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负荷测量,具体是一种电力负荷模拟演示平台。
技术介绍
1、准确的负荷预测是合理安排电力系统发电、输电和配电的前提。负荷预测准确性的提高,有助于电力系统合理安排运行模型和检修计划,从而降低运行成本,提高其效益。负荷预测方法大致分为两类:数理统计方法和机器学习方法。基于统计模型的预测方法包括整合移动平均自回归模型(arima)、灰色模型、模糊逻辑方法等。统计预测方法较为简单,但对时间序列的稳定性要求较高,难以预测日益复杂的负荷需求。基于机器学习的方法主要包括支持向量机、随机森林、深度学习等。
2、随着电力系统收集数据的增多,传统的机器学习方法(如支持向量机、随机森林等)难以在大数据集上表现出优越的性能。
技术实现思路
1、本专利技术的目的在于提供一种电力负荷模拟演示平台,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:
3、一种电力负荷模拟演示平台,首先利用vdm分解方法将原始负荷序列分解得到若干个子序列,利用gru模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值,在得到负荷序列的初始预测之后可得到误差序列,同样利用vmd-gru模型预测误差序列,利用vmd-gru模型依次得到初始预测负荷和误差序列后,通过误差校正得到最终的预测负荷。
4、作为本专利技术进一步的方案:一种电力负荷模拟演示平台,具体包括以下步骤:
5、初始负荷预测:在初始
6、
7、其中,{uk}={u1,…,uk}——所有模态的集合;
8、{ωk}={ω1,…,ωk}——各个模态对应的中心频率;
9、f(t)——原始信号;
10、δ(t)——狄拉克分布;
11、j——虚数单位;
12、*——卷积算子。
13、通过引入二次惩罚因子α和拉格朗日乘子λ(t)将约束变分问题转化为无约束变分问题:
14、
15、利用乘子交替方向法求解等式,最终,uk、ωk、λ的更新公式可表示为:
16、
17、
18、
19、式中:
20、
21、的傅里叶变换;
22、n——迭代次数;
23、τ——拉格朗日乘子的更新率。
24、以上更新公式的收敛准则为:
25、
26、其中,ε表示收敛容差;
27、2)在得到原始负荷序列的各个子序列后,针对每个子序列构建不同的gru预测模型:首先gru的输入为当前时刻的输入向量xt和上一时刻的状态向量ht-1,输出为当前时刻的状态向量ht,其内部结构包括两个门向量:重置门rt和更新门zt,重置门rt控制ht-1进入gru的大小,其计算公式如下式所示:
28、rt=σ(wxrxt+whrht-1+br) (7)
29、在得到重置门rt后,通过rt、ht-1、xt共同计算得到当前时刻状态向量的候选更新值的计算公式如下:
30、
31、更新们zt由xt和ht-1共同计算得到,其计算公式如下式所示:
32、zt=σ(wxzxt+whzht-1+bz)(9)
33、最终,计算当前时刻的状态向量ht,如下式所示:
34、
35、其中,1-zt用于控制ht-1,而zt用于控制
36、3)在训练完gru模型后,得到各个子序列的预测值,将各个子序列的预测值相加得到负荷预测的初始预测值;
37、4)误差预测:将步骤1)中得到的负荷序列的初始预测值减去原始负荷序列得到预测误差序列,利用vmd分解算法将误差序列分解为若干个具有不同频率特征的序列,针对误差序列的每个子序列分别建立不同的gru预测模型,利用误差序列训练并预测各个误差子序列的预测值,将各个误差子序列的预测值相加得到最终的误差预测值;
38、5)最终负荷预测:最终负荷序列只包含1个子步骤:误差校正,即将步骤1)得到的负荷序列的初始预测值减去步骤2)得到的误差序列的预测便得到负荷序列的最终预测值。
39、与现有技术相比,本专利技术的有益效果是:相较于vmd-gru-gru,本模型在误差预测阶段引入了vmd分解算法,降低了误差序列的复杂性,降低了gru模型的预测难度。与vmd-gru相比,vmd-gru-vmd-gru模型的rmse和mape均有降低,可见,通过引入vmd-gru预测误差序列能有效地降低模型的预测误差,提高预测精度。
本文档来自技高网...【技术保护点】
1.一种电力负荷模拟演示平台,其特征在于,首先利用VDM分解方法将原始负荷序列分解得到若干个子序列,利用GRU模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值,在得到负荷序列的初始预测之后可得到误差序列,同样利用VMD-GRU模型预测误差序列,利用VMD-GRU模型依次得到初始预测负荷和误差序列后,通过误差校正得到最终的预测负荷。
2.根据权利要求1所述的一种电力负荷模拟演示平台,其特征在于具体包括以下步骤:
【技术特征摘要】
1.一种电力负荷模拟演示平台,其特征在于,首先利用vdm分解方法将原始负荷序列分解得到若干个子序列,利用gru模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值,在得到负荷序列的初始预测之后可得...
【专利技术属性】
技术研发人员:李点点,张弛,邓康乐,陈凌霄,
申请(专利权)人:中国矿业大学,
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。