短期用电负荷预测模型训练方法及系统技术方案

本发明专利技术公开了一种短期用电负荷预测模型训练方法及系统

【技术实现步骤摘要】
短期用电负荷预测模型训练方法及系统、预测方法及系统


[0001]本专利技术涉及用电负荷预测
，特别是短期用电负荷预测模型训练方法及系统
、
预测方法及系统
。

技术介绍

[0002]由于发电量经济调度
、
燃料采购调度和系统实时的安全评估等各种运营决策大多基于短期负荷预测，近年来短期负荷预测的重要性不断增加，因此，人们开发了各种技术来预测用电负荷，包括统计方法
。
基于统计的方法如多元线性回归
、
指数平滑和整合滑动平均自回归能够拟合用电负荷数据中的线性关系
。
然而，这些统计方法在处理非线性时间序列数据时存在不足
。
[0003]目前，
EMD
是一种有效处理非线性和非平稳时间序列数据的分解方法，但
EMD
存在间歇性信号引起的模态混叠问题，当电力负荷数据中包含间歇性信号，如突发负荷或季节性变化等，
EMD
的分解结果可能无法准确捕捉到这些信号的特征，从而导致预测结果不准确
。

技术实现思路

[0004]本专利技术的目的是提供一种短期用电负荷预测模型训练方法及系统
、
预测方法及系统，可以提高用电负荷预测的精准度
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]本专利技术提供了一种短期用电负荷预测模型训练方法，包括：
[0007]步骤1：基于
CEEMDAN
分解算法，对训练数据进行信号分解，得到分解后的
IMF
序列和残差分量；所述训练数据为历史用电负荷数据信号；所述
IMF
序列包括若干
IMF
分量；
[0008]步骤2：根据所述
IMF
分量的过零率，确定所述
IMF
分量的分量类型；所述分量类型包括高频分量和低频分量；
[0009]步骤3：分别基于所述高频分量
、
所述低频分量和所述残差分量，训练用电负荷高频分量预测模型
、
用电负荷低频分量预测模型和用电负荷残差分量预测模型
。
[0010]可选的，所述过零率根据如下公式计算：
[0011][0012]其中，
N
为数据点总数，
ε
(x
i
)
为第
i
个数据点的单位阶跃函数，
ε
(x
i
‑1)
为第
i
‑1个数据点的单位阶跃函数，
Z
n
为过零率
。
[0013]可选的，步骤2具体包括：
[0014]当所述
IMF
分量的过零率大于设定过零率时，所述
IMF
分量为高频分量；
[0015]当所述
IMF
分量的过零率不大于设定过零率时，所述
IMF
分量为低频分量
。
[0016]可选的，步骤3具体包括：
[0017]以所述历史用电负荷数据信号中任一时段的高频分量为输入，以对应下一时段的高频分量为标签，训练基于
LSTM
算法的用电负荷高频分量预测模型
。
[0018]可选的，步骤3具体包括：
[0019]以所述历史用电负荷数据信号中任一时段的低频分量为输入，以对应下一时段的低频分量为标签，训练基于
LSTM
算法的用电负荷低频分量预测模型
。
[0020]可选的，步骤3具体包括：
[0021]以所述历史用电负荷数据信号中任一时段的残差分量为输入，以对应下一时段的残差分量为标签，训练基于
LSTM
算法的用电负荷残差分量预测模型
。
[0022]可选的，在步骤1之前，还包括：
[0023]对原始历史用电负荷数据信号进行
Z
‑
Score
标准化处理，得到所述训练数据
。
[0024]本专利技术还提供了一种基于所述短期用电负荷预测模型的短期用电负荷预测方法，包括：
[0025]获取目标时间段上一时间段的用电负荷数据信号；
[0026]基于
CEEMDAN
分解算法，对用电负荷数据信号进行信号分解，得到分解后的
IMF
序列和残差分量；
[0027]根据所述
IMF
分量的过零率，确定所述
IMF
分量的分量类型；所述分量类型包括高频分量和低频分量；
[0028]将所述高频分量
、
所述低频分量和所述残差分量分别输入至训练好的用电负荷高频分量预测模型
、
用电负荷低频分量预测模型和用电负荷残差分量预测模型，并分别预测所述目标时间段的高频分量
、
低频分量和残差分量；
[0029]根据所述目标时间段的所述高频分量
、
所述低频分量和所述残差分量，确定所述目标时间段的用电负荷数据
。
[0030]本专利技术还提供了一种短期用电负荷预测模型训练系统，包括：
[0031]第一分解模块；用于基于
CEEMDAN
分解算法，对训练数据进行信号分解，得到分解后的
IMF
序列和残差分量；所述训练数据为历史用电负荷数据信号；所述
IMF
序列包括若干
IMF
分量；
[0032]第一分类模块，用于根据所述
IMF
分量的过零率，确定所述
IMF
分量的分量类型；所述分量类型包括高频分量和低频分量；
[0033]模型训练模块，用于分别基于所述高频分量
、
所述低频分量和所述残差分量，训练用电负荷高频分量预测模型
、
用电负荷低频分量预测模型和用电负荷残差分量预测模型
。
[0034]本专利技术还提供了一种短期用电负荷预测系统，包括：
[0035]数据获取模块，用于获取目标时间段上一时间段的用电负荷数据信号；
[0036]第二分解模块，用于基于
CEEMDAN
分解算法，对用电负荷数据信号进行信号分解，得到分解后的
IMF
序列和残差分量；
[0037]第二分类模块，用于根据所述
IMF
分量的过零率，确定所述
IMF
分量的分量类型；所述分量类型包括高频分量和低频分量；
[0038]分量预测模块，用于将所述高频分量
、
所述低频分量和所述残差分量分别输入至训练好的用电负荷高频分量预测模型
、
用电负荷低频分量预测模型和用电负荷残差分量预测模型，并分别预测所述目标时间段的高频分量
、
低频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种短期用电负荷预测模型训练方法，其特征在于，包括：步骤1：基于
CEEMDAN
分解算法，对训练数据进行信号分解，得到分解后的
IMF
序列和残差分量；所述训练数据为历史用电负荷数据信号；所述
IMF
序列包括若干
IMF
分量；步骤2：根据所述
IMF
分量的过零率，确定所述
IMF
分量的分量类型；所述分量类型包括高频分量和低频分量；步骤3：分别基于所述高频分量
、
所述低频分量和所述残差分量，训练用电负荷高频分量预测模型
、
用电负荷低频分量预测模型和用电负荷残差分量预测模型
。2.
根据权利要求1所述的短期用电负荷预测模型训练方法，其特征在于，所述过零率根据如下公式计算：其中，
N
为数据点总数，
ε
(x
i
)
为第
i
个数据点的单位阶跃函数，
ε
(x
i
‑1)
为第
i
‑1个数据点的单位阶跃函数，
Z
n
为过零率
。3.
根据权利要求1所述的短期用电负荷预测模型训练方法，其特征在于，步骤2具体包括：当所述
IMF
分量的过零率大于设定过零率时，所述
IMF
分量为高频分量；当所述
IMF
分量的过零率不大于所述设定过零率时，所述
IMF
分量为低频分量
。4.
根据权利要求1所述的短期用电负荷预测模型训练方法，其特征在于，步骤3具体包括：以所述历史用电负荷数据信号中任一时段的高频分量为输入，以对应下一时段的高频分量为标签，训练基于
LSTM
算法的用电负荷高频分量预测模型
。5.
根据权利要求1所述的短期用电负荷预测模型训练方法，其特征在于，步骤3具体包括：以所述历史用电负荷数据信号中任一时段的低频分量为输入，以对应下一时段的低频分量为标签，训练基于
LSTM
算法的用电负荷低频分量预测模型
。6.
根据权利要求1所述的短期用电负荷预测模型训练方法，其特征在于，步骤3具体包括：以所述历史用电负荷数据信号中任一时段的残差分量为输入，以对应下一时段的残差分量为标签，训练基于
LSTM
算法的用电负荷残差分量预测模型
。7.
根据权利要求1所述的短期用电负荷预测模型训练方法，其特征在于，在步骤1之前，还包括：对原始历史用电负荷数据信号进行
Z
‑
Score
...

【专利技术属性】
技术研发人员：吴自然，赵宇博，林振权，
申请(专利权)人：温州大学乐清工业研究院，
类型：发明
国别省市：