【技术实现步骤摘要】
本申请涉及电网，尤其涉及地区电力短期负荷预测模型训练方法、系统和存储介质。
技术介绍
1、近些年来，随着特高压交直流技术、新能源并网发电技术、源网荷形式下的数字综合能源系统等技术的发展，电网的负荷预测不再是单一的基于历史数据和当前负荷数据的预测工作，电力系统负荷预测已经成为一门跨学科、有深远意义的一项工作。
2、现有的地区电力短期负荷预测模型受训练样本异常值的影响，训练效果不佳，且面对多重复杂气象数据预测效果不理想，难以适应复杂环境因素下的电网调度。
技术实现思路
1、针对现有技术的不足，本申请提出了一种地区电力短期负荷预测模型训练方法、系统和存储介质，解决了现有的地区电力短期负荷预测模型训练训练效果不佳，准确度不够的问题。
2、为了实现上述目的，本申请技术方案如下：
3、一种地区电力短期负荷预测模型训练方法，包括以下步骤s1-s7：
4、s1、获取初始训练样本：获取若干初始训练样本。
5、初始训练样本包括气象数据以及与气象数据对应的负荷数据。
6、s2、去除粗大误差：对初始训练样本进行学生化残差分析，去除初始训练样本的粗大误差，得到去粗大误差训练样本。
7、s3、分析相关性：对去粗大误差训练样本进行相关性分析，得到负荷数据与气象数据之间的相关性。
8、s4、去除低相关性气象数据:根据负荷数据与气象数据之间的相关性，删除去粗大误差训练样本中与负荷数据相关性低的气象数据，得到优化训练样本。
9、s5、预测气象数据参数：通过支持向量机(svm)算法对优化训练样本进行非线性分析，预测各气象数据的若干参数。
10、s6、建立负荷预测模型:通过蒙特卡洛神经网络建立以气象数据为输入，以负荷预测为输出的待训练负荷预测模型。
11、s7、进行模型训练：将优化训练样本输入至待训练负荷预测模型，通过蒙特卡洛算法对待训练负荷预测模型进行训练，参考所述参数得到各气象数据的最优参数，使得待训练负荷预测模型的目标函数收敛，得到负荷预测模型。
12、可选地，步骤s2包括以下步骤s21-s25：
13、s21、分别从各初始训练样本中获取第一负荷数据。
14、第一负荷数据为初始训练样本中的任一负荷数据。
15、s22、对各第一负荷数据进行向量化处理，得到第一负荷数据集。
16、s23、计算每个初始训练样本的第一负荷数据的标准差和残差。
17、s24、计算残差与标准差的比值，得到每个初始训练样本的第一负荷数据对应的学生化残差。最终分别得到各初始训练样本中每个负荷数据对应的学生化残差。
18、s25、去除初始训练样本中学生化残差超过预设阈值的负荷数据和对应的气象数据，得到去粗大误差训练样本。
19、可选地，计算每个初始训练样本的第一负荷数据的残差，包含以下步骤s231-s232：
20、s231、计算第一负荷数据集的平均值。
21、s232、分别计算每个初始训练样本的第一负荷数据的数值与所述平均值的差值，得到每个初始训练样本的第一负荷数据的残差。
22、可选地，所述平均值的表达式为：
23、
24、其中，xi表示第i个初始训练样本中的第一负荷数据，n表示初始训练样本的数量。
25、可选地，第一负荷数据的残差的表达式为：
26、
27、其中，表示所述平均值，xi表示第i个初始训练样本中的第一负荷数据。
28、可选地，第一负荷数据对应的学生化残差的表达式为：
29、
30、其中，s表示第一负荷数据的标准差，vi表示第i个初始训练样本中的第一负荷数据的残差，n表示初始训练样本的数量。
31、可选地，步骤s5包括以下步骤s51-s53：
32、s51、建立气象数据与负荷数据之间的非线性回归模型。
33、s52、根据非线性回归模型，建立非线性最小二乘估计函数。
34、s53、将非线性最小二乘估计函数对气象数据的参数求偏导，得到正规方程组，用于预测优化训练样本中各气象数据的参数。
35、可选地，非线性回归模型的表达式为：
36、
37、其中，m表示气象数据的种类数，r表示负荷数据的种类数，xi表示第i种气象数据，βi表示第i种负荷数据，ε表示随机误差。
38、可选地，非线性回归模型表达式为：
39、yi＝f(xi,θ)+εii＝1,2,....,n
40、xi＝(xi1,xi2,...,xik)'
41、θ＝(θ0,θ1,...,θp)'
42、其中，i表示负荷数据的种类数，k表示气象数据的种类数，yi表示第i种负荷数据；非随机向量xi＝(xi1,xi2,...,xik)'表示气象数据，θ＝(θ0，θ1，...，θp)、表示未知参数向量，εi表示随机误差。
43、可选地，非线性最小二乘估计函数的表达式为：
44、
45、其中，q(·)表示非线性最小二乘估计函数，θ表示最小二乘法估计参数，yi表示第i种负荷数据，xi表示第i种气象数据。
46、可选地，正规方程组的表达式为：
47、
48、其中，p表示正规方程组中正规方程的个数，表示气象数据的最优参数。
49、基于相同的技术构思，本申请还提供了一种地区电力短期负荷预测模型训练系统，包括：
50、获取模块，用于获取若干初始训练样本；初始训练样本包括气象数据以及与气象数据对应的负荷数据。
51、处理模块，用于对初始训练样本进行学生化残差分析，去除初始训练样本的粗大误差，得到去粗大误差训练样本；对去粗大误差训练样本进行相关性分析，得到负荷数据与气象数据之间的相关性；根据负荷数据与气象数据之间的相关性，删除去粗大误差训练样本中与负荷数据相关性低的气象数据，得到优化训练样本；通过支持向量机(svm)算法对优化训练样本进行非线性分析，预测各气象数据的若干参数；通过蒙特卡洛神经网络建立以气象数据为输入，以负荷预测为输出的待训练负荷预测模型；将优化训练样本输入至待训练负荷预测模型，通过蒙特卡洛算法对待训练负荷预测模型进行训练，参考所述参数得到各气象数据的最优参数，使得待训练负荷预测模型的目标函数收敛，得到负荷预测模型。
52、可选地，处理模块具体用于分别从各初始训练样本中获取第一负荷数据；第一负荷数据为初始训练样本中的任一负荷数据；对各第一负荷数据进行向量化处理，得到第一负荷数据集；计算每个初始训练样本的第一负荷数据的标准差和残差；计算残差与标准差的比值，得到每个初始训练样本的第一负荷数据对应的学生化残差。最终分别得到各初始训练样本中每个负荷数据对应的学生化残差；去除初始训练样本中学生化残差超过预设阈值的负荷数据和本文档来自技高网...
【技术保护点】
1.一种地区电力短期负荷预测模型训练方法，其特征在于，包括以下步骤S1-S7：
2.根据权利要求1所述的地区电力短期负荷预测模型训练方法，其特征在于，
3.根据权利要求2所述的地区电力短期负荷预测模型训练方法，其特征在于，
4.根据权利要求3所述的地区电力短期负荷预测模型训练方法，其特征在于，
5.根据权利要求1所述的地区电力短期负荷预测模型训练方法，其特征在于，
6.根据权利要求5所述的地区电力短期负荷预测模型训练方法，其特征在于，
7.根据权利要求6所述的地区电力短期负荷预测模型训练方法，其特征在于，
8.根据权利要求7所述的地区电力短期负荷预测模型训练方法，其特征在于，
9.一种地区电力短期负荷预测模型训练系统，其特征在于，包括：
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至8中的任一所述的地区电力短期负荷预测模型训练方法中的步骤。
【技术特征摘要】
1.一种地区电力短期负荷预测模型训练方法，其特征在于，包括以下步骤s1-s7：
2.根据权利要求1所述的地区电力短期负荷预测模型训练方法，其特征在于，
3.根据权利要求2所述的地区电力短期负荷预测模型训练方法，其特征在于，
4.根据权利要求3所述的地区电力短期负荷预测模型训练方法，其特征在于，
5.根据权利要求1所述的地区电力短期负荷预测模型训练方法，其特征在于，
6.根据权利要求5所述的地区电力短期负荷预测模...
【专利技术属性】
技术研发人员：孟航，郑昌庭，蔡丽芳，黄山，叶芳，薛向阳，郑克，张小敏，王少华，陈文汉，宋建浩，潘震宇，郑雨濠，潘奔策，
申请(专利权)人：国网浙江省电力有限公司温州供电公司，
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。