一种基于深度学习的短期电力负荷量预测方法技术

本发明专利技术公开了一种基于深度学习的短期电力负荷量预测方法，它包括以下实现步骤：(1)对负荷数据进行经验模态分解；(2)子序列分类；(3)高频分量再分解和参数优化；(4)模型搭建；(5)结果预测，相比较传统的短期电力负荷量预测方法，本发明专利技术通过引入模态分解，可将非平稳、非线性原始时间序列转化为若干子序列并重构，解决了短期电力负荷波动大、难以准确预测问题；通过对高频分量进行二次分解，可以有效地提取时序数据显著特征，将二次分解得到的子序列和未二次分解的子序列作为模型输入特征，有效提高了预测精度；利用SSA优化LSTM网络、VMD分解的关键参数选取问题，解决人工参数调整耗时和预测效果差的问题。

【技术实现步骤摘要】

本专利技术涉及电力负荷预测，特别是涉及一种基于深度学习的电力负荷量预测方法。

技术介绍

1、电力系统负荷预测是根据电力负荷、经济、社会、气象等历史数据去探索电力负荷历史数据变化规律对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，对未来电力负荷进行科学预测。电力负荷预测不准确可能会引发电力系统故障导致大规模停电，影响社会正常生产和生活。因此，准确的负荷预测建模对保证电力系统安全、稳定运行具有重要意义。

2、传统负荷预测模型缺乏适应和预测能力、鲁棒性较差，预测结果不准确，其精度难以满足负荷预测的要求。

技术实现思路

1、本专利技术所要解决的技术问题是针对电力负荷预测精度问题，提供一种结合模态分解技术和深度学习的电力负荷预测方法，兼顾模型训练时间和预测精度，实现高精度的电力负荷短期预测，为电力负荷精准调控提供一定技术参考。为了实现上述专利技术目的，本专利技术所采取的技术方案为：

2、一种基于深度学习的电力负荷预测方法，它包括以下实现步骤：

3、(1)对负荷数据进行经验本文档来自技高网...

【技术保护点】

1.一种基于深度学习的短期电力负荷量预测方法，其特征在于，它包括以下实现步骤：(1)对负荷数据进行经验模态分解；(2)子序列分类；(3)高频分量再分解和参数优化；(4)模型搭建；(5)结果预测。

2.根据权利要求1所述的基于深度学习的短期电力负荷量预测方法，其特征在于，具体方法步骤为：步骤(1)：采用经验模态分解将原始负荷数据进行分解，得到n个本征模态函数IMFi(i＝1,2,..,n)以及残差量；

3.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法，其特征在于，步骤(1)的具体方法是：

4.根据权利要求2所述的基于深度学习的短期电力负荷量预...

【技术特征摘要】

1.一种基于深度学习的短期电力负荷量预测方法，其特征在于，它包括以下实现步骤：(1)对负荷数据进行经验模态分解；(2)子序列分类；(3)高频分量再分解和参数优化；(4)模型搭建；(5)结果预测。

2.根据权利要求1所述的基于深度学习的短期电力负荷量预测方法，其特征在于，具体方法步骤为：步骤(1)：采用经验模态分解将原始负荷数据进行分解，得到n个本征模态函数imfi(i＝1,2,..,n)以及残差量；

3.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法，其特征在于，步骤...

【专利技术属性】
技术研发人员：赵建文，荣光伟，刘子明，张丽华，周鹏飞，孙丰刚，谷洋，张虎，
申请(专利权)人：国网山东省电力公司泰安供电公司，
类型：发明
国别省市：