【技术实现步骤摘要】
本专利技术涉及负荷预测领域，具体涉及一种基于隶属度的短期负荷预测方法、系统、终端及介质。
技术介绍
1、短期电力负荷预测是电力系统规划和运营中的一个重要环节，它主要关注未来几小时到几天内的电力需求。准确的短期电力负荷预测有助于电力系统运营商更好地安排发电计划、优化资源配置、提高供电可靠性，并降低运营成本。随着电力市场改革的不断深入，先进实用的短期电力负荷预测能为电量生产及配电网经济优化调度提供坚强支撑，同时还能为市场交易主体制定购售电决策提供依据，在新形势下有较强的实际应用价值。
2、目前，国内外学者针对短期负荷预测问题已进行了广泛的探索，可分为两类：以机器学习为理论基础的现代预测方法和以时间序列预测原理为基础的经典预测方法。其中经典预测方法中的时间序列法利用历史负荷数据即可进行建模，具有所需数据少、建模理论完备、可操作性强等特点，因而其在负荷预测领域有很强的实践价值，但由于短期负荷数据的随机性和周期性以及影响因素的复杂性，经典预测方法面临提高预测精度等要求。
技术实现思路
1、为解决上述问题，本专利技术提供一种基于隶属度的短期负荷预测方法、系统、终端及介质，提高短期负荷预测精度。
2、第一方面，本专利技术的技术方案提供一种基于隶属度的短期负荷预测方法，包括以下步骤：
3、周期性采集 k个检测设备的检测负荷值；
4、将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷
5、将所采集的检测负荷值构建为预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
6、将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
7、在一个可选的实施方式中，隶属度函数由以下公式表示：
8、
9、其中，=0.01， n为采集样本数， i为采集的第 i个样本。
10、在一个可选的实施方式中，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，具体包括：
11、记初始检测矩阵为 w， w为 n×k维的矩阵；
12、则预测检测矩阵，即将 w中的每一个元素乘以其对应的隶属度。
13、在一个可选的实施方式中，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值，具体包括：
14、记预测检测序列为 b={ b1， b2，…， bk}；
15、依次将 bj输入到预先构建的深度学习神经网络中，获得负荷值的第 j个预测值；其中 j=1，2，…， k；
16、将 k个预测值求平均值作为负荷值的第二预测值。
17、在一个可选的实施方式中，深度学习神经网络包括卷积神经网络cnn主模块、长短期记忆网络lstm主模块、 transformer主模块和全连接层；
18、卷积神经网络cnn主模块用于对预测检测序列提取初始特征；
19、长短期记忆网络lstm主模块用于对初始特征进行处理获得时间序列特征；
20、transformer主模块用于对时间序列特征进行处理，提取时序特征上下文信息得到中间特征；
21、全连接层用于对中间特征进行处理获得预测值。
22、在一个可选的实施方式中，该方法还包括以下步骤：
23、采集实际负荷值；
24、计算第一预测值与实际负荷值之间的预测偏差，第二预测值与实际负荷值之间的预测偏差；
25、根据预测偏差调整第一预测值和第二预测值的权重，其中预测偏差越大权重越小。
26、第二方面，本专利技术的技术方案提供一种基于隶属度的短期负荷预测系统，包括，
27、负荷值采集模块：周期性采集 k个检测设备的检测负荷值；
28、第一预测值获取模块：将所采集的检测负荷值构建为初始检测矩阵，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，将预测检测矩阵输入预先构建的改进主成分回归模型中，获得负荷值的第一预测值；
29、第二预测值获取模块：将所采集的检测负荷值构建为初始检测序列，将初始检测序列乘以关于检测负荷值的隶属度函数获得预测检测序列，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值；
30、最终预测值计算模块：将第一预测值和第二预测值进行加权处理，获得最终的短期负荷预测值。
31、第三方面，本专利技术的技术方案提供一种终端，包括：
32、存储器，用于存储基于隶属度的短期负荷预测程序；
33、处理器，用于执行所述基于隶属度的短期负荷预测程序时实现如上述任一项所述基于隶属度的短期负荷预测方法的步骤。
34、第四方面，本专利技术的技术方案提供一种计算机可读存储介质，所述可读存储介质上存储有基于隶属度的短期负荷预测程序，所述基于隶属度的短期负荷预测程序被处理器执行时实现如上述任一项所述基于隶属度的短期负荷预测方法的步骤。
35、本专利技术提供的一种基于隶属度的短期负荷预测方法、系统、终端及介质，相对于现有技术，具有以下有益效果：利用模糊集隶属度对原自变量进行了权重赋值，然后将其主成分回归模型相结合，建立了预测短期负荷的新的主成分回归模型，可充分挖掘以往信息，又能使近期数据对数值的预测发挥较大作用，有效提高预测精度，同时与深度学习神经网络预测方式相结合，考虑两种预测方式的预测结果，避免单一预测方式的预测不准确性，进一步提高预测精度。
本文档来自技高网...【技术保护点】
1.一种基于隶属度的短期负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于隶属度的短期负荷预测方法，其特征在于，隶属度函数由以下公式表示：
3.根据权利要求2所述的基于隶属度的短期负荷预测方法，其特征在于，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，具体包括：
4.根据权利要求3所述的基于隶属度的短期负荷预测方法，其特征在于，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值，具体包括：
5.根据权利要求4所述的基于隶属度的短期负荷预测方法，其特征在于，深度学习神经网络包括卷积神经网络CNN主模块、长短期记忆网络LSTM主模块、 Transformer主模块和全连接层；
6.根据权利要求1-5任一项所述的基于隶属度的短期负荷预测方法，其特征在于，该方法还包括以下步骤：
7.一种基于隶属度的短期负荷预测系统，其特征在于，包括，
8.一种终端，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有基于隶
...【技术特征摘要】
1.一种基于隶属度的短期负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于隶属度的短期负荷预测方法，其特征在于，隶属度函数由以下公式表示：
3.根据权利要求2所述的基于隶属度的短期负荷预测方法，其特征在于，将初始检测矩阵乘以关于检测负荷值的隶属度函数获得预测检测矩阵，具体包括：
4.根据权利要求3所述的基于隶属度的短期负荷预测方法，其特征在于，将预测检测序列输入预先构建的深度学习神经网络中，获得负荷值的第二预测值，具体包括：
5.根据权利要求4所述的基于隶属度的短期负荷预测方法，其特征在于，深...
【专利技术属性】
技术研发人员：王为国，孟学艺，王海波，孙启泽，赵玉敬，扈晓明，田松，王同同，赵静，
申请(专利权)人：国网山东省电力公司滨州市滨城区供电公司，
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。