【技术实现步骤摘要】
本专利技术属于电力系统，具体涉及一种电力系统净负荷短期预测方法、系统、设备及介质。
技术介绍
1、可再生能源接入电网的规模在不断扩大，但由于可再生能源的间歇性等特点对电力系统的安全稳定运行造成了挑战，因此对电力系统净负荷的预测显得尤为重要。对净负荷的准确预测对能源的有效管理具有重大意义，从而提高电力系统规划和运行的可靠性和经济性。
2、专利公开号为cn114611829a，名称为一种基于互补集合经验模态分解的短期电力负荷预测方法的专利申请，步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；步骤2：将数据集划分为训练集和验证集两部分；步骤3：将输入数据通过互补集合经验模态分解(ceemd)分解为有限个imf分量和一个残余分量；步骤4：对各分量应用lstm神经网络进行预测，并用贝叶斯算法对lstm网络超参数寻优；步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。该专利申请虽然也能够进行预测，但在预测过程中会陷入区域最优解，且单链结构的lstm网络仅能学习正向时序关系，不能充分对历史数据进行全局分析且忽略了前后时间的关联性问题。
技术实现思路
1、为了克服上述现有技术中存在的问题，本专利技术的目的在于提供一种电力系统净负荷短期预测方法、系统、设备及介质，针对传统方法在预测非平稳性电力需求方面的方法存在准确度不高、易陷入区域最优解的问题，提出了基于bilstm的预测架构，其在处理非平稳时间序列信号时具有很高的效率。
2、
3、一种电力系统净负荷短期预测方法，包括以下步骤：
4、s1：获取电力系统净负荷短期预测所需的电力基本数据；
5、s2：采用经验模态分解的方法对初始数据进行分析，获取其内模分量；
6、s3：连接bilstm网络进行预测；
7、其中，步骤s2中经验模态分解方法的具体过程为：
8、(1)对初始数据进行左右比较获取局部极大值，并用三次样条函数对局部极大值数据集做插值拟合得到上包络线序列emax(t)；
9、(2)对初始数据进行左右比较获取局部极小值，并用三次样条函数对局部极小值数据集做插值拟合得到下包络线序列emin(t)；
10、(3)对emax(t)和emin(t)取平均值，得到瞬时平均值m(t)；
11、(4)原始序列x(t)与瞬时均值序列m(t)做差得到类距平值序列h(t)，即h(t)＝x(t)-m(t)；
12、(5)判断h(t)是否满足imf条件，若满足则输出类距平值序列h(t)，若不满足则以h(t)为初始序列重新开始步骤(1)至步骤(5)。
13、可选的，步骤s2之前，对样本数据进行预处理，包括对异常和缺失数据进行替换和补充，对初始数据进行降噪。
14、可选的，数据预处理的具体过程包括：对样本中缺失或者异常的初始数据进行补充，做法是利用问题点所在的前两天和后两天的每小时数据的平均值进行替代，计算公式为：式中，yi为更新后的数据，yi-q为问题点前两天的每小时数据，yi-h为问题点后两天的每小时数据，q和h分别为数据点前后两天的数据总数；采用小波变换分解初始数据，变换后的数据被分解成若干系数，通过设置合适的阈值，将系数高于阈值的数据置零，其余数据保留。
15、可选的，对样本数据进行预处理之后，使用模糊系统对数据进行归一化处理。
16、可选的，模糊系统对数据进行归一化处理的具体过程包括：
17、
18、其中a(x)是隶属度函数，k为常系数，a为阈值下限，b为阈值上限，x是样本输入数据。
19、可选的，步骤s2中，选取90％的初始数据进行分析，利用剩余的10％的初始数据对模型进行验证，验证过程所采用的参考指标为相关系数r2和均方根值rmse。
20、可选的，步骤s1中，电力系统净负荷短期预测所需的电力基本数据包括：总需求负荷数据，风能和太阳能的发电数据，气象数据以及能源的价格数据。
21、一种电力系统净负荷短期预测系统，包括：
22、数据收集模块，用于获取预测所需的电力基本数据；
23、计算模块，用于采用经验模态分解的方法对初始数据进行分析，获取其内模分量；
24、预测模块，用于连接bilstm网络进行预测；
25、其中，经验模态分解方法的具体过程为：
26、(1)对初始数据进行左右比较获取局部极大值，并用三次样条函数对局部极大值数据集做插值拟合得到上包络线序列emax(t)；
27、(2)对初始数据进行左右比较获取局部极小值，并用三次样条函数对局部极小值数据集做插值拟合得到下包络线序列emin(t)；
28、(3)对emax(t)和emin(t)取平均值，得到瞬时平均值m(t)；
29、(4)原始序列x(t)与瞬时均值序列m(t)做差得到类距平值序列h(t)，即h(t)＝x(t)-m(t)；
30、(5)判断h(t)是否满足imf条件，若不满足则以h(t)为初始序列重新开始步骤(1)至步骤(5)。
31、一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电力系统净负荷短期预测方法的步骤。
32、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电力系统净负荷短期预测方法的步骤。
33、与现有技术相比，本专利技术具有以下有益效果：
34、本专利技术为了规范由于不同类型的数据造成的差异，采用γ型中的中间型隶属度函数对数据进行模糊归一化处理，统一了初始数据的归一化标准；为了更全面利用初始时间序列信号中包含的隐藏信息，在对数据的处理过程中采用了经验模态分解的方法。采用经验模态分解的方法对初始数据的特征进行提取后再结合bilstm网络进行电力系统净负荷(pnl)短期预测，使用bilstm网络弥补了lstm网络只能单向学习的不足，提高了预测性能。
本文档来自技高网...【技术保护点】
1.一种电力系统净负荷短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电力系统净负荷短期预测方法，其特征在于，步骤S2之前，对样本数据进行预处理，包括对异常和缺失数据进行替换和补充，对初始数据进行降噪。
3.根据权利要求2所述的一种电力系统净负荷短期预测方法，其特征在于，数据预处理的具体过程包括：对样本中缺失或者异常的初始数据进行补充或替换，做法是利用问题点所在的前两天和后两天的每小时数据的平均值进行替代，计算公式为：式中，yi为更新后的数据，yi-q为问题点前两天的每小时数据，yi-h为问题点后两天的每小时数据，Q和H分别为数据点前后两天的数据总数；采用小波变换分解初始数据，变换后的数据被分解成若干系数，通过设置合适的阈值，将系数高于阈值的数据置零，其余数据保留。
4.根据权利要求2所述的一种电力系统净负荷短期预测方法，其特征在于，对样本数据进行预处理之后，使用模糊系统对数据进行归一化处理。
5.根据权利要求4所述的一种电力系统净负荷短期预测方法，其特征在于，模糊系统对数据进行归一化处理的具体过程包括：>
6.根据权利要求1所述的一种电力系统净负荷短期预测方法，其特征在于，步骤S2中，选取90％的初始数据进行分析，利用剩余的10％的初始数据对模型进行验证，验证过程所采用的参考指标为相关系数R2和均方根值RMSE。
7.根据权利要求1所述的一种电力系统净负荷短期预测方法，其特征在于，步骤S1中，进行电力系统净负荷短期预测所需的电力基本数据包括：总需求负荷数据，风能和太阳能的发电数据，气象数据以及能源的价格数据。
8.一种电力系统净负荷短期预测系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述电力系统净负荷短期预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述电力系统净负荷短期预测方法的步骤。
...【技术特征摘要】
1.一种电力系统净负荷短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电力系统净负荷短期预测方法，其特征在于，步骤s2之前，对样本数据进行预处理，包括对异常和缺失数据进行替换和补充，对初始数据进行降噪。
3.根据权利要求2所述的一种电力系统净负荷短期预测方法，其特征在于，数据预处理的具体过程包括：对样本中缺失或者异常的初始数据进行补充或替换，做法是利用问题点所在的前两天和后两天的每小时数据的平均值进行替代，计算公式为：式中，yi为更新后的数据，yi-q为问题点前两天的每小时数据，yi-h为问题点后两天的每小时数据，q和h分别为数据点前后两天的数据总数；采用小波变换分解初始数据，变换后的数据被分解成若干系数，通过设置合适的阈值，将系数高于阈值的数据置零，其余数据保留。
4.根据权利要求2所述的一种电力系统净负荷短期预测方法，其特征在于，对样本数据进行预处理之后，使用模糊系统对数据进行归一化处理。
5.根据权利要求4所述的一种电力系统净负荷短期预测方法，其...
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。