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】
本专利技术涉及母线负荷预测,特别涉及一种基于时空特征与向量数据库的母线负荷相似日提取方法。
技术介绍
1、母线负荷预测可用于电网动态状态评估、电网安全校核、无功优化、节能发电调度等方面,它是提高电网调度的精细化、智能化水平的重要支撑手段。采用机器学习技术构建母线负荷预测模型的前置步骤之一就是进行相似日的提取,特别是在进行极端天气、节假日等特殊预测场景下的母线负荷预测时,相似日提取对提升母线负荷的预测精度有着重要作用。
2、目前的相似日提取中,现如今的相似日的确定和提取都较为简单,通常为直接选择同待预测日的性质相似的,如待预测日为节假日,则相似日的选择则为节假日或者节假日相邻日等,申请号为cn202210203484.4名称为母线负荷预测方法、装置、电子设备及存储介质的专利中,其相似日的选择也为类似的方法,其相似日为与待预测日相似的历史日,该专利中提到,如果待预测日为五一假期,历史相似日可以是五一假期之前的周六或周日。为保证相似日选取的准确程度,其设置了对应的修正系数。但是,其依旧没有在相似日的选取中考虑到降雨、风速、辐照、云量数据等外部因素的影响,且其选取到的相似日也并不能保证为相似性最高的日期。
3、鉴于此,需要一种基于时空特征与向量数据库的母线负荷相似日提取方法。
技术实现思路
1、针对现有技术中没有在相似日的选取中考虑到降雨、风速、辐照、云量数据等外部因素的影响,且其选取到的相似日也并不能保证为相似性最高的日期问题,本专利技术提供了一种基于时空特征与向
2、一种基于时空特征与向量数据库的母线负荷相似日提取方法,包括以下步骤:
3、s1:收集母线负荷数据并对其进行排序进而构成母线负荷数据矩阵,采用卷积神经网络提取所述母线负荷数据矩阵的时空特征得到母线负荷数据时空特征矩阵;
4、s2:收集外部数据,所述外部数据包括气温数据、降雨数据、风速数据、辐照数据和云量数据,对所述外部数据进行排序形成外部数据矩阵,采用卷积神经网络提取所述外部数据矩阵的时空特征,进而得到外部数据时空特征矩阵;
5、s3:计算母线负荷数据矩阵的均值、中位数、方差、偏度、峰度、近似熵值以及两相邻复合数据矩阵的差值,而后构建时间序列特征矩阵;
6、s4:将所述母线负荷数据时空特征矩阵、所述外部数据时空特征矩阵以及所述时间序列特征矩阵对齐存储入向量数据库中;
7、s5:选取待预测的日期并提取该日期的向量,采用余弦相似性计算向量数据库中与待预测日期最为相似的向量。
8、优选的,所述步骤s1具体如下:
9、提取母线负荷数据,记每天的母线负荷数据为xt,其中xt={xt1,xt2,xt3,...,xt96};
10、将采集到的母线负荷数据按时间顺序排列,以天为单位,构成矩阵x,其中
11、采用卷积神经网络提取矩阵x的时空特征,其中,步长为1,卷积核包括3x3、5x5两种,最终得到母线负荷数据的时空特征矩阵fx3、fx5;
12、按日期对齐得到特征矩阵fx。
13、优选的,所述步骤s2具体如下:
14、提取外部因素数据,所述外部数据包括气温数据、降雨数据、风速数据、辐照数据和云量数据;
15、记每天的气温数据为tt,其中tt={tt1,tt2,tt3,...,tt96};
16、将采集到的气温数据按时间顺序排列,以天为单位,构成矩阵t,其中
17、采用卷积神经网络提取矩阵t的时空特征,其中卷积核包括3x3、5x5两种,最终得到气温数据的时空特征矩阵ft;
18、采用与获取气温数据的时空特征矩阵ft同样的方法,分别计算得到降雨、风速、辐照、云量数据的时空特征矩阵fr、fw、fi、fc。
19、优选的,所述步骤s3具体如下:
20、提取负荷时序数据,以天为单位,计算xt,xt-1的差值记为
21、计算xt的均值(xtmean),中位数(xtmedian),方差(xtvar),偏度(xtskew),峰度(xtkur)。计算时滞特征;
22、计算xt的近似熵值,记为xtap;
23、提取日期特征,包括年、月、日,农历年、月、日,节假日,记为xtday;
24、拼接xtshift、xtmedian、xtvar、xtskew、xtkur、xtap、xtday,记为st,记时间序列特征矩阵为s,其中
25、优选的,所述步骤s4具体为:采用向量数据库,以天为单位,将fx、ft、fr、fw、fi、fc、s按日期对齐,并存储到向量数据库中。
26、优选的,所述步骤s5具体如下:
27、选取待预测的日期记为d,从向量数据库中提取d日期对应的行数据;
28、提取所述步骤s1-s4构成的向量;
29、采用余弦相似性计算向量数据库中与recd最为相似的向量,选取相似性最高的n行记录作为相似日数据集。
30、一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于时空特征与向量数据库的母线负荷相似日提取方法。
31、一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行如上所述的基于时空特征与向量数据库的母线负荷相似日提取方法
32、与现有技术相比,本专利技术的有益效果为:
33、本专利技术在相似日选取的过程中,不仅考虑了母线负荷的时空特征,还考虑了气温、降雨、风速、辐照、云量数据等外部因素的时空特征,且这些时空特征均由卷积神经网络进行提取。此外,基于这些时空特征,本专利技术还结合了负荷时序数据的均值、中位数、方差、偏度以及峰度等时序特征进行相关性的提取,最后基于余弦相似性的计算,根据计算得出的余弦相似性排序,选取余弦相似性最高的日期,进而的得出相似性最高的相似日数据集。
本文档来自技高网...【技术保护点】
1.一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤S1具体如下:
3.根据权利要求2所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤S2具体如下:
4.根据权利要求3所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤S3具体如下:
5.根据权利要求4所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤S4具体为:采用向量数据库,以天为单位,将FX、FT、FR、FW、FI、FC、S按日期对齐,并存储到向量数据库中。
6.根据权利要求5所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤S5具体如下:
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述
8.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的基于时空特征与向量数据库的母线负荷相似日提取方法。
...【技术特征摘要】
1.一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤s1具体如下:
3.根据权利要求2所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤s2具体如下:
4.根据权利要求3所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤s3具体如下:
5.根据权利要求4所述的一种基于时空特征与向量数据库的母线负荷相似日提取方法,其特征在于,所述步骤s4具体为:采用向量数据库,以天为...
【专利技术属性】
技术研发人员:韦昌福,徐忠文,何伊妮,曹伟,张雄宝,韦洪波,龚舒,阮诗迪,刘欣然,陈权崎,舒民豪,叶桂南,江雄烽,
申请(专利权)人:广西电网有限责任公司,
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。