【技术实现步骤摘要】
本专利技术涉及一种电力系统负荷预测方法，特别是涉及一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法。
技术介绍
1、现有电力系统负荷预测方法主要有统计法、时间序列方法和以深度学习为代表的人工智能方法。统计方法主要以卡尔曼滤波为代表，时间序列分析法以回归分析法和多元线性回归分析法为代表。电力系统具有高维非线性的特点，例如，线性模型难以捕捉复杂的非线性关系，决策树和支持向量机等传统机器学习方法则往往面临维度灾难和泛化能力不足的问题。通过多层非线性映射，深度学习模型可以有效地学习电力系统中抽象特征，从而提高预测和分类的准确性和可靠性。为了满足电力系统负荷预测的精度要求，考虑到充分利用过去和未来的信息，采用双向长短期记忆网络，将输入序列编码为特定的长度，当输入的序列过长时，容易造成序列信息丢失，因此加入注意力机制；最后利用卡尔曼滤波模型对预测值做最后的修正。实验结果表明混合模型可以更好的预测“峰谷负荷”，鲁棒性更强，提高了负荷预测精度。
2、除了上述预测方法外，还对数据进行处理。电力系统负荷数据较为复杂，且收集周期较长，很难避免在收集中因设备因素，外部突发因素和人为因素造成数据异常和数据缺失。因此在预测采用线性插值法对数据进行预处理，补齐漏掉数据。
技术实现思路
1、本专利技术的目的在于提供一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，该方法为一种基于卷积神经网络，双向长短期记忆网络和卡尔曼滤波相结合的超短期负荷预测方法，解决现有技术中电
2、本专利技术的目的是通过以下技术方案实现的：
3、一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，所述方法的步骤如下：
4、步骤1：获取气象因素和日期因素构建数据集；
5、步骤2：对步骤1数据经过预处理后进行聚类；
6、步骤3：构建数据滑动窗口/划分数据集；
7、步骤4：对步骤3中数据通过cnn-bilstm模型进行预测；
8、步骤5：对步骤4预测数据进行kf模型修正，得到最终预测结果。
9、所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，所述步骤1中获取历史天气和日期对应数据所述构建数据及包括：最高、最低温度、平均温度、相对湿度、降水量以及构建日期类型。
10、所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，所述步骤2中获取的历史负荷数据进行预处理包括：线性插值法，归一化处理。
11、所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，所述步骤3中获取的数据进行划分数据集包括：one-hot编码。
12、所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，所述步骤4中获取数据集进行cnn-bilstm模型预测具体步骤如下：
13、步骤4.1：电力系统具有高维、非线性的特点，故采用卷积神经网络对输入双向长短期记忆网络的数据进行处理，再进行预测；其中卷积神经网络(cnn)包括：输入层、卷积层、池化层、全连接层和输出层；
14、步骤4.2：在卷积层中，卷积核会对输入进行卷积运算，提取特征，然后通过非线性激活函数进行处理，得到一个特征；
15、
16、c0＝i0
17、ck和ck-1为第k层与第k-1层的特征输出；wk为特征矩阵；bk为第k层的偏置量；f为激活函数relu,原始输入c0为i0；
18、步骤4.3：再经过池化层，对特征进行降采样，减少特征的大小，降低模型的复杂度；最后经过全连接层和输出层整合更新权值，实现反向传播；
19、步骤4.4：针对序列信息过长时bilstm存在的信息丢失，采用attention机制与bilstm模型相结合；将注意机制引入bilstm模型中，以便模型可以在处理序列的同时，对不同的部分进行动态调整；提高模型的性能参数；
20、步骤4.5：针对在标准循环神经网络存在梯度消失和梯度爆炸的问题，引入循环神经网络的改进模型长期记忆网络；具体实现方法有下面公式给出：
21、ft＝σ(wf·[ht-1，xt]+bf)；
22、it＝σ(wi·[ht-1]+bi)；
23、ct＝tanh(wc·[ht-1，xt]+bc)；
24、ct＝ft·ct-1+it·ct；
25、σi＝σ(w0·[ht-1，xt]+b0)；
26、ht＝ot·tanh(ct)；
27、其中，wf、wi、w0分别为遗忘门、更新门和输出门的加权矩阵，bf、bi、b0分别为三个门的偏置项。σ和tanh分别为sigmoid激活函数和双曲线正切激活函数。
28、所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，所述步骤5中获取预测数据，对数据进行kf模型修正具体步骤如下：
29、步骤5.1：首先建立合适的状态方程和观测方程，公式如下所示：
30、xk＝fxk-1++wk；
31、yk＝cxk+vk；
32、wk∈(0，q)；vk∈(0，r)；
33、其中：xk、yk分别为状态向量、观测向量；f为传递矩阵；c为观测矩阵；wk、vk分别为系统噪声，观测噪声；二者在不干扰且期望都为0的白噪声；
34、步骤5.2：根据已知观测值得出最优估计值，公式如下所示：
35、(1)先验估计
36、
37、(2)更新先验估计协方差
38、
39、(3)更新卡尔曼增益
40、
41、(4)修正估计
42、
43、(5)更新估计协方差
44、
45、上式中，为知道yt+1前状态向量的估计值；为知道yt+1前的方差；pt+1为知道yt+1后的方差。
46、本专利技术的有益效果：
47、1.本专利技术提供一种基于卷积神经网络，双向长短期记忆网络和卡尔曼滤波相结合的短期负荷预测混合模型，该模型结合了卷积神经网络对负荷数据的特征提取能力以及双向长短期记忆网络对时间序列数据的建模能力和卡尔曼滤波对预测误差的矫正能力。并针对双向长短期记忆网络存在序列过长时数据信息丢失的可能，加入注意力机制。
48、2.本专利技术满足电力系统负荷预测的精度要求，考虑到充分利用过去和未来的信息，采用双向长短期记忆网络，将输入序列编码为特定的长度，当输入的序列过长时，容易造成序列信息的丢失，因此加入注意力机制；最后利用卡尔曼滤波模型对预测值做最后的修正。实验结果表明混合模型可以更好的预测“峰谷负荷”，鲁棒性更强，提高了负荷预测精度。
本文档来自技高网...【技术保护点】
1.一种基于CNN-BILSTM和KF相结合超短期电力系统负荷预测方法，其特征在于，所述方法的步骤如下：
2.根据权利要求1所述的一种基于CNN-BILSTM和KF相结合超短期电力系统负荷预测方法，其特征在于，所述步骤1中获取历史天气和日期对应数据所述构建数据及包括：最高、最低温度、平均温度、相对湿度、降水量以及构建日期类型。
3.根据权利要求1所述的一种基于CNN-BILSTM和KF相结合超短期电力系统负荷预测方法，其特征在于，所述步骤2中获取的历史负荷数据进行预处理包括：线性插值法，归一化处理。
4.根据权利要求1所述的一种基于CNN-BILSTM和KF相结合超短期电力系统负荷预测方法，其特征在于，所述步骤3中获取的数据进行划分数据集包括：One-hot编码。
5.根据权利要求1所述的一种基于CNN-BILSTM和KF相结合超短期电力系统负荷预测方法，其特征在于，所述步骤4中获取数据集进行CNN-BILSTM模型预测具体步骤如下：
6.根据权利要求1所述的一种基于CNN-BILSTM和KF相结合超短期电力系统负荷预测
...【技术特征摘要】
1.一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，其特征在于，所述方法的步骤如下：
2.根据权利要求1所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，其特征在于，所述步骤1中获取历史天气和日期对应数据所述构建数据及包括：最高、最低温度、平均温度、相对湿度、降水量以及构建日期类型。
3.根据权利要求1所述的一种基于cnn-bilstm和kf相结合超短期电力系统负荷预测方法，其特征在于，所述步骤2中获取的历史负荷数据进行预处理包括：线性插值法，归一化处理。
<...【专利技术属性】
技术研发人员：孔晓光，陈飞险，王伟凡，李中心，董校南，崔洛郡，
申请(专利权)人：沈阳化工大学，
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。