一种电力系统负荷预测方法技术方案

本发明专利技术公开了一种电力系统负荷预测方法，包括：步骤S1，收集数据集，选取对应的训练集和预测集；步骤S2，数据清洗，对异常数据运用随机森林算法进行修正；步骤S3，数据归一化处理，利用最值归一化的方法减少优化过程中受数据数量级影响，加快模型的收敛速度；步骤S4，构建IWOA

【技术实现步骤摘要】
一种电力系统负荷预测方法


[0001]本专利技术涉及一种电力系统负荷预测方法。

技术介绍

[0002]电力系统负荷预测可对未来一段时间的电力需求进行估计，从而根据负荷预测结果来安排机组组合计划、发电计划、联络线交换计划，组织电力现货交易。因此，准确的电力负荷预测对于电力系统安全、经济、高效地运行有着重要的意义。短期电力负荷预测主要是指对未来一天、一周甚至几周时间内的用电负荷进行预测，是电网日常运营的重要组成部分。对于短期电力负荷预测的研究方法，大致分为两类，包括传统电力负荷预测方法和机器学习算法模型预测方法。基于当下新型用电环境与影响用电因素复杂多样化的特点，机器学习算法模型成为学者们在电力负荷预测领域研究的焦点。电力负荷预测实质是时间序列预测问题，存在非平稳性和影响因素的复杂性。为了提高预测精度，本专利技术提供了一种电力系统负荷预测方法。

技术实现思路

[0003]本专利技术的目的在于克服现有的缺陷而提供的一种电力系统负荷预测方法，能够有效提高预测精度。
[0004]实现上述目的的技术方案是：
[0005]一种电力系统负荷预测方法，包括：
[0006]步骤S1，收集数据集，选取对应的训练集和预测集；
[0007]步骤S2，数据清洗，对异常数据运用随机森林算法进行修正；
[0008]步骤S3，数据归一化处理，利用最值归一化的方法减少优化过程中受数据数量级影响，加快模型的收敛速度；
[0009]步骤S4，构建IWOA
‑
AE
‑<br/>GRU(改进的鲸鱼优化算法优化引入注意力机制的门控循环神经网络参数的短期电力负荷预测模型)模型，通过IWOA(改进的鲸鱼优化算法)进行参数寻优并构建AE
‑
GRU(引入注意力机制的门控循环神经网络)预测网络；
[0010]步骤S5，构建输入向量，选取对负荷预测影响较大的数据作为负荷预测的影响因素；
[0011]步骤S6，预测精度评价指标，使用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)来评估模型的效果。
[0012]优选的，所述步骤S2中，负荷数据的计算公式如下：
[0013]；
[0014]其中，a、b分别为向前与向后所取的天数，一般取2～4，y(i,s)为第i天的第s个采样点的负荷数据。
[0015]优选的，所述步骤S3中，采用min
‑
max标准化方法将原始用电负荷数据归一化到
[0，1]之间，表达式如下:
[0016]；
[0017]其中，y
i
为负荷数据；y
′
i
为归一化后的数据作为模型的输入值；y
max
、y
min
分别为数据中的最大值、最小值。
[0018]优选的，所述步骤S5中，所述输入向量为待预测日前N天的负荷数据，所述影响因素包括露点温度、湿球温度、干球温度、湿度、电价、历史负荷数据。
[0019]优选的，所述步骤S6中，所述平均绝对误差计算公式如下：
[0020][0021]所述平均绝对百分比误差计算公式如下：
[0022][0023]所述均方根误差计算公式如下：
[0024][0025]其中，为负荷数据的真实值；y为预测值；m为待预测的数据个数。
[0026]本专利技术的有益效果是：本专利技术通过对用电负荷数据集按照月进行划分，选取预测日的温度、湿度以及电价和工作日类型并结合历史用电数据进行输入序列的构建，并训练相应的模型，充分考虑了相关影响因素对负荷预测的影响，有效地提高了预测精度，通过IWOA进行参数寻优并构建AE
‑
GRU预测网络，使得输入数据与网络结构深入匹配，有效地解决了人工调参的耗时长且预测效果不佳的问题，并提高了预测精度。
附图说明
[0027]图1是本专利技术的一种电力系统负荷预测方法的流程图。
具体实施方式
[0028]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相正对地重要性。
[0029]下面将结合附图对本专利技术作进一步说明。
[0030]如图1所示，一种电力系统负荷预测方法，包括：
[0031]步骤S1，收集数据集，选取对应的训练集和预测集。
[0032]具体的，本专利技术选取的数据集为2010年澳大利亚历史实测负荷数据集，该数据集包含了2010年1月1日至2011年1月1日的用电数据以及气象数据，该用电负荷数据以30min为粒度，每天一共48个采集点数据，选取2010年负荷数据以及气象数据进行实验，选取每月
前27天数据作为训练集，后3天数据作为预测集。
[0033]步骤S2，数据清洗，对异常数据运用随机森林算法进行修正。
[0034]具体地，数据的质量为预测精度提供了有力的保障，但是在数据的采集过程中也存在着一些异常数据；对于缺失的负荷数据先用0值进行填充，此时缺失数据点被处理成了异常数据点，然后统一对数据集中的异常数据项进行辨别和修正。负荷曲线中的异常数据通常表现为数据项取值突然升高或者降低，对这些异常数据运用随机森林算法进行修正，相比于均值填补法，得到的数据具有随机性于不确定性，反映未知数据的真实分布；负荷数据的计算公式如下：
[0035]；
[0036]其中，a、b分别为向前与向后所取的天数，一般取2～4，y(i,s)为第i天的第s个采样点的负荷数据。
[0037]步骤S3，数据归一化处理，利用最值归一化的方法减少优化过程中受数据数量级影响，加快模型的收敛速度。
[0038]具体地，由于用电负荷数据的数量级较大，会对神经网络的训练和计算效率产生影响，同时也为了提升算法的收敛速率，因此将数据进行归一化处理；采用min
‑
max标准化方法将原始用电负荷数据归一化到[0，1]之间，表达式如下:
[0039]；
[0040]其中，y
i
为负荷数据；y
′
i
为归一化后的数据作为模型的输入值；y
max
、y
min
分别为数据中的最大值、最小值。
[0041]步骤S4，构建IWOA
‑
AE
‑
GRU模型，通过IWOA进行参数寻优并构建AE
‑
GRU预测网络。
[0042]具体地，GRU(门控循环神经网络)网络的计算流程如下：设x(t)为输入，h(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统负荷预测方法，其特征在于，包括：步骤S1，收集数据集，选取对应的训练集和预测集；步骤S2，数据清洗，对异常数据运用随机森林算法进行修正；步骤S3，数据归一化处理，利用最值归一化的方法减少优化过程中受数据数量级影响，加快模型的收敛速度；步骤S4，构建IWOA
‑
AE
‑
GRU模型，通过IWOA进行参数寻优并构建AE
‑
GRU预测网络；步骤S5，构建输入向量，选取对负荷预测影响较大的数据作为负荷预测的影响因素；步骤S6，预测精度评价指标，使用平均绝对误差、平均绝对百分比误差、均方根误差来评估模型的效果。2.根据权利要求1所述的一种电力系统负荷预测方法，其特征在于，所述步骤S2中，负荷数据的计算公式如下：；其中，a、b分别为向前与向后所取的天数，一般取2～4，y(i,s)为第i天的第s个采样点的...

【专利技术属性】
技术研发人员：赵小源，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：