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】
本专利技术属于电力系统负荷功率预测领域,具体为基于rnn和hpso的电力系统负荷功率预测方法、系统及装置。
技术介绍
1、电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。
2、在电力负荷预测中,很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化,比如气象。有些因按地区条件产生差异,如工农业发展速度;有些因素是无估计的重大事件,如严重灾害等,并且各个因素对负荷的影响可能是不一样的,而且同一因素的不同水平对负荷的影也是不同的。
3、1.气象因素的影响,很多负荷预测数学模型都引入了气象部门提供的气象预报信息,包括温湿度、雨量等在内的气象因素都会直接影响负荷波动,尤其在居民负荷占据较高比例的地区,这种影响更大。
4、2.节假日及特殊条件的影响,较之正常工作日,一般节假日的负荷都会明显降低,以春节为例,春节期间的负荷曲线一般会出现大幅度的下降变形,而其变化周期也大致与假日周期吻合。
5、3.大工业用户突发事件的影响对于大工业用户装接容量占用电负荷较高的地区,大工业用户在负荷预测偏差中起到的影响作用也比较大。
6、现有的电力系统负荷功率预测方法存在以下一些缺点:
7、1.非线性关系:负荷功率受到多种因素的影响,包括天气状况、季节变化、工业生产活动等。这些因素之间存在复杂的非线性关系,传统的线性模型往往不能很好地捕捉到这些关系,导致预测结果的偏差较大。
8、2.灵活性不足:传统的负荷功率预测方法
技术实现思路
1、有鉴于此,本专利技术提供了基于rnn和hpso的电力系统负荷功率预测方法、系统及装置,通过采用递归神经网络和混合粒子群优化算法,充分利用大规模数据和非线性特征,提高负荷功率预测的准确性和可靠性,通过具有较好的灵活性和适应性,可以适应电力系统的变化和复杂性。
2、为实现上述目的,具体技术方案如下:
3、第一方面提供了基于rnn和hpso的电力系统负荷功率预测方法,包括:
4、步骤一:获取历史电力系统负荷功率值及负荷功率值的对应信息,对应信息包括:时间信息,气象信息,突发事件信息,工业信息;
5、步骤二:根据负荷功率值的大小设置阈值,构建负荷功率值区分模型,将训练集分为标准负荷功率、高负荷功率、低负荷功率;
6、步骤三:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序,将构建好的数据序列划分为训练集和测试集;
7、其中,对产生标准负荷功率的对应信息编序为:δ=0;
8、其中,对产生高负荷功率的对应信息编序为:δ=1;
9、其中,对产生低负荷功率的对应信息编序为:δ=-1;
10、步骤四:对训练集使用递归神经网络rnn训练计算所述对应信息的权重值,计算公式为:
11、
12、其中,ω为对应信息的权重值,pn为对应信息的当前负荷功率值,p标为标准负荷功率,n为对应信息的单个信息数量值;
13、步骤五:对训练集使用递归神经网络rnn训练,形成负荷功率序列模型:
14、p总=(ω1+1)p标1+(ω2+1)p标2+(ω1+1)p标2+......+(ωx+1)p标x
15、其中,ω1,ω2,ω3,ωx为对应信息的权重值,p1,p2,p3,px,为对应信息的标准负荷功率值;
16、步骤六:使用混合粒子群优化(hpso)算法对负荷功率序列模型的参数进行优化;
17、步骤七:使用测试集对负荷功率序列模型评估,计算预测结果与真实值之间的误差,根据评估结果对模型进行调整和优化。
18、在第一方面使用时,收集和整理电力系统的历史负荷功率数据,并获取相关特征信息,考虑多个特征信息,提供更全面的负荷功率预测依据。后特征选择和权重计算,建立区分负荷功率模型,并采用rnn模型训练和hpso参数优化,针对不同负荷状态建立相应的模型,提高预测准确性和可靠性,rnn模型捕捉负荷功率序列的时序关系和非线性特征,具有记忆能力。通过计算对应信息的权重值,加权处理不同特征信息,提高预测准确性。hpso参数优化全局搜索最优解,优化负荷功率序列模型参数,提高预测性能。最后通过评估和调整,获得电力系统负荷功率准确预测模型,
19、进一步的,所述阈值的确定方式为:计算训练集中负荷功率值的平均值和标准差,根据正态分布的性质,选择平均值加上2倍标准差作为高阈值,平均值减去2倍标准差作为低阈值。
20、进一步的,所述高负荷功率、标准负荷功率、低负荷功率的确定方式为:
21、高负荷功率>高阈值;
22、高阈值≥标准负荷功率≥低阈值;
23、低负荷功率≤低阈值。
24、进一步的,所述时间信息,气象信息,突发事件信息和工业信息设置均依据测定情况设置有若干组,同时对若干组进行编序。
25、进一步的,所述优化步骤包括:
26、初始化粒子群的位置和速度;
27、其中,位置表示模型参数的取值,速度表示参数的变化速率;以及
28、使用rmse作为适应度函数,计算每个粒子的适应度,rmse的公式如下:
29、
30、其中,f(xi)表示模型预测值,yi表示实际值,n表示样本数量;
31、更新粒子的速度和位置,
32、v(t+1)=wv(t)+c1r1(pbest-x(t))+c2 r2*(gbest-x(t))
33、其中,其中,v(t)表示粒子的当前速度,x(t)表示粒子的当前位置,w是惯性权重,c1和c2是学习因子,r1是一个随机数,pbest表示粒子的个体最优位置,gbest表示粒子群的全局最优位置;
34、更新个体最优位置和全局最优位置;
35、重复上述步骤,输出最优参数。
36、第二方面方面提供了一种基于rnn和hpso的电力系统负荷功率预测系统,包括:
37、输入模块:配置为:手动输入对应信息;
38、负荷功率值区分模块:配置为:根据负荷功率值的大小将训练集分为标准负荷功率、高负荷功率、低负荷功率;
39、编序模块:配置为:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序;
40、权重值计算模块:配置为:对训练集使用递归神经网络rnn训练计算所述对应信息的权重值;
41、参数优化模块:配置为:使用混合粒子群优化(hpso)算法对负荷功率序列模型的参数进行优化;
42、显示模块:配置为语音播报及显示屏显示。
本文档来自技高网...
【技术保护点】
1.基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,包括:
2.根据权利要求1所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,所述阈值的确定方式为:
3.根据权利要求2所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,所述高负荷功率、标准负荷功率、低负荷功率的确定方式为:
4.根据权利要求1所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于:所述时间信息,气象信息,突发事件信息和工业信息设置均依据测定情况设置有若干组,同时对若干组进行编序。
5.根据权利要求1所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,所述优化步骤包括:
6.一种基于RNN和HPSO的电力系统负荷功率预测系统,其特征在于,包括:
7.一种基于RNN和HPSO的电力系统负荷功率预测装置,其特征在于,
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述方法。
【技术特征摘要】
1.基于rnn和hpso的电力系统负荷功率预测方法,其特征在于,包括:
2.根据权利要求1所述的基于rnn和hpso的电力系统负荷功率预测方法,其特征在于,所述阈值的确定方式为:
3.根据权利要求2所述的基于rnn和hpso的电力系统负荷功率预测方法,其特征在于,所述高负荷功率、标准负荷功率、低负荷功率的确定方式为:
4.根据权利要求1所述的基于rnn和hpso的电力系统负荷功率预测方法,其特征在于:所述时间信息,气象信息,突发事件信息和...
【专利技术属性】
技术研发人员:梁海超,吴海涛,郭吉祥,杨建玉,刘文佳,温继伟,马勃,常瑞学,刘帅,陈凌锋,陈水明,
申请(专利权)人:大唐锡林郭勒风力发电有限责任公司,
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。