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】
本专利技术涉及负荷数据预测,具体涉及一种基于多尺度历史负荷数据的台区负荷预测方法。
技术介绍
1、目前配电网台区变压器负荷预测由于台区负荷的类型多样且影响因素繁多,导致随机性很强,这使得精确预测变得困难。现有的负荷预测方法能处理时间序列数据的时序依赖性,但对于表现长期依赖性的负荷数据则难以把握。同时,这些方法在处理负荷的不确定性方面未能进行有效的定量评估,导致预测结果缺乏可靠性,难以满足实际应用需求。由于配电网台区变压器产生的负荷数据是一种时间序列数据,因此可以基于历史负荷数据进行配电网台区变压器负荷预测。随着配电网台区变压器的广泛部署,电力系统中有大量历史负荷数据,因此基于数据驱动的人工智能方法已被有效应用于配电网台区变压器负荷预测。但因负荷具有较强的时变性、随机性和不确定性等特点,准确的配电网台区变压器负荷预测仍然是亟待解决的难题。关于配电网台区变压器负荷预测,现有的负荷预测方法虽然能对时间序列数据的时间依赖关系进行建模,但无法有效处理负荷数据间的长期依赖问题。除此之外,对负荷的不确定性评估,现有的负荷预测方法不能进行准确的定量分析。因此,现有配电网台区负荷预测方法,不具备实际应用价值,预测结果可靠性无法保障。
技术实现思路
1、本专利技术所要解决的技术问题是预测时不能定量评估,无法有效处理负荷数据间的长期依赖,预测结果可靠性无法保障,目的在于提供一种基于多尺度历史负荷数据的台区负荷预测方法,通过hutformer结合基于贝叶斯优化的弹球损失函数进行置信区间预测。hutform
2、本专利技术通过下述技术方案实现:
3、本专利技术提供一种基于多尺度历史负荷数据的台区负荷预测方法,包括以下具体步骤:
4、获取配电网台区电力数据,对数据进行预处理,得到样本数据;
5、基于样本数据构建三维矩阵,构建数据统一模型,对三维矩阵进行整合;
6、通过滑动窗口对整合后的数据进行处理,构建样本数据集;
7、基于hutformer建立台区负荷预测模型,通过样本数据集对台区负荷预测模型进行训练,输出最优模型;
8、根据最优模型计算预测损失值和预测结果的置信区间。
9、本专利技术通过hutformer结合基于贝叶斯优化的弹球损失函数进行置信区间预测。hutformer模型可以捕获时间序列数据中的长期依赖性,而弹球损失函数有助于在存在不确定性时提供准确的置信区间。这个组合方法具有更广泛的适用范围并能生成更精确可靠的预测结果。能够有效地提高配电网台区变压器负荷预测的精准度和可靠性,能够处理长期的依赖关系,并且能够在预测中提供定量的不确定性评估。
10、进一步的,所述对数据进行预处理具体包括:
11、对数据进行空值处理;
12、提取空值处理后存在的负值数据,进行误差校正;
13、将校正后的数据进行离差标准化处理。
14、进一步的,所述对数值进行空值处理时具体包括:
15、当数据缺失类型为间歇性缺失时,采用插值法推算缺失的值,并对该数据进行平滑处理;
16、当数据缺失的缺失值超过阈值时,删除数据中包含缺失数据的行。
17、进一步的,所述通过滑动窗口对整合后的数据进行处理,构建样本数据集,具体包括:
18、获取样本1,构成负荷数据在当前时刻t,以t作为历史时间步长的输入窗口,将后n个时刻的负荷值作为目标输出;
19、将窗口向右滑动,构建样本2;
20、依次向右滑动,直到遍历所有数据,输出样本数据集。
21、进一步的,所述基于hutformer建立台区负荷预测模型,具体包括:
22、构建编码器,通过时空位置嵌入获取历史负荷数据的时空表示,将时空表示输入到编码器中,进行编码;
23、使用窗口注意力机制在非重叠窗口计算注意力分数,限制感受野大小;
24、获取历史负荷数据的长期依赖关系;
25、通过段合并算法生成历史负荷数据的多尺度层级表示;
26、构建解码器,通过时空位置嵌入获取历史负荷数据的时空表示,将时空表示输入到解码器中,进行解码;
27、采用跨注意力机制对齐历史负荷序列和预测负荷序列,得到融合多尺度数据表示。
28、进一步的,所述通过样本数据集对台区负荷预测模型进行训练,具体包括:
29、构建弹球损失函数,以最小化弹球损失函数值为目标,对台区负荷预测模型进行迭代训练,得到输出最优模型。
30、进一步的,所述对台区负荷预测模型进行迭代训练具体包括:
31、通过正向传播得到预测值,将预测值与目标值进行计算得到损失函数值;
32、通过反向传播和梯度下降法更新台区负荷预测模型网络权重参数,基于贝叶斯优化的弹球损失函数,直到损失值趋于稳定并不再下降,则停止训练,输出最优模型。
33、进一步的,所述损失函数值的计算步骤包括:
34、获取t时刻目标分位数q的负荷预测值和t时刻目标分位数q的负荷真实值;
35、构建惩罚函数,当负荷预测值不小于负荷真实值时,惩罚将乘以1-q,当负荷预测值小于负荷真实值时,惩罚将乘以q,输出损失函数值。
36、进一步的,所述损失值计算与置信区间预测,具体包括:
37、基于弹球损失函数对预测误差进行非线性处理;
38、基于贝叶斯优化技术,细化模型参数的选择过程,计算预测损失值的同时提供预测结果的置信区间。
39、进一步的,所述基于贝叶斯优化技术,细化模型参数的选择过程,具体包括:
40、根据先验信息和历史数据,选择新的超参数组合并重复该组合步骤,优化弹球损失函数值;
41、通过贝叶斯优化算法维护一个后验概率分布,确定弹球损失函数在各个超参数组合下的可能取值,得到指导超参数的搜索方向,结合搜索方向计算预测损失值的同时提供预测结果的置信区间。
42、本专利技术与现有技术相比,具有如下的优点和有益效果:
43、1、该方法对配电网台区变压器负荷数据进行时间序列数据建模,达到台区负荷精确预测的目的;
44、2、该方法通过hutformer模型,融合了全局信息和局部信息,从而实现长期依赖关系的获取,解决了现有预测方法无法有效提取长期依赖关系的问题;
45、3、对于负荷数据存在不确定性的情况,该方法通过基于贝叶斯优化的弹球损失函数,对负荷数据的不确定性进行量化分析,提升了台区负荷预测的精度及可靠性。
本文档来自技高网...【技术保护点】
1.一种基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,包括以下具体步骤:
2.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对数据进行预处理具体包括:
3.根据权利要求2所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对数据进行空值处理具体包括:
4.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述通过滑动窗口对整合后的数据进行处理,构建样本数据集,具体包括:
5.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述基于HUTFormer建立台区负荷预测模型,具体包括:
6.根据权利要求5所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述通过样本数据集对台区负荷预测模型进行训练,具体包括:
7.根据权利要求6所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对台区负荷预测模型进行迭代训练具体包括:
8.根据权利要求7所述的基于多尺度历史负荷数据的台区负荷预测方
9.根据权利要求8所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述损失值计算与置信区间预测,具体包括:
10.根据权利要求9所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述基于贝叶斯优化技术,细化模型参数的选择过程,具体包括:
...【技术特征摘要】
1.一种基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,包括以下具体步骤:
2.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对数据进行预处理具体包括:
3.根据权利要求2所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对数据进行空值处理具体包括:
4.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述通过滑动窗口对整合后的数据进行处理,构建样本数据集,具体包括:
5.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述基于hutformer建立台区负荷预测模型,具体包括:
6.根据权利要...
【专利技术属性】
技术研发人员:李世龙,刘雪原,刘智豪,张凌浩,滕予非,张华,周剑,邹仕富,刘昶,常政威,
申请(专利权)人:国网四川省电力公司电力科学研究院,
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。