一种电力需求模型建立方法、系统、设备及存储介质技术方案

本发明专利技术公开一种电力需求模型建立方法、系统、设备及存储介质，属于电力技术领域；一种电力需求模型建立方法，包括根据战争、疫情、极端天气等相关因素，确定影响电力需求的数据；基于改进的自适应噪声完备集合经验模态分解方法，分别分解电力需求数据和影响因素数据，提取得到不同时间尺度的IMF分量；引入多元宇宙(MOV)算法优化长短时记忆网络(LSTM)相关参数，建立电力需求模型；该模型所得结果精度高，误差小。误差小。误差小。

【技术实现步骤摘要】
一种电力需求模型建立方法、系统、设备及存储介质


[0001]本专利技术属于电力
，具体涉及一种电力需求模型建立方法、系统、设备及存储介质。

技术介绍

[0002]电力行业是碳排放的重点领域，也是实现碳达峰、碳中和目标的主要责任人。考虑到目前的碳交易主要针对发电侧，因此大量有关碳排放责任研究仍从发电侧展开，但无法明晰用户各方实际的低碳责任，难以引导用户侧合理的用电行为，对于与负荷侧相联系的低碳运行策略没有进行深度研究。
[0003]电力行业与人类生产生活息息相关，为保证供电部门能够提供充足的电力，需要准确计算出电力需求，因此，在电力管理中，准确获得电力需求十分重要。

技术实现思路

[0004]针对现有技术的不足，本专利技术的目的在于提供一种电力需求模型建立方法、系统、设备及存储介质，解决了现有技术中的问题。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种电力需求模型建立方法，包括以下步骤：
[0007]根据战争、疫情、极端天气因素，确定影响电力需求的数据；
[0008]基于改进的自适应噪声完备集合经验模态分解方法，分别分解电力需求数据和影响因素数据，提取得到不同时间尺度的IMF分量；
[0009]引入多元宇宙算法，并根据IMF分量优化长短时记忆网络参数，建立电力需求模型。
[0010]进一步地，确定影响电力需求的数据，步骤包括：
[0011]S11考虑疫情的影响，收集每日感染人数、每日死亡人数和GRSI的数据；
[0012]S12，考虑极端天气的影响，收集该地区每日平均气温、日最高气温、日最低气温、每日平均气压、日最高气压、日最低气压、每日湿度以及降水数据；
[0013]S13，考虑战争的影响，收集进口原油和煤炭数据；
[0014]S14，搜集地区每日的电力需求、发电商上网电价和终端用户目录电价数据。
[0015]进一步地，所述GRSI是封锁程度指标，包括：学校停课、工作场所关闭、取消公共活动、对公众集会的限制、公共交通关闭、居家要求、公共信息运动、限制内部流动和国际旅行管制。
[0016]进一步地，所述IMF分量的提取步骤包括：
[0017]S21，对电力需求数据序列和影响因素数据分别进行I次EMD分解；
[0018]S22，计算第一残差和第一模态：
[0019]S23，计算第二残差和第二模态：
[0020]S24，计算第k个残差和第k个模态：
[0021]S25，重复S24，直到获得所有的残差和IMF分量，电力需求数据序列和影响因素数据分别获得n个IMF分量和一个残余分量。
[0022]进一步地，S21中，对电力需求数据序列和影响因素数据分进行I次EMD分解的表达式为：
[0023]s
(i)
＝s+λ0E1[w
(i)
][0024]式中，s表示数据序列，E
k
(
·
)为EMD生成的第k阶模态分量，w
(i)
为高斯噪声，s
(i)
为加噪信号，λ0为噪声幅度。
[0025]进一步地，第k个残差和第k个模态的计算式为：
[0026]r
k
＝M{r
k
‑1+λ
k
‑1E
k
[w
(i)
]}
[0027]IMF
k
＝r
k
‑1‑
r
k
[0028]式中，r
k
为第k个残差，IMF
k
为k阶模态，M(
·
)为信号的局部均值。
[0029]进一步地，建立电力需求模型的步骤包括：
[0030]S31，将所得的IMF分量数据做归一化处理；
[0031]S33，初始化多元宇宙种群数n、最大迭代次数Max_time、宇宙个数U、初始化旅程距离速率TDR与虫洞存在概率WEP；
[0032]S34，构建LSTM模型，将IMF分量数据分为训练集和测试集；确定LSTM网络的隐含层神经元的个数L和学习率的取值范围I；
[0033]S35，定义适应度并初始化宇宙位置，将LSTM模型输出值的均方差作为适应度函数，每个宇宙和宇宙中的个体都代表一组(L，I)；计算每个宇宙的适应度，并根据白洞/黑洞轨道及虫洞机制持续更新当前最佳宇宙位置，若达到最大迭代数，则输出当前最优宇宙，即优化后的数组U；
[0034]S36，将算法寻找到的一组最优参数用到LSTM模型中，进行各分量的分析计算；
[0035]S37，将各分量的结果进行叠加，再将叠加后的结果进行反归一化处理，得到最终的电力需求值。
[0036]一种电力需求模型建立系统，包括
[0037]电力需求数据模块：用于根据战争、疫情、极端天气等影响因素，确定决定电力需求模型所需数据；
[0038]ICEEMDAN模块：用于将电力需求数据和影响因素数据分解得到多个数据集，消除了重构信号中包含的噪声同时避免产生伪模；
[0039]MVO
‑
LSTM模块：用于通过MVO算法优化LSTM模型中相关参数，计算电力需求。
[0040]一种电力需求模型构建设备，其特征在于，包括：
[0041]一个或多个处理器；
[0042]存储器，用于存储一个或多个程序；
[0043]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。
[0044]一种包含计算机可执行指令的存储介质，其特征在于，当所述计算机可执行指令被处理器执行时，所述处理器执行上述方法。
[0045]本专利技术的有益效果：该模型经过误差分析可知，ICEEMDAN提取了电力需求和影响因素内部特征，降低数据波动，在LSTM模型基础上引入MOV算法，最终结果精度高，误差小。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]图1是本专利技术实施例1的模型建立方法流程图；
[0048]图2是本专利技术实施例2的模型建立系统结构示意图；
[0049]图3是本专利技术实施例3的模型建立设备结构示意图。
具体实施方式
[0050]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0051]实施例1
[0052]如图1所示，一种电力需求模型建立方法，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力需求模型建立方法，其特征在于，包括以下步骤：根据战争、疫情、极端天气因素，确定影响电力需求的数据；基于改进的自适应噪声完备集合经验模态分解方法，分别分解电力需求数据和影响因素数据，提取得到不同时间尺度的IMF分量；引入多元宇宙算法，并根据IMF分量优化长短时记忆网络参数，建立电力需求模型。2.根据权利要求1所述的一种电力需求模型建立方法，其特征在于，确定影响电力需求的数据，步骤包括：S11考虑疫情的影响，收集每日感染人数、每日死亡人数和GRSI的数据；S12，考虑极端天气的影响，收集该地区每日平均气温、日最高气温、日最低气温、每日平均气压、日最高气压、日最低气压、每日湿度以及降水数据；S13，考虑战争的影响，收集进口原油和煤炭数据；S14，搜集地区每日的电力需求、发电商上网电价和终端用户目录电价数据。3.根据权利要求1所述的一种电力需求模型建立方法，其特征在于，所述GRSI是封锁程度指标，包括：学校停课、工作场所关闭、取消公共活动、对公众集会的限制、公共交通关闭、居家要求、公共信息运动、限制内部流动和国际旅行管制。4.根据权利要求1所述的一种电力需求模型建立方法，其特征在于，所述IMF分量的提取步骤包括：S21，对电力需求数据序列和影响因素数据分别进行I次EMD分解；S22，计算第一残差和第一模态：S23，计算第二残差和第二模态：S24，计算第k个残差和第k个模态：S25，重复S24，直到获得所有的残差和IMF分量，电力需求数据序列和影响因素数据分别获得n个IMF分量和一个残余分量。5.根据权利要求4所述的一种电力需求模型建立方法，其特征在于，S21中，对电力需求数据序列和影响因素数据分进行I次EMD分解的表达式为：s
(i)
＝s+λ0E1[w
(i)
]式中，s表示数据序列，E
k
(
·
)为EMD生成的第k阶模态分量，w
(i)
为高斯噪声，s
(i)
为加噪信号，λ0为噪声幅度。6.根据权利要求5所述的一种电力需求模型建立方法，其特征在于，S24中，第k个残差和第k个模态的计算式为：r
k
＝M{r
k
...

【专利技术属性】
技术研发人员：王蓓蓓，武宸萱，
申请(专利权)人：东南大学，
类型：发明
国别省市：