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】
本专利技术涉及电力负荷预测,特别涉及一种基于prophet-vmd-tcn的分钟间隔变电站超短期负荷预测方法。
技术介绍
1、随着分布式发电和电动汽车等用电设备数量的快速增加,导致负荷数据中出现随机性、不确定性的噪声,电网的负荷特性发生明显变化。因此如何减低数据中噪声影响以进一步降低预测误差是一个值得研究的问题。
2、目前在实际负荷预测中,大部分电力企业依靠传统统计模型和人工智能模型进行预测,通常只对历史负荷本身做简单处理。但负荷序列的不确定性特点仍影响对预测的结果,单一模型难以通过简单规律准确预测,难以有效处理负荷中的噪声,需要对数据中的噪声进一步处理。
3、降低数据中不确定性影响,主要集中在历史数据处理上,大多处理方式是利用现有的时序分解方法对非平稳序列分解,进而降低数据中的噪声。但这些方法并未进一步对分解后的残差项做相关研究,导致无法充分地关注历史数据的内部特征,以进一步降低数据中的随机性。
4、同时,由于分钟间隔的变电站本身是细粒度数据,当缺少外部因素数据如温度、湿度等,或外部粗粒度数据难以与细粒度负荷数据相匹配时,缺乏相应高精度预测手段。因此,深入对历史数据的内部特征关注是有必要的。
5、在预测模型的输入端,传统的电力负荷数据大部分采样时间间隔在15分钟、30分钟和1小时,相对每分钟间隔的细粒度数据,数据密集程度更低。同时,在相同的时间段内,每分钟间隔的细粒度负荷数据的数据量是15分钟和30分钟间隔数据的15倍和30倍,数据更为庞大。
6、申请号为202311
技术实现思路
1、针对上述问题,本专利技术的目的在于提供一种基于prophet-vmd-tcn的分钟间隔变电站超短期负荷预测方法,首先将超短期时间序列按照线性插值进行空缺值填补;随后采用prophet算法将变电站时间负荷序列分解为平稳的趋势分量和周期分量;其次将真实值与分量之和的差值作为残差项;之后使用变分模态分解方法对非平稳残差项进行分解得到不同分量;同时采用mimo策略和指定滑动步长的滑动策略构建输入和输出矩阵以缩短计算时间,输入矩阵内部由多尺度时间特征构成,输出矩阵由预测一个小时数据量决定;最后将提取的所有分量作为tcn的输入进行预测;本专利技术降低了序列的复杂性和负荷数据的不确定性,提高了预测精度。
2、为达到上述目的,本专利技术采用的方案是:
3、一种基于prophet-vmd-tcn的分钟间隔变电站超短期负荷预测方法,包括以下步骤:
4、步骤一、对于实际采样获得的变电站电力负荷序列出现的缺失数据问题,基于线性插值填补法补充数据中的缺失值;
5、具体为:即对单点缺失值使用该时刻的前一时刻和后一时刻的平均值,对连续的某一缺失值按距离最近和非空缺值寻找一个前时刻和后时刻值,并根据与缺失值距离分配给前时刻和后时刻的权重以填补这一空缺时刻值,缺失值计算为:
6、
7、其中:
8、miss、before、after分别代表负荷序列的第miss、before、after时刻;
9、xmiss代表缺失的元素值;
10、xbefore代表离xmiss最近的前一非空缺;
11、xafter代表离xmiss最近的后一非空缺值。
12、步骤二、利用prophet算法将步骤一已填补过的变电站电力负荷序列进行拟合,之后将其分解为趋势特征分量、周周期特征分量、日周期特征分量,并考虑真实值与分量之和的差值获得残差项;
13、具体方程如下:
14、y(t)=g(t)+s(t)+òt
15、其中,g(t)是趋势函数,用于拟合序列中的非周期性变化;
16、s(t)是周期函数,用于拟合每日、每周等周期性变化;
17、òt表示模型中无法容纳的异常变化,即残差项。
18、步骤三、依照步骤二得到残差项后,利用vmd算法寻找模式集,将非平稳的残差项信号重构,进行分解得到残差项分解的分量;
19、具体为:将其分解为多个具有有限带宽的本征模态函数,其构造的约束变分问题如下:
20、
21、其中,{uk}和{wk}(k=1,2...k)代表模式集和其中心频率;
22、是关于时间t的偏导数,δ(t)为狄拉克分布;
23、*表示卷积运算,j是虚数单位。
24、步骤四、将步骤二得到的趋势、周周期、日周期特征分量及步骤三残差项分解的分量,进行最小-最大归一化:
25、
26、其中,x′∈[0,1]和x分别是归一化后的输入值和原始输入值;
27、xmax和xmin分别是原始输入的最大值和最小值。
28、步骤五、基于步骤四的归一化数据采用mimo策略构建多特征输入矩阵,作为tcn模型的输入数据。
29、具体为:根据预测任务预测未来h个时间步构建输出矩阵,输入矩阵的时间步长度n≥h,并按照每l个步长进行滑动,l<h,避免tcn模型训练时间过长;
30、
31、
32、其中,f()为tcn模型;
33、为t时刻下m个特征的矩阵;
34、为输入特征k在n个时刻下的矩阵;
35、y=(yn+l+1,yn+l+2,...,yn+l+h)t为在(n+l+1,n+l+2,...,n+l+h)时刻的预测值。
36、步骤六、根据预测需求,对tcn模型进行参数设置,包括迭代次数、过滤器大小、堆叠数、卷积核大小,扩张因子,通过对变电站近一段时间内的数据进行训练,捕捉长序列依赖关系,在保证预测精度的同时,减少训练时间,对变电站进行超短期预测。
37、步骤七、将步骤六的变电站超短期预测结果进行反归一化,得到负荷真正的预测值。
38、与现有技术相比,本专利技术的有益效果是:
39、(1)步骤一基于线性插值填补法补充数据中的缺失值,为分钟级细粒度负荷数据与外部粗粒度数据不匹配时,提供一种超短期预测解决方案。
40、(2)步骤二、步骤三、步骤四中算法将变电站负荷序列分解为趋势特征分量、周周期特征分量、日周期特征分量,使得预测结果可以充分反映负荷数据内部多尺度时间特征影响,如趋势、周周期和日周期特征等。
41、(2)步骤二、步骤三实现了prophet算法与vmd算法的结合,可以进一步降低负荷数据的复杂性、不确定性。
42、(4步骤五中本文档来自技高网...
【技术保护点】
1.一种基于Prophet-VMD-TCN的分钟间隔变电站超短期负荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于Prophet-VMD-TCN的分钟间隔变电站超短期负荷预测方法,其特征在于,
3.根据权利要求1所述的一种基于Prophet-VMD-TCN的分钟间隔变电站超短期负荷预测方法,其特征在于,
4.根据权利要求1所述的一种基于Prophet-VMD-TCN的分钟间隔变电站超短期负荷预测方法,其特征在于,
5.根据权利要求1所述的一种基于Prophet-VMD-TCN的分钟间隔变电站超短期负荷预测方法,其特征在于,
【技术特征摘要】
1.一种基于prophet-vmd-tcn的分钟间隔变电站超短期负荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于prophet-vmd-tcn的分钟间隔变电站超短期负荷预测方法,其特征在于,
3.根据权利要求1所述的一种基于prophet-vmd-t...
【专利技术属性】
技术研发人员:王闯,赵海深,范国瑨,史新林,王晋,任杉,
申请(专利权)人:西安邮电大学,
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。