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】
本专利技术涉及大数据分析领域,尤其是涉及一种极端天气下基于组合神经网络的短期区域负荷预测方法。
技术介绍
1、负荷预测与电网的发展规划、电力市场的运行和电力调度紧密相关。在区域电网能源转型与低碳化发展的大背景下,大规模高波动性、高随机性的低碳能源被接入电网,而分布式光伏发电、电动汽车等技术的应用,使用户负荷特性发生了巨大变化,体现出剧烈的不确定性。
2、此外,全球变暖直接导致了区域极端天气事件多发,极端高温、低温、暴雨、台风、雾霾、雷暴等灾害性天气越发频繁。低碳技术及气象环境的变化对区域电网的韧性提升提出了新的要求。而对极端天气场景下的多元化区域负荷进行预测,可辅助电网事前设计合理运行方式,降低极端事件对系统运行威胁,提升城市电网应对小概率、高影响力事件的感知能力,间接提升区域电网的韧性。
3、在现有技术中,专利cn114243695b公开了一种基于双向长短时记忆神经网络的电力负荷预测方法,该方法采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构,对电力负荷进行未来p小时的预测,首先从不同的输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α,再训练双向长短时记忆神经网络作为预测模型,对预测日期进行未来p小时的电力负荷预测。本专利技术提供了筛选最佳输入时间尺度组合的方法,根据最佳的输入时间尺度组合建立双向长短时记忆神经网络,解决了无法确定输入时间尺度组合的问题;通过岭回归模型对预测日期前一日的预测值与实际值建立映射关系并对预测日期进行预测。
4、专利cn112348168b公开
5、上述专利中,专利cn114243695b在进行负荷预测时,没有考虑到外部特征,具有一定的局限性。而专利cn112348168b通过基于最大信息系数mic的包裹式特征选择方法,得到超短期负荷预测的优选特征集合,并采用s2s-gru超短期负荷预测模型进行负荷预测。这一方法虽考虑了外部特征,但没有考虑到众多特征对于负荷的一个联合的影响以及众多特征之间的互相影响。
技术实现思路
1、本专利技术的目的就是为了提供一种提高区域负荷短期预测精度的极端天气下基于组合神经网络的短期区域负荷预测方法。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种极端天气下基于组合神经网络的短期区域负荷预测方法,包括以下步骤:
4、获取区域负荷数据和对应的气象数据,并根据极端天气分型方法进行处理,获得不同极端天气类型下的负荷数据集和对应的气象数据集;
5、基于所述气象数据集采用主成分分析法进行降维处理,获得气象主成分;
6、基于所述负荷数据集和对应的气象主成分,采用相关性分析法进行相关性计算,并基于相关性计算结果构建气象数据的主成分指标;
7、基于所述相关性计算结果,筛选出负荷类特征,并与所述气象数据的主成分指标共同构建特征集;
8、将所述负荷数据集和特征集输入至预先构建好的短期区域负荷预测模型中,输出短期区域负荷预测结果,其中,所述短期区域负荷预测模型通过组合神经网络进行构建,所述组合神经网络包括输入层、卷积神经网络层、长短时记忆网络层、注意力机制层和输出层。
9、进一步地,所述极端天气分型方法根据极端气象标准进行处理。
10、进一步地,所述极端天气类型包括高温、低温、大风、大雨、雷暴和雾霾。
11、进一步地,所述气象数据包括气温、风速、雨量、能见度、最大风速、露点温度、相对湿度、太阳辐照度、雷暴概率和雷暴发展潜力k指数。
12、进一步地,所述获得气象主成分的具体步骤包括:
13、基于不同极端天气下的气象数据集构建矩阵,并将矩阵的每一行进行零均值化处理;
14、基于零均值化处理结果计算协方差矩阵;
15、基于协方差矩阵求解协方差矩阵的特征值及对应的特征向量;
16、基于所述特征值及对应的特征向量组成低维矩阵,从而获得气象主成分。
17、进一步地,所述相关性分析法为皮尔逊相关系数法,表达式为:
18、
19、式中,r为相关系数值;x、y分别表示需要衡量的两个连续变量,即分别为负荷数据和对应的气象数据主成分;cov表示变量间的协方差;σ表示变量的标准差。
20、进一步地,所述气象数据的主成分指标的构建表达式为:
21、
22、式中,pci为气象数据的主成分指标,xi表示标准化后不同的气象数据,ai表示对应的权重。
23、进一步地,所述负荷类特征包括日最大负荷、日最小负荷、日峰谷差、日负荷率和日负荷波动率。
24、进一步地,所述日负荷波动率的表达式为:
25、
26、
27、式中,σh,t为日负荷波动率,h为时间段,t为时间窗口,t为时刻,rt,h为时间段h内的对数回报率,lt为t时刻的负荷。
28、进一步地,所述负荷类特征筛选的表达式为:
29、|ri|≥α
30、式中,|ri|表示pearson相关系数,α表示阈值。
31、与现有技术相比,本专利技术具有以下有益效果:
32、(1)本专利技术研究了气象数据在不同极端天气情况下对负荷的影响程度,构建主成分指标选取负荷变量对应的各类特征,将各类特征与组合神经网络相结合,构建极端天气场景下区域负荷短期预测模型,该组合神经网络的卷积神经网络层和长短时记忆网络层可以自动地学习输入数据中的特征,模型可以更全面地利用数据中的信息,提高预测的准确性,注意力机制层可以提高模型对重要特征的关注度,减少对不重要特征的影响,这样可以进一步提高模型的预测精度。
33、(2)本专利技术利用主成分分析方法,研究了气象因素在不同极端天气情况下对负荷的影响程度,能够同时考虑到各气象数据之间的相关性和冗余度,并利用相关分析方法,通过负荷与各类特征之间的相关性分析来选择特征,这种方法有助于加快计算速度,避免维度问题。
本文档来自技高网...【技术保护点】
1.一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述极端天气分型方法根据极端气象标准进行处理。
3.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述极端天气类型包括高温、低温、大风、大雨、雷暴和雾霾。
4.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述气象数据包括气温、风速、雨量、能见度、最大风速、露点温度、相对湿度、太阳辐照度、雷暴概率和雷暴发展潜力K指数。
5.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述获得气象主成分的具体步骤包括:
6.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述相关性分析法为皮尔逊相关系数法,表达式为:
7.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其
8.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述负荷类特征包括日最大负荷、日最小负荷、日峰谷差、日负荷率和日负荷波动率。
9.根据权利要求8所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述日负荷波动率的表达式为:
10.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述负荷类特征筛选的表达式为:
...【技术特征摘要】
1.一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述极端天气分型方法根据极端气象标准进行处理。
3.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述极端天气类型包括高温、低温、大风、大雨、雷暴和雾霾。
4.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述气象数据包括气温、风速、雨量、能见度、最大风速、露点温度、相对湿度、太阳辐照度、雷暴概率和雷暴发展潜力k指数。
5.根据权利要求1所述的一种极端天气下基于组合神经网络的短期区域负荷预测方法,其特征在于,所述获得气象主成分的具体步骤包...
【专利技术属性】
技术研发人员:张梦圆,余德泳,孙改平,刘蓉晖,田英杰,苏运,郭乃网,吴裔,赵莹莹,
申请(专利权)人:国网上海市电力公司,
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。