【技术实现步骤摘要】
一种基于HGL
‑
GTCN的短期电力负荷预测方法
[0001]本专利技术涉及短期电力负荷预测技术,具体是指一种基于超图学习和门控时序卷积网络的短期电力负荷预测技术。
技术介绍
[0002]近年来,在可再生能源的推动下,电力市场和智能电网的迅速发展,同时也带动了电力负荷预测技术的发展。在短期电力负荷预测中,与传统的图学习相比,超图学习可以更好地捕捉负荷数据中多个节点之间的复杂性和非线性关系,另外门控时序卷积网络可以更好地处理长期依赖关系的同时优化了梯度消失与爆炸问题。因此,本专利技术提出了一种基于HGL
‑
GTCN的短期电力负荷预测方法,它能够有效地处理电力负荷数据中的时序模式,从而提高预测的精确度。
技术实现思路
[0003]本专利技术的目的是提供一种基于HGL
‑
GTCN的短期电力负荷预测方法。
[0004]本专利技术是一种基于HGL
‑
GTCN的短期电力负荷预测方法,其步骤为:首先引入超图学习(Hypergraph learning and Gated Temporal Convolutional Networks,HGL)技术通过传递和聚合节点之间的信息来提取负荷数据中的特征,从而更好地捕捉负荷数据中的复杂性和非线性关系;然后利用门控时序卷积网络(Gated Temporal Convolutional Networks,GTCN)来进一步处理特征序列和建模时序关系,最后通过结合两者的优势,提高了短期电力负荷预测的精 ...
【技术保护点】
【技术特征摘要】
1.一种基于HGL
‑
GTCN的短期电力负荷预测方法,其特征在于,其步骤为:首先引入超图学习技术通过传递和聚合节点之间的信息来提取负荷数据中的特征,从而更好地捕捉负荷数据中的复杂性和非线性关系;然后利用门控时序卷积网络来进一步处理特征序列和建模时序关系,最后通过结合两者的优势,提高了短期电力负荷预测的精确性和鲁棒性,具体步骤为:步骤(1)获取电力负荷数据集,为了确保数据的完整性和准确性,需要对数据的异常值和缺失值进行预处理,首先采取均方值法对异常数据进行处理,其方法表示为:其中:N为日负荷数据的个数,x
i
为第i天的日负荷值,若|x
i
‑
μ|>3σ,则判断x
i
为异常点,剔除;其次对负荷数据集中存在少量数据的缺失情况,用前一周同一时刻的数据代替,补足数据后做简单的归一化处理,其方法表示为:其中,x
norm
为归一化处理后的负荷数据,x
min
和x
max
分别为数据的最小值、最大值;步骤(2)使用HGL技术对步骤(1)预处理后的电力负荷数据进行特征提取,通过构建超图结构,将电力负荷数据中的节点和边进行建模,并利用边的特征表示节点之间的复杂性和非线性关系,其特征提取建模表示为:其中,是时刻t的负荷预测值;V
t
是时刻t的负荷数据的超图表示,超节点表示一组相关的负荷观测值,边表示节点之间的关系或连接;E
t
是时刻t的其他影响负荷的外部因素,例如天气数据、节假日等;f(
·
)是预测模型;步骤(3)将步骤(2)提取的超图学习特征作为输入,利用图卷积网络进行建模,通...
【专利技术属性】
技术研发人员:包广斌,张波,杨金源,吴小连,沈治名,孙亮亮,陈爽,唐凌,刘晨,罗曈,
申请(专利权)人:兰州理工大学,
类型:发明
国别省市:
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。