基于集成片段变换和时间卷积网络的电力负荷分布预测方法技术

一种基于集成片段变换和时间卷积网络的电力负荷分布预测方法。该方法通过集成片段变换对历史电力负荷数据与天气数据进行分解，获得时间序列的趋势项与周期项分量；利用时间卷积网络自适应学习历史数据中的模式特征，构建电力负荷多步预测模型；引入分位数损失目标，得到不同分位数下的预测模型；最后将训练完成的模型应用于实际电力负荷预测中，将中位数模型预测值作为实时负荷预测结果，并利用核密度估计获取实时负荷预测分布。该方法能够为电力负荷预测提供更加全面、精准的信息，对电力系统的调度管理提供重要支持。统的调度管理提供重要支持。统的调度管理提供重要支持。

【技术实现步骤摘要】
基于集成片段变换和时间卷积网络的电力负荷分布预测方法


[0001]本专利技术涉及电力负荷预测与电网优化控制
，特别涉及一种基于EPT（EnsemblePatch Transformation, 集成片段变换）和时间卷积网络的电力负荷分布预测方法。

技术介绍

[0002]电力系统是现代社会的重要基础设施之一，而电力负荷预测是电力系统运行和规划中的重要问题。准确地预测电力负荷分布可以帮助电力系统规划和优化电网设备，确保电力系统的稳定运行。
[0003]现有研究通过采用统计模型、人工神经网络等方法来预测电力负荷。但仍存在一定局限性，如对于非线性关系建模能力有限，不能很好地处理时间序列数据的周期性变化等问题。基于EPT和时间卷积网络的电力负荷分布预测方法，通过对历史电力负荷数据和天气数据进行分解和学习，可以更好地捕捉数据的周期性变化和趋势性变化，提高了预测的准确性和泛化能力。所采用的时间卷积网络相较于传统的RNN和LSTM等循环神经网络具有更优的长期依耐性建模能力、更简单的模型结构，在在预测准确性、计算效率具有更优越的性能。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成片段变换和时间卷积网络的电力负荷分布预测方法，包括以下步骤：S1、获取电力负荷历史数据及对应时刻的天气数据，其中，电力负荷数据为固定时间间隔的时间序列，天气数据为包括温度，湿度，辐射强度在内的时间序列；利用EPT即集成片段变换，对各时间序列进行分解，获得各序列的趋势项和周期项分量；S2、设定时间卷积网络模型参数，构建负荷预测神经网络模型；基于所述各序列的趋势项和周期项分量构建训练样本集；S3、引入分位数损失优化目标，优化模型参数；获得具有一定间隔的不同分位数损失优化目标下的负荷预测模型；S4、以中位数损失优化目标下的模型预测结果为实际负荷预测结果，基于不同分位数下模型预测结果和核密度估计获取实时负荷预测分布。2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，电力负荷数据采样间隔为15min；利用EPT变换对各时间序列进行分解的具体方法为：将包括电力负荷数据和天气数据的多源时间序列数据表示为：，其中，为时间序列长度，表示电力负荷数据，表示气温，表示湿度，表示辐射强度；对各时间序列进行EPT分解，由以下公式表达：其中，和分别表示时间序列高频和低频分量；则多源时间序列经EPT分解后可表示为，其中包括各时间序列的高频周期性分量和低频趋势项分量。3.根据权利要求2所述的方法，其特征在于，所述步骤S2具体包括：设定时间卷积网络模型参数，包括输入层、两层隐藏层和一层输出层；基于设定的时间卷积网络参数，构建端对端的负荷预测神经网络模型，输入为经过EPT分解的多源时间序列，输出为特定预测步长下的负荷；构建训练样本集，训练样本集中的模型输入为多源时间序列片段，表示为，其中...

【专利技术属性】
技术研发人员：韩特，郭阳阳，康佳宁，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：