理，并根据预处理后的历史样本数据，获取第一负荷时序特征；根据第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取SVM模型、CNN模型及GRU模型分别对应的负荷预测结果；对SVM模型、CNN模型以及GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取最终负荷预测值。上述方案基于多模型动态融合和相似日样本数据选取的方法，实现对电力系统短期负荷的高精度和快速预测，以满足当前电力调度对于短期负荷预测的要求，提高调度人员的工作效率和工作质量。工作质量。工作质量。

【技术实现步骤摘要】
一种电力负荷的短期预测方法及装置


[0001]本申请涉及电力系统自动化
，具体涉及一种电力负荷的短期预测方法及装置。

技术介绍

[0002]电力系统的负荷预测是能量管理系统的重要组成部分，准确的短期负荷预测可以提高电力系统的运行效率。由于负荷波动的强烈随机性，短期负荷预测问题变得非常复杂。
[0003]目前，现有的短期负荷预测方法，主要分为两类，一类是传统负荷预测方法，如时间序列法和回归分析法等方法，这些方法简单且计算效率高，但不适用于预测多变且波动性强的负荷，否则预测精度会很低。另一类是基于人工智能技术的负荷预测方法，其中人工神经网络(ANN)是目前应用最为广泛的一种方法。人工神经网络(ANN)的基本理论是经验风险最小化原理，该方法在训练样本足够的情况下，通常能取得较好的效果。
[0004]但是在上述方案中，人工神经网络(ANN)用于短期负荷预测的前提是需要提供大量的历史负荷数据，不适用于历史数据样本少的情况，并且该方法容易得到局部最优解，存在过拟合、训练时间较长等问题；因此，预测精度和计算效率不能得到保证。
专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力负荷的短期预测方法，其特征在于，所述方法包括：获取电力系统的历史样本数据；所述历史样本数据包括历史负荷数据以及历史气象数据；对所述历史样本数据进行预处理，并根据预处理后的所述历史样本数据，获取第一负荷时序特征；根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果；对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一负荷时序特征，进行SVM模型、CNN模型以及GRU模型的融合预测，以获取所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果，包括：根据所述第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取所述SVM模型的第一负荷预测结果；根据所述第一负荷时序特征及所述SVM模型的第一负荷预测结果，进行CNN模型的构建、训练及预测，以获取所述CNN模型的负荷预测结果；根据所述第一负荷时序特征、所述SVM模型的第一负荷预测结果及所述CNN模型的负荷预测结果，进行SVM模型的第二预测，以获取所述SVM模型的第二负荷预测结果；根据所述第一负荷时序特征、所述SVM模型的第一负荷预测结果及所述CNN模型的负荷预测结果，进行GRU模型的构建、训练及预测，以获取所述GRU模型的负荷预测结果。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一负荷时序特征，进行SVM模型的构建、训练及预测，以获取所述SVM模型的第一负荷预测结果，包括：根据所述第一负荷时序特征，构建所述历史样本数据中训练样本数据的目标函数，并实现SVM模型参数初始化；通过网格搜索以及交叉验证，获取最优的SVM模型参数；根据所述目标函数以及所述SVM模型参数构建SVM模型；对所述SVM模型进行模型训练与负荷预测，以获取所述SVM模型的第一负荷预测结果。4.根据权利要求2所述的方法，其特征在于，所述对所述SVM模型、所述CNN模型以及所述GRU模型分别对应的负荷预测结果进行动态加权平均处理，以获取所述电力系统的最终负荷预测值，包括：根据所述电力系统的多次历史负荷预测结果，对所述SVM模型的第二负荷预测结果、所述CNN模型的负荷预测结果及所述GRU模型的负荷预测结果的权重进行动态分配处理；根据动态分配处理所得的模型权重对所述SVM模型、所述CNN模型以及所述GRU模型的负荷预测结果进行加权平均，以获取所述电力系统的最终负荷预测值。5.根据权利要求1所述的方法，其特征在于，在所述...

【专利技术属性】
技术研发人员：熊正勇，张久亮，方刚，孙展展，
申请(专利权)人：固德威技术股份有限公司，
类型：发明
国别省市：