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】
本专利技术涉及电力市场中长期交易,特别是基于机器学习的分时段负荷预测方法。
技术介绍
1、随着电力行业市场化改革,以及全国电力现货市场试点地区开始试运行,电力负荷作为影响电价的重要因素,是制定最优报价策略来获得最大利润的关键因素。日前市场用于预测现时电力,日前电价与长期电价的对比是中长期策略制定的重要因素。售电公司和用户都可以通过日前的预测,制定中长期和日滚动策略,将利益最大化。由于新能源的高速发展,分布式光伏的增加,相较于过去的负荷预测,影响的因素变得更多,仅运用传统的预测方法偏差会越来越大。
2、因此,现有的电力负荷预测方法中多以规则、或单一的机器学习模型为主,存在对数据挖掘深度不足、适应性较差且无法灵活处理多变的特征变化等问题。
技术实现思路
1、本专利技术的目的在于,提供基于机器学习的分时段负荷预测方法。本专利技术具有更加准确,效果更好,更快的适应电力市场的快速发展的优势。
2、本专利技术的技术方案:基于机器学习的分时段负荷预测方法,包括如下步骤:
3、s1、划分时段:通过季节中的光照时间将负荷曲线与相关数据划分为三个区间;
4、s2、构建模型:运用xgboost针对划分好的不同时段负荷曲线与相关数据训练模型,并运用训练好的模型对不同时段进行预测;
5、s3、寻找相似日:根据天气数据,从历史实际负荷中,寻找相似日,对预测结果进行微调。
6、前述的基于机器学习的分时段负荷预测方法中,所述相关数据共九个特征
7、前述的基于机器学习的分时段负荷预测方法中,s1所述的划分时段,其具体内容为:
8、按照该季节中有无太阳辐照度的平均时间点进行划分,将负荷曲线划分为三个阶段,包括1点开始太阳辐照度为0的时段、太阳辐照度大于0的时段和太阳辐照为0至24点的时段。
9、前述的基于机器学习的分时段负荷预测方法中,s2所述的构建预测模型中,训练集为通过s1中得到的三个区间时段划分得到的三个训练集,对预测日期的特征进行划分由三个模型分别得到的预测结果拼接得到最终输出结果,具体步骤如下:
10、s2.1、基于s1划分得到的三个训练集,分别训练三个xgboost模型;
11、s2.2、将预测日期的天气预测数据,历史平均天气数据和最新的日前负荷作为特征按照该季节中有无太阳辐照度的平均时间点进行划分;
12、s2.3、将划分好的特征分别输入对应的xgboost模型,得到对应的输出,并按照时间顺序拼接输出的数据。
13、前述的基于机器学习的分时段负荷预测方法中,s3所述的寻找相似日对预测结果进行微调,所述寻找相似日通过hausdorff距离,计算历史天气曲线与当日预测天气曲线的相似度,具体内容如下:
14、设两组集合a={α1,…,αn},b={b1,…,bm},这两个集合之间的hausdorff距离的计算公式如为,
15、h(a,b)=max(h(a,b),h(b,a))
16、其中,||·||是点集a和点集b间的距离范式。
17、前述的基于机器学习的分时段负荷预测方法中,根据设定好的hausdorff距离阈值,筛选出与预测日期的天气特征相似的历史天气特征,选取距离预测日期最近的相似日历史负荷;
18、根据历史负荷曲线对s2中输出的预测结果进行微调,得到最终预测结果。
19、与现有技术相比,本专利技术通过分时段预测,将具有分布式光伏影响的部分曲线与无需考虑分布式光伏的部分细分训练,使模型更容易拟合训练数据,学习特征规律;
20、后续相似日的微调,则能更好的运用有限的电力市场数据,从而使得预测的日前负荷曲线更符合最新的电力市场规律。
21、因此,本专利技术具有更加准确,效果更好,更快的适应电力市场的快速发展的优势。
本文档来自技高网...【技术保护点】
1.基于机器学习的分时段负荷预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于机器学习的分时段负荷预测方法,其特征在于:所述相关数据共九个特征值,包括日前负荷预测、温度预测、湿度预测、太阳辐照度预测、风力预测、当日历史平均温度、当日历史平均湿度、当日历史平均太阳辐照度和当日历史平均风力,1至24点共24个时点的数据。
3.根据权利要求1所述的一种基于机器学习的分时段负荷预测方法,其特征在于,S1所述的划分时段,其具体内容为:
4.根据权利要求1所述的基于机器学习的分时段负荷预测方法,其特征在于,S2所述的构建预测模型中,训练集为通过S1中得到的三个区间时段划分得到的三个训练集,对预测日期的特征进行划分由三个模型分别得到的预测结果拼接得到最终输出结果,具体步骤如下:
5.根据权利要求1所述的基于机器学习的分时段负荷预测方法,其特征在于,S3所述的寻找相似日对预测结果进行微调,所述寻找相似日通过Hausdorff距离,计算历史天气曲线与当日预测天气曲线的相似度,具体内容如下:
6.根据权利要求5所述的基于机器
...【技术特征摘要】
1.基于机器学习的分时段负荷预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于机器学习的分时段负荷预测方法,其特征在于:所述相关数据共九个特征值,包括日前负荷预测、温度预测、湿度预测、太阳辐照度预测、风力预测、当日历史平均温度、当日历史平均湿度、当日历史平均太阳辐照度和当日历史平均风力,1至24点共24个时点的数据。
3.根据权利要求1所述的一种基于机器学习的分时段负荷预测方法,其特征在于,s1所述的划分时段,其具体内容为:
4.根据权利要求1所述的基于机器学习的分时段负荷预测方法,其特征在于,s2所述的构建预测模型中,...
【专利技术属性】
技术研发人员:丰竹勃,
申请(专利权)人:北京兰木达技术有限公司,
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。