【技术实现步骤摘要】
本专利技术涉及数字数据处理，特别是一种负荷功率的预测方法。
技术介绍
1、随着能源结构的优化升级，电力体制改革的逐步深入以及“双碳”行动的积极推进，对新型电力系统提出了更高的要求。在新型电力系统构建过程中，由于引入大量分布式电源及多样性负荷，在增加新型电力系统可靠性和灵活性的同时也带来了波动性、准确性方面的挑战。用电台区的短期负荷功率预测(根据时间长短可以分为长期负荷预测、中长期负荷预测、短期负荷预测几种)是智能配用电及电网优化调度的前提，也是构建新型电力系统的重要支撑。
2、随着机器学习技术的不断发展，越来越多的人尝试使用深度学习算法来解决台区负荷功率预测问题，其效果远远超过传统的统计学方法。目前大多数研究人员选择机器学习中的lightgbm(light gradient boosting machine)、xgboost(extremegradientboosting)、长短期记忆神经网络(long short-term memory,lstm)、门循环单元(gaterecurrent unit,gru)等模型来解决该问题。
3、中国专利中公开号为cn116796635a的专利技术专利提供了“一种基于cnn-cs-ilstm模型的短期负荷预测方法”，包括如下内容：首先，获取某地区电力负荷数据，构成原始负荷数据集，并对数据进行预处理；其次，为了增加非线性特征提取过程，利用滑动窗口对原始数据动态取值，进而构建卷积神经网络(cnn)特征提取层的输入特征图；在此基础上，对长短期记忆神经网络(lstm)神经单元
技术实现思路
1、本专利技术针对现有技术之问题，提出一种不同台区短期负荷功率的预测方法，该预测可以减少软硬件资源的浪费，降低短期负荷功率的预测成本，提高功率预测的精度。
2、本专利技术所述问题是以下述技术方案解决的：
3、一种不同台区短期负荷功率的预测方法，所述方法包括以下步骤：
4、a.对不同的台区进行功率数据采集，并对采集到的数据进行预处理；
5、b.将每一个台区的经预处理后的功率数据，按照一定的比例划分为训练集和测试集；
6、c.采用不同步幅的滑动窗口机制将训练集和测试集进行数据划分
7、用w表示窗口长度，采用步幅为w+1的因果滑动窗口机制将训练集数据划分为多组窗体数据，采用步幅为1的因果滑动窗口机制将测试集数据划分为多组窗体数据，每组窗体数据中的前w个数据构成窗口数据，最后一个数据为标签数据；
8、d.通过序列自差值计算对训练集和测试集进行重构
9、重构后的窗体数据中，第一时刻的数据仍是重构前的真实的功率数据，其他时刻的数据为该时刻的功率数据与前一时刻功率数据的差值；
10、e.构建wr-xgboost预测模型
11、使用随机网格搜索和五折交叉验证方法对xgboost进行优化，得到wr-xgboost预测模型；
12、f.利用训练集数据对wr-xgboost预测模型进行训练
13、将重构的训练集数据输入到wr-xgboost预测模型，对wr-xgboost预测模型进行训练；
14、g.利用测试集数据对wr-xgboost预测模型进行测试
15、将重构的测试集数据输入到wr-xgboost预测模型，对wr-xgboost预测模型进行测试；
16、h.利用测试合格的wr-xgboost预测模型对台区短期负荷功率进行预测
17、将已知点的功率数据作为窗口数据，后续未知点的功率数据作为标签数据，将窗口数据重构后输入到测试合格的wr-xgboost预测模型，得到标签数据的预测值，再以窗体为单位进行差值运算的逆运算，得到的标签数据即为目标负荷功率的预测值。
18、上述不同台区短期负荷功率的预测方法，所述五折交叉验证的方法是将采集到的功率数据分为五等份，每次对wr-xgboost预测模型进行训练和测试时选择其中一份为测试集，其余四份为训练集，对wr-xgboost预测模型的训练和测试共有五次，五份功率数据分别作为五次训练和测试的测试集。
19、上述不同台区短期负荷功率的预测方法，所述随机网格搜索是在参数空间中随机选择超参数组合进行网格搜索。
20、上述不同台区短期负荷功率的预测方法，对采集到的数据进行预处理的过程包括对数据进行数据清洗、缺失值填充和异常值处理操作，所述数据清洗为噪声清洗，所述缺失值填充是使用前值复制的方法填补缺失值；所述异常值处理操作是删除负值的功率数据、极小数据和极大数据。
21、有益效果
22、本专利技术使用不同步幅的因果滑动窗口机制对训练集和测试集数据进行处理，通过自差值计算改善模型训练过程中数据太大对预测精度的影响，使用随机网格搜索和五折交叉验证对模型进行优化，可在保证模型训练效果的同时避免学习大量重复数据，加速模型的搜索优化，该方法可可减少软硬件资源的浪费，降低短期负荷功率的预测成本，提高功率预测的精度。对该方法做的预测验证表明，在整个实验过程中，搜索有很多轮。以某一次循环为例，max_length的值为[45,50,55,60]，n_estimators的值为[80,90,100,110]，learning_rate的值为[0.01,0.1]。使用五倍交叉验证搜索电工数据集。传统的网格搜索有32个候选项，共160个匹配项。每次配合时间为35.6秒至1.4分钟不等。最后，整个搜索过程消耗了8605.96秒。随机网格搜索有10个候选对象，总共50个匹配。每次配合的时间从35.4秒至1.3分钟不等。最后，整个搜索过程为3004.20s。随机网格搜索的时间比网格搜索的时间高65.1％。
本文档来自技高网...【技术保护点】
1.一种不同台区短期负荷功率的预测方法，其特征是，所述方法包括以下步骤：
2.根据权利要求1所述的一种不同台区短期负荷功率的预测方法，其特征是，所述五折交叉验证的方法是将采集到的功率数据分为五等份，每次对WR-XGboost预测模型进行训练和测试时选择其中一份为测试集，其余四份为训练集，对WR-XGboost预测模型的训练和测试共有五次，五份功率数据分别作为五次训练和测试的测试集。
3.根据权利要求1或2所述的一种不同台区短期负荷功率的预测方法，其特征是，所述随机网格搜索是在参数空间中随机选择超参数组合进行网格搜索。
4.根据权利要求3所述的一种不同台区短期负荷功率的预测方法，其特征是，对采集到的数据进行预处理的过程包括对数据进行数据清洗、缺失值填充和异常值处理操作，所述数据清洗为噪声清洗，所述缺失值填充是使用前值复制的方法填补缺失值；所述异常值处理操作是删除负值的功率数据、极小数据和极大数据。
【技术特征摘要】
1.一种不同台区短期负荷功率的预测方法，其特征是，所述方法包括以下步骤：
2.根据权利要求1所述的一种不同台区短期负荷功率的预测方法，其特征是，所述五折交叉验证的方法是将采集到的功率数据分为五等份，每次对wr-xgboost预测模型进行训练和测试时选择其中一份为测试集，其余四份为训练集，对wr-xgboost预测模型的训练和测试共有五次，五份功率数据分别作为五次训练和测试的测试集。
3.根据权利...
【专利技术属性】
技术研发人员：梅华威，刘艳平，曹旺斌，张月圆，
申请(专利权)人：华北电力大学保定，
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。