【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，并提供输入和输出之间的有效联系。
3、近年来，机器学习在负荷预测中取得了显著的效果。人工神经网络(ann)是最流行的方法之一，它可以通过训练和学习的方式来模拟人类的大脑行为，从而获得输入和输出之间的关系。深度学习方法如lstm和dbn具有强大的非线性数据处理能力，也是非常流行的方法。然而，深度神经网络依赖于大量的训练数据，需要大量的计算代价。为了节省计算量，逐步得到了一种新的单层增
4、最近，各种混合模型被开发出来，以有效地提高短期电力负荷预测的精度。这是因为混合模型可以综合各种模型的优点，通过加权组合的方式解决各模型的局限性。chen等人(chen,g.j.；li,k.k.；chung,t.s.；sun,h.b.；tang,g.q.application of aninnovative combined forecasting method in power system loadforecasting.electr.power syst.res.2001,59,131–137.)提出了一种新的组合模型以提高电力负荷预测精度。matrenin等人(matrenin,p.v.；manusov,v.z.；khalyasmaa,a.i.；antonenkov,d.v.；eroshenko,s.a.；butusov,d.n.improving accuracy andgeneralization performance of small-size recurrent neural networks applied toshort-term load forecasting.mathematics2020,8,2169.)集成了多个人工神经网络模型以提高预测性能。singh等人(singh,p.；dwivedi,p.integration of new evolutionaryapproach with artificial neural network for solving short term load forecastproblem.appl.energy 2018,217,537–549.)利用一种新的进化方法，将人工神经网络集成起来，以提高短期负荷预测的精度。
5、为了处理电信号的复杂性和非线性，现有模型还将分解方法与神经网络相结合，发展了各种混合预测框架。nengling等人(nengling,t.；stenzel,j.；hongxiao,w.techniques of applying wavelet transforminto combined model for short-termload forecasting.electr.power syst.res.2006,76,525–533.)提出用小波变换将负荷数据分解为不同的分辨率，并在每个尺度上采用不同的基于统计模型的组合预测方法。ghayekhloo等人。ghofri等人(ghofrani,m.；ghayekhloo,m.；arabali,a.；ghayekhloo,a.ahybrid short-term load forecasting with a new input selectionframework.energy 2015,81,777–786.)采用小波变换将负荷数据变换为多个频率分量。随后，他们通过将stlf任务中训练的网络的加权输出连接起来，在数据上训练多个人工神经网络。
6、上述混合预测模型虽然取得了较好的预测效果，但仍然存在以下问题：(1)现有流行的经验模态分解往往存在模态混叠的问题。小波分解的难点在于如何有效地选择基波和分解尺度。此外，分解方法可能会在预测模型中引入一些冗余的分解信息，从而增加预测计算成本。(2)每种机器学习方法如lstm、dbn和bls都有其特定的局限性，这可能会降低其在短期负荷预测中的预测性能。(3)数据集的选择也是一个具有挑战性的问题。目前通常使用连续时间序列，并将其分为训练集和测试集。这种方法可能会导致对连续时间序列之间的相关性提取无效，从而可能导致模型预测的精度较低。
技术实现思路
1、为解决上述问题，本专利技术提出了一种基于多个相似日和堆叠学习的短期负荷预测方法。具体而言，该模型包括滑动窗口算法、堆叠集成神经网络模型和相似日预测方法。
2、本专利技术是通过以下技术方案实现。
3、本专利技术所述的一种基于多个相似日和堆叠学习的短期负荷预测方法，包括以下步骤：
4、步骤1：采用相似日方法获取一个地区连续三年的电力负荷历史数据，并对历史数据进行预处理：
5、首先利用滑动窗口算法将原始电力负荷数据重构为一个多维矩阵h。
6、在训练和验证模型过程时，重构矩阵h包含输入和输出数据(分别称为训练数据和标签数据)。
7、在测试模型过程中，只有训练数据在重构矩阵h中。
8、其中每个滑动的窗口中包含三个分量，即输入数据x、输出数据y、延时时间t。
9、沿着数据方向滑动窗口，删除前一个窗口开始的数据，然后在窗口结束时添加相同数量的新数据，以保证窗口大小不变。
10、滑动窗口将遍历整个数据集，直到覆盖所有数据。得到新的训练集、验证集和测试集。
11、将训练集分为n个部分：{train(i)|i＝1，2，…，n}，其中n是交叉验证中的折叠数。
12、步骤2:模型训练：
13、本模型选择径向基函数(rbf)、反向传播神经网络(bpnn)和随机向量函数链接(rvfl)作为基层学习器。
14、在训练开始前对数据进行归一化处理。
15、其中归一化公式如下：
16、
17、其中为归一化值，ym表示实际负载数据，ymax为负载数据的最大值，ymin为负本文档来自技高网...
【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：
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。