一种含温度敏感负荷的短期电力负荷预测改进分层模型制造技术

一种含温度敏感负荷的短期电力负荷预测改进分层模型，是一种短期负荷预测模型，并将其应用于含温度敏感负荷的负荷预测领域。步骤1：建立横向分层模型。步骤2：训练横向分层模型。步骤3：得到预测负荷结果。本发明专利技术能够解决纵向分层模型中第一层神经网络在剥离温度敏感成分时候无法参考比照非温度因素而出现误差的问题，计算速度快；构建的横向分层的神经网络负荷预测模型，第一层神经网络考虑温度对负荷非线性影响，第二层考虑其他非温度影响负荷的因素的影响，通过加法层将两层神经网络合为一个整体，在模型训练的过程中有关于温度和无关于温度的成分通过反向传播算法不断分给对应的神经网络实现了负荷中温度敏感成分与非温度敏感成分更准确的剥离，完成夏季含温度敏感负荷的短期电力负荷预测。本发明专利技术思路简单、灵活，可以较大提升模型的预测精度。可以较大提升模型的预测精度。可以较大提升模型的预测精度。

【技术实现步骤摘要】
一种含温度敏感负荷的短期电力负荷预测改进分层模型


[0001]本专利技术属于电力系统短期负荷预测领域，具体涉及一种短期负荷预测模型，并将其应用于含温度敏感负荷的负荷预测领域。

技术介绍

[0002]随着电力需求的不断增长，电力系统夏季的负荷越来越大。在负荷高峰时段，短期电力负荷预测的精准度较差。短期负荷预测的精度较低使得调度人员不能明析次日负荷变化，无法适宜安排发电计划等日前电力运行计划。进而将会直接影响电力系统运行的经济性和安全性。因此需要提升夏季负荷预测的精准性。
[0003]负荷预测需要考虑气象因素，日期因素和历史负荷因素。气象因素包括温度、风力等；日期因素是指星期日因素；历史负荷因素是指前几天的负荷的影响。从数学的角度看，负荷预测问题是一种多元非线性的回归问题，而神经网络模型凭借其在处理多元非线性回归问题具有很强的优势，已经成为负荷预测领域主流的预测模型。但这些影响负荷的因素对负荷的影响并不是等同的，夏季温度是影响负荷的首要因素，其影响远大于其他因素，必须要突出它的影响。然而传统方法运用神经网络进行负荷预测时，将各因素一同输入到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含温度敏感负荷的短期电力负荷预测改进分层模型，其特征在于，包括以下步骤：步骤1：建立横向分层模型；步骤2：训练横向分层模型；步骤3：得到预测负荷结果。2.根据权利要求1所述的一种含温度敏感负荷的短期电力负荷预测改进分层模型，其特征在于，具体步骤如下：步骤1：建立横向分层模型；通过第一层神经网络需要探究温度与负荷之间的关系，通过第二层神经网络关注非温度影响因素对残差负荷的影响，将两层神经网络通过加法层连接在一起构成横向分层模型；所述的横向分层模型设置加法层，将第一层神经网络和第二层神经网络实质上进一步融合为一个模型，但第一层神经网络和第二层神经网络仍然各自独立输入，两层的输出通过加法层和为一个输出，即横向分层模型是一个多输入单输出模型；第一层神经网络需要温度信息作为输入，第二层神经网络需要非温度其他因素作为输入，依据TCN神经网络和LSTM神经网络的特点构建“横向”分层模型的输入和输出如式(1)所示；其中，input1表示横向分层模型当中第一层神经网络的输入，input2表示横向分层模型当中第二层神经网络的输入；横向分层模型的第一层神经网络中，T
i
表示待拟合负荷i
‑
1小时前的温度，h
i
表示待拟合负荷i
‑
1小时前的小时数，第一层神经网络考虑3天以内的温度因素，所以i取72；横向分层模型的第二层神经网络中，L
i
表示待预测时间点23+k小时前的负荷，W
k
表示预测时间点k
‑
1小时前的风速，h
k
表示待拟合负荷k
‑
1小时前的小时数，表示待预测时间点k
‑
1小时前的经过独热编码的星期数据，第二层神经网络考虑2天以内的...

【专利技术属性】
技术研发人员：刘娆，鲍福增，常燕南，孙艺文，陈龙，巴宇，王海霞，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：