一种基于多个相似日和堆叠学习的短期负荷预测方法技术

一种基于多个相似日和堆叠学习的短期负荷预测方法，1)利用滑动窗口算法对具有高度非线性和非平稳性的时间序列电力负荷数据进行处理；2)提出了一种堆叠神经网络的集成学习方法，在预训练过程中，基层网络集成了径向基函数、随机向量函数链接和反向传播神经网络，以提供稳健的预测模型，元层网络利用深度信念网络和改进的广义学习系统来提高预测精度；3)提出了相似日预测方法来提取电力负荷数据在不同时间维度上的相似特征，进一步增强了模型的稳健性和准确性。本发明专利技术通过使用三种策略：滑动窗口算法、堆叠算法、相似日预测方法，有效的提取历史负荷数据的时空特征，减少了计算量，有效提高了模型预测精度，增强了预测模型稳健性和准确性。

【技术实现步骤摘要】

本专利技术涉及短期电力负荷预测，是一种基于多个相似日和堆叠学习的短期负荷预测方法。

技术介绍

1、电力负荷预测是电力系统规划的基础。由于目前电能的大量储存十分困难，准确的负荷预测算法对于高效的电能消耗和维持电网的安全运行至关重要。根据负荷预测的时间跨度，负荷预测任务可分为长期、中期和短期。对于中长期负荷预测，它们主要用于制定长期发电计划。由于短期负荷预测运行间隔较短，可用于调整电网运行方式，维持电力系统稳定运行。

2、在过去的几十年里，人们提出了各种预测方法来进行短期电力负荷预测。它们可以分为两类：一类包括统计模型，如自回归移动平均(arma)和线性回归(lr)。另一类是机器学习方法包括支持向量回归(svr)、反向传播神经网络(bpnn)、深度神经网络(dbn)、广义学习系统(bls)、径向基函数(rbf)、随机向量函数链接(rvfl)和长短期记忆神经网络(lstm)。由于短期电力负荷数据的非线性和非平稳性，统计方法不能有效地处理这些特征信息。因此，机器学习逐渐成为短期负荷预测的主流方法，它可以有效地从非线性时间序列中提取特征，并提供输入和输出本文档来自技高网...

【技术保护点】

1.一种基于多个相似日和堆叠学习的短期负荷预测方法，其特征是包括以下步骤：

【技术特征摘要】

1.一种基于多个相似日和堆叠学习的短期...

【专利技术属性】
技术研发人员：李春泉，程宇新，江棋，廖志远，汪芊芊，陈昌祺，王子韬，余皎玉，张海欣，陈利民，伍军云，陈荣伶，喻俊志，
申请(专利权)人：南昌大学，
类型：发明
国别省市：