本发明专利技术涉及电力功率预测技术领域，公开了一种ARIMA和DNN组合模型的区域超短期功率预测方法，包括以下步骤：S1收集电力系统历史功率数据和短期预测功率数据；S2对收集到的数据进行预处理；S3构建样本数据集并将预处理后的数据分为训练集和测试集；S4针对样本数据集，分别构建ARIMA和DNN模型；S5进行DNN模型训练和预测；S6计算预测时间点的合理权重；S7结合合理权重计算最终的超短期预测结果。本发明专利技术利用短期功率预测数据作为ARIMA的特征之一，进一步提升了ARIMA模型的稳定性和精度；提高了区域超短期功率预测的准确性和稳定性，能够更好地满足电力系统对功率预测的精度要求；有效解决了权重分配需要手动设置的弊端。
【技术实现步骤摘要】
本专利技术涉及电力功率预测，尤其涉及一种arima和dnn组合模型的区域超短期功率预测方法。
技术介绍
1、近年来，随着电力系统的快速发展，对高质量和高效率的电力供应需求日益增加。区域超短期功率预测是电力系统中重要的技术之一，它能够为电力调度、电网规划和电力市场运营等方面提供可靠的参考信息。传统的功率预测方法包括统计方法和基于物理模型的方法。统计方法主要依赖历史数据的统计分析，如回归分析和时间序列分析；基于物理模型的方法则建立了电力系统的物理模型，通过对系统参数和状态的建模来进行功率预测。然而，这些方法往往需要大量的数据和复杂的模型，且在面对电力系统复杂性和非线性特征时可能存在预测精度不高的问题。
2、为了克服传统方法的局限性，一种有效的方法是将arima(自回归整合移动平均)模型与dnn(深度神经网络)相结合，构建区域超短期功率预测模型。arima模型是一种基于时间序列的预测方法，能够对数据的趋势、季节性和随机性进行建模。它通过自回归、差分和移动平均的组合来捕捉数据的动态变化。然而，arima模型往往对于非线性关系的建模效果较差。dnn是一种基于人工神经网络的机器学习模型，具有强大的非线性建模能力。dnn模型可以通过多个隐藏层和非线性激活函数来逐层提取数据的特征，并通过反向传播算法进行训练。它能够对复杂的数据模式进行学习和预测，并在一定程度上克服arima模型在非线性建模方面的不足。将arima模型和dnn模型相结合，可以充分利用arima模型对数据时序相关性建模能力和dnn模型对非线性关系的建模能力。
r/>技术实现思路
1、为解决需要大量的数据和复杂的模型，且在面对电力系统复杂性和非线性特征时可能存在预测精度不高的问题的技术问题，本专利技术提供一种arima和dnn组合模型的区域超短期功率预测方法。
2、本专利技术采用以下技术方案实现：一种arima和dnn组合模型的区域超短期功率预测方法，包括以下步骤：
3、s1收集电力系统历史功率数据和短期预测功率数据；
4、s2对收集到的数据进行预处理；
5、s3构建样本数据集并将预处理后的数据分为训练集和测试集；
6、s4针对样本数据集，分别构建arima和dnn模型；
7、s5进行dnn模型训练和预测；
8、s6计算预测时间点的合理权重；
9、s7结合合理权重计算最终的超短期预测结果。
10、作为上述方案的进一步改进，所述步骤s2中预处理包括数据清洗、数据匹配和异常值处理；
11、数据清洗主要对数据中缺失值以及异常值进行空值占位；
12、数据匹配是按照以下规则进行匹配的，选择距离发布时间前的时间的历史功率数据和距离发布时间后的时间的短期功率预测数据作为输入特征，选择距离发布时间后时间作为最终输出，并按照发布时间进行样本匹配；
13、异常值处理，主要是针对匹配好的样本对，发现是否存在空值占位的点，并对空值占位的点进行插值，选择空值占位的前后两个点进行求平均计算得出插值点。
14、作为上述方案的进一步改进，所述步骤s3中将匹配好的数据进行样本库构建，将匹配好的数据按照比例随机划分为训练集和测试集，其中训练集用于模型的训练，测试集用于模型的精度测试。
15、作为上述方案的进一步改进，所述步骤s4中基于python中的statsmodels来实现arima模型构建，基于python中的tensorflow深度学习框架对得到的样本数据集进行dnn模型构建；
16、dnn模型包括输入层、隐藏层和输出层，输入层输入的是历史功率、各隐藏层的激活函数分别为relu函数，输出层为实际功率；
17、relu激活函数公式为：
18、
19、损失函数采用mae即平均绝对误差作为损失函数，平均绝对误差指的就是模型预测值f(x)与样本真实值y之间距离的平均值；其公式为：
20、
21、其中，yi和f(xi)分别表示第i个样本的真实值和预测值，m为样本个数。
22、作为上述方案的进一步改进，所述步骤s5中基于训练集进行模型训练，最后在测试集上进行精度评价，选择精度最好的模型为最终模型；其中精度评价公式选择决定系数，其计算公式为：
23、
24、yi表示第i个样本的实际值，表示第i个样本的预测值，表示所有样本的平均值，n表示样本数量，r2为决定系数。
25、作为上述方案的进一步改进，所述步骤s6中取预测时间前段时间内的历史实测功率、dnn模型预测超短期预测结果以及arima模型预测超短期预测结果进行合理权重计算。
26、作为上述方案的进一步改进，所述步骤s7中将arima和dnn的预测结果进行加权计算，生成最终的超短期预测结果。
27、相比现有技术，本专利技术的有益效果在于：
28、1、本专利技术针对arima模型无法准确有效地捕捉到非线性时间序列特征，导致其在波动范围较大时间点预测结果不够准确以及往后几个时刻点的精度越来越低。本专利技术利用短期功率预测数据作为arima的特征之一，进一步提升了arima模型的稳定性和精度。
29、2、本专利技术将arima和dnn模型的预测结果通过设置不同权重来生成最终预测结果，分别吸收了两个模型的优点，提高了区域超短期功率预测的准确性和稳定性，能够更好地满足电力系统对功率预测的精度要求。
30、3、本专利技术通过滑动取前段时间的历史实测功率，并利用线性回归分别对时刻点进行回归拟合，得到时刻点各自权重。这种方式获得的每个时刻预测权重都是动态变化的，有效解决了权重分配需要手动设置的弊端。
本文档来自技高网...
【技术保护点】
1.一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，所述步骤S2中预处理包括数据清洗、数据匹配和异常值处理；
3.如权利要求1所述的一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，所述步骤S3中将匹配好的数据进行样本库构建，将匹配好的数据按照比例随机划分为训练集和测试集，其中训练集用于模型的训练，测试集用于模型的精度测试。
4.如权利要求1所述的一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，所述步骤S4中基于python中的statsmodels来实现ARIMA模型构建，基于python中的tensorflow深度学习框架对得到的样本数据集进行DNN模型构建；
5.如权利要求1所述的一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，所述步骤S5中基于训练集进行模型训练，最后在测试集上进行精度评价，选择精度最好的模型为最终模型；其中精度评价公式选择决定系数，其计算公式为：
6.如权利要求1所述的一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，所述步骤S6中取预测时间前段时间内的历史实测功率、DNN模型预测超短期预测结果以及ARIMA模型预测超短期预测结果进行合理权重计算。
7.如权利要求1所述的一种ARIMA和DNN组合模型的区域超短期功率预测方法，其特征在于，所述步骤S7中将ARIMA和DNN的预测结果进行加权计算，生成最终的超短期预测结果。
...
【技术特征摘要】
1.一种arima和dnn组合模型的区域超短期功率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种arima和dnn组合模型的区域超短期功率预测方法，其特征在于，所述步骤s2中预处理包括数据清洗、数据匹配和异常值处理；
3.如权利要求1所述的一种arima和dnn组合模型的区域超短期功率预测方法，其特征在于，所述步骤s3中将匹配好的数据进行样本库构建，将匹配好的数据按照比例随机划分为训练集和测试集，其中训练集用于模型的训练，测试集用于模型的精度测试。
4.如权利要求1所述的一种arima和dnn组合模型的区域超短期功率预测方法，其特征在于，所述步骤s4中基于python中的statsmodels来实现arima模型构建，基于python中的tensorflow...
【专利技术属性】
技术研发人员：伍万祥，石倩倩，杜露露，吴应华，王波，王有军，储成娟，金明凤，陈健，程琦，陈超，李金中，叶海峰，李智，
申请(专利权)人：安徽立卓智能电网科技有限公司，
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。