一种基于PSVLBA模型的电力负荷预测方法技术

本发明专利技术公开了一种基于PSVLBA模型的电力负荷预测方法，包括：利用PSO优化的VMD方法对历史负荷进行分解，获得历史负荷的子序列，对各子序列基于频率大小分组并重构，将重构的3维数据作为LSTM模型的输入，并经过全连接层得到基于历史数据的预测结果；根据电力负荷与日期的强相关性，对日期进行编码，得到5个日期特征作为BPNN模型的输入，得到基于日期的负荷预测结果；根据电力负荷本身的同期相似性，构建预测日前一周的电力负荷为同期负荷作为预测结果，将3种预测结果基于Attention机制得到最终的预测结果，从而建立了PSVLBA模型，准确地预测了未来负荷。本发明专利技术可以实现快速、准确地预测电力负荷水平，为用组合模型对电力负荷预测提供新思路。测提供新思路。测提供新思路。

【技术实现步骤摘要】
日的历史负荷的结果；为SARIMA方法处理n2日的历史负荷的预测结果；为预测日的时间特征，包括年、月、周、日、节假日；为预测日的气象特征，包括温度、相对湿度、降水量；x
t
为预测日真实负荷；
[0012](3)将样本集中的重构为趋势项周期项和残差项其中，重构后得到其中K为分解个数；
[0013](4)按时间顺序将样本集按比例划分为训练集、验证集和测试集；
[0014](5)构建并初始化PSVLBA模型，其中，PSVLBA模型包括由全连接层连接的LSTM、BPNN和Attention；
[0015](6)将训练集输入PSVLBA模型进行训练，将每个样本的输入LSTM，输入BPNN，输入Attention，分别得到3个长度为24的序列，然后将3个序列连接得到长度为72的序列，最后通过72*24的全连接层输出前向传播的结果
[0016]以均方误差MSE为损失函数训练PSVLBA模型，用EarlyStopping方法优化训练过程；
[0017](7)利用训练完的PSVLBA模型进行预测，将待预测的数据X/>t
输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSVLBA模型的电力负荷预测方法，其特征在于，包括如下步骤：(1)采集电力数据集，对数据集进行预处理，所述的预处理包括异常数据检测修正、特征归一化；(2)使用滑动窗口方法构建样本集{(X
t
,Y
t
)}；其中，Y＝(x
t
)；为采用PSO
‑
VMD方法处理预测日前n1日的历史负荷的结果；为SARIMA方法处理n2日的历史负荷的预测结果；为预测日的时间特征，包括年、月、周、日、节假日；为预测日的气象特征，包括温度、相对湿度、降水量；x
t
为预测日真实负荷；(3)将样本集中的重构为趋势项周期项和残差项其中，重构后得到其中K为分解个数；(4)按时间顺序将样本集按比例划分为训练集、验证集和测试集；(5)构建并初始化PSVLBA模型，其中，PSVLBA模型包括由全连接层连接的LSTM、BPNN和Attention；(6)将训练集输入PSVLBA模型进行训练，将每个样本的输入LSTM，输入BPNN，输入Attention，分别得到3个长度为24的序列，然后将3个序列连接得到长度为72的序列，最后通过72*24的全连接层输出前向传播的结果以均方误差MSE为损失函数训练PSVLBA模型，用EarlyStopping方法优化训练过程；(7)利用训练完的PSVLBA模型进行预测，将待预测的数据X
t
输入模型后得到预测日的电力负荷。2.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法，其特征在于，步骤(1)中，异常数据的检测过程为：计算周一至周日电力负荷的均值和标准差σ
ij
，，式中，i表示星期几，j代表时刻，k表示第几个星期，对于超出范围内的数据认定为异常数据。3.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法，其特征在于，步骤(1)中，特征归一化的公式如下：
式中，为归一化后特征j第i时刻的值，为特征j第i时刻的值，μ
j
为特征j的均值，σ
j
为特征j的方差。4.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法，其特征在于，步骤(2)中，采用PSO
‑
VMD方法处理预测日前n1日的历史负荷的过程如下：a
‑
1)初始化参数：粒子群算法最大迭代次数G
max
；粒子群规模m，惯性因子ω；学习因子c1、c2；粒子位置约束X
max
、X
min
；粒子最大速...

【专利技术属性】
技术研发人员：谢磊，陈昕昊，徐巍华，苏宏业，
申请(专利权)人：浙江大学，
类型：发明
国别省市：