【技术实现步骤摘要】
一种基于多层次残差融合网络的短期负荷预测方法
[0001]本专利技术涉及一种基于多层次残差融合网络的短期负荷预测方法，属于电力系统规划领域。
技术介绍
[0002]随着新能源的政策推动与快速发展，新能源的时代逐渐到来。电力市场改革成为我国发展的必然趋势与要求。负荷预测是电力系统平稳高效运行的重要基础，也是电力部门制定合理生产调度计划的重要依据。准确和实时的电力系统短期负荷预测可以为电力行业带来了巨大的经济效益。因此，如何提高负荷预测精度已成为亟待解决的问题。
[0003]随着深度学习的快速发展，神经网络已广泛应用于各类负荷预测，包括风电负荷预测、用户用电负荷预测等，并取得了满意的效果。由于负荷数据具有明显的周期性规律，而长短期记忆模型(Long Short
‑
Term Memory，LSTM)恰好具有记忆能力，能够有效地学习时序数据中的规律信息，因此许多学者将LSTM、BiLSTM用于负荷预测，还有学者将其与XGBoost、ResNet、Attention等相结合以提高预测准确率。
[000...
【技术保护点】
【技术特征摘要】
1.一种基于多层次残差融合网络的短期负荷预测方法，其特征在于：步骤一：获取澳大利亚新南威尔士州2006年到2010年的实际负荷数据，对数据进行基于最大互信息系数的相关性分析，得到与负荷数据相关性较大的数据构建数据集，对数据集进行归一化与步长划分，得到预处理后的数据集；步骤二：构建多层次残差融合网络模型，利用预处理后的数据集对多层次残差融合网络模型进行训练，得到用于短期负荷预测的网络模型；步骤三将澳大利亚新南威尔士州的真实数据输入短期负荷预测模型，得到网络对负荷的预测值，采用平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)和均方根误差(Root Mean Square Error，RMSE)最为评价指标，通过计算得到预测值与实际值的误差并以此来评价网络的性能。2.根据权利要求1所述的短期负荷预测方法，其特征在于，步骤一中：由于负荷容易受到外界天气等多种因素的影响，负荷不仅与负荷数据相关也与许多非负荷的重要参数有关。最大互信息系数(Maximal Information Coefficient，MIC)是一种基于互信息(Mutual Information，MI)的方法，它具有公平性和广泛适用性。互信息可以衡量变量之间的非线性依赖程度，当两个变量之间的互信息越大时，它们的相关性越强，计算公式如下：I
*
[D(a,b)]＝maxI(D|
G
)式中，s为采样样本大小；B(s)是关于采样样本大小的函数，且网格G划分方格总数ab需小于B(s)。通过计算负荷数据与非负荷数据的最大互信息系数(Maximal Information Coefficient，MIC)分析得出相关性最大的数据分别为非负荷数据中的：采样时间、干球温度、湿球温度、露点温度、相对湿度、电价；历史负荷数据中的：上一个采样间隔的负荷数、上两个采样间隔的负荷数、昨日上一采样间隔的负荷数、昨日同一采样间隔的负荷数、昨日下一采样间隔的负荷数，共11列数据。以该11列数据作为模型输出完成对短期负荷的预测任务。3.根据权利要求1所述的短期负荷预测方法，其特征在于，步骤一中：对数据集中的数据进行归一化与步长划分。数据选取了澳大利亚新南威尔士州2006年到2010年的数据，数据的采样周期为30min，每天产生48组数据。通过归一化将数据映射到[
‑
1,1]区间上。归一化公式如下：式中，x*为归一化处理后的数据，xmax、xmin分别为数据的极大值与极小值。由于负荷数据具有周期性因此选取一周为一个步长，一个步长七天，采样间隔数为336对数据进行步长划分。4.根据权利要求1所述的短期负荷预测方法，其特征在于，步骤二中：构建多层次残差融合网络模型。
由于负荷数据具有明显的周期性规律，而长短期记忆模型(Long Short
‑
Term Memory，LSTM)恰好具有记忆能力，能够有效地学习时序数据中的规律信息。但RNN网络一次只能处理一个时间步长，因此无法进行大规模并行处理。而CNN在处理时间序列时，可将序列看作为一维向量，通过多层卷积网络结构获得...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。