System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及储能系统相关领域,具体是一种电价和多维时序变量的emd-bi-lstm短期预测方法。
技术介绍
1、电力是人类生产和生存必不可少的资源;准确预测电力负荷消耗可以帮助供电公司做出明智的决策,例如高峰负荷转移,以保持可靠的电力供应并减少二氧化碳排放;在研究电力需求时,存在季节性、趋势性、噪声、异常值等方面,要求供电公司采用准确的负荷预测技术,以减少电力生产损失和成本。
2、在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,从而间接影响各主体调度和决策的正确性和经济性;然而传统的负荷预测方法并未考虑到实时电价波动的影响,而是采用时间序列衡量在不同季节气象因素对负荷的影响,造成负荷预测精度较低,且由于没有其他影响因素的矫正,对于一些突变也无法正确处理;因此设计一种电价和多维时序变量的emd-bi-lstm短期预测方法。
3、中国专利申请号为:cn202210508129.8,名称为:基于lstm神经网络的短期用电负荷预测方法;该方法首先设计lstm神经网络的短期用电负荷预测模型,旨在提供准确的短期用电负荷预测;收集和整理与用电负荷相关的历史数据,进行数据预处理,包括数据清洗、去除异常值等操作;
4、上述现有技术采用单一模型构建神经网络,并未考虑到在模型结构层面还具有进一步优化的空间;在考虑影响历史用电负荷的情况下,未充分考虑实时电价、气象因素、假期日等多维度的影响因素,从而无法更好地捕捉负荷预测中的相关因素。
5、中国专利申请号为:cn2020
6、上述现有技术适用于在不同季节的相同时段的需求响应相同或相似的情况,而对于受季节影响较大,难以仅依据单一季节的数据构建短期负荷预测模型,无法准确地捕捉负荷的非线性特征,因此亟待利用一种预测分析的数据处理方法,将非平稳信号分离为不同尺度和频率的成分,以便更好地理解和分析信号特征。
技术实现思路
1、因此,为了解决上述不足,本专利技术在此提供一种电价和多维时序变量的emd-bi-lstm短期预测方法。
2、本专利技术是这样实现的,构造一种电价和多维时序变量的emd-bi-lstm短期预测方法,该装置包括以下步骤:
3、步骤一:确定系统采集的电价序列、电力负荷时间序列、负荷数据、气象因子、假期日类型、时间序列、实时电价相关因素为样本特征,通过拉格朗日插值法对缺失值进行补足,对异常值进行选择剔除,利用pearson相关度对全部特征量进行打分排名;
4、步骤二:利用emd算法将步骤一中的电价序列和电力负荷时间序列进行平稳化处理,得到用于预测的本征模态,具体得到历史负荷序列和实时电价emd分解结果;
5、步骤三:根据步骤二中得到的历史负荷序列和实时电价emd分解结果,为避免时间序列的非平稳性在回归过程中所产生的伪回归现象,在建立模型之前需要对每个时间序列进行adf单位根检验,筛选分解的平稳序列,筛选内容具体为历史负荷、实时电价分量;
6、步骤四:根据步骤三中通过adf单位根检验的历史负荷序列、实时电价分量,以及步骤一中气象因子、假期日类型相关特征重新构造新的数据集;
7、步骤五:构建多维时序变量的emd-bi-lstm深度学习模型,利用网格搜索进行深层神经网络的超参数调节,结合adam算法对目标函数进行优化;
8、步骤六:预测每个本征模函数,根据步骤三中的历史负荷和实时电价分量以及步骤一中的气象因子、假期日类型特征构造数据集,采用超参优化后的混合模型bi-lstm,将每个分量的预测结果合并,以给予总体预测。
9、本专利技术具有如下优点:本专利技术通过改进在此提供一种电价和多维时序变量的emd-bi-lstm短期预测方法,与同类型设备相比,具有如下改进:
10、本专利技术所述一种电价和多维时序变量的emd-bi-lstm短期预测方法,将实时电价波动和多维时序变量纳入负荷预测模型中,通过综合考虑实时电价的波动以及气象、假期等多维时序变量的影响,能够更准确地预测电力市场改革和智能电网建设背景下的负荷需求;通过采用经验模态分解(emd)方法对原始负荷数据和实时电价进行分解,并使用bi-lstm模型进行预测,能够更好地捕捉负荷信号的特性以及处理负荷数据的非平稳性和突变情况,为电力系统的负荷管理和调度提供可靠支持。
本文档来自技高网...【技术保护点】
1.一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述步骤一中还包括:
3.根据权利要求2所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述步骤一中的步骤1.1还包括:
4.根据权利要求3所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述步骤二中还包括:
5.根据权利要求4所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述步骤二中的步骤2.1还包括:
6.根据权利要求5所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述步骤三中还包括:
7.根据权利要求6所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述步骤五中还包括:
8.根据权利要求7所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法,其特征在于:所述
...【技术特征摘要】
1.一种电价和多维时序变量的emd-bi-lstm短期预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述一种电价和多维时序变量的emd-bi-lstm短期预测方法,其特征在于:所述步骤一中还包括:
3.根据权利要求2所述一种电价和多维时序变量的emd-bi-lstm短期预测方法,其特征在于:所述步骤一中的步骤1.1还包括:
4.根据权利要求3所述一种电价和多维时序变量的emd-bi-lstm短期预测方法,其特征在于:所述步骤二中还包括:
5.根据权利要求4...
【专利技术属性】
技术研发人员:夏玉雄,徐哲壮,肖师荣,谢俊伟,王任良,余明敏,
申请(专利权)人:福建华鼎智造技术有限公司,
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。