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,具体涉及基于ecelnet的多变量电力负荷预测方法。
技术介绍
1、电力系统中的电力负荷受到多种因素的影响,包括气象条件、季节性变化、社会活动等。这些因素使电力负荷的变化具有不确定性,需要预测来有效管理电力供应,确保电力系统的稳定和高效运行。传统的电力负荷预测方法存在一些局限性。传统方法通常基于线性模型或经验规则进行建模,通常需要人工选择,由于它们的模型复杂性有限,难以处理大规模的数据和高维特征,并且在速度方面也差强人意。
2、现有技术例如文献《基于智能优化模型的短期电力负荷预测系统》为提高电力负荷的预测准确性,提出了一种pso-lstm电力负荷预测模型,采用粒子群算法(pso)来优化长短期记忆(lstm)神经网络的超参数。文中考虑到lstm模型的超参数选择相对困难,利用pso算法的全局搜索特性,对这些参数进行了系统性的优化。通过不断训练并验证,能够找到最适合的超参数配置,以提高电力负荷预测的准确性。
3、《基于改进pso优化lstm网络的短期电力负荷预测》中为了增加短期电力负荷预测的准确性,提出了一种acmpso-lstm模型,主要是为了解决lstm模型参数选择的困难,通过采用acmpso算法来精确调整这些参数。改进了传统pso算法,引入了非线性变化惯性权重,从而提高了全局搜索的能力和算法的收敛速度,最终提高短期电力负荷预测的精度。
4、本文采用elecnet神经网络进行电力负荷的预测,旨在实现降低模型的参数和计算复杂度,提高电力负荷预测的准确率,最终高效精准的预
技术实现思路
1、本专利技术的目的是为了解决现有技术存在的由于多变量电力负荷的随机性、波动性大,而且参数多、非线性关系复杂,传统方法难以处理高维数据,导致预测电力负荷的速度较慢,且预测精度不高的技术问题,而提出的基于ecelnet的多变量电力负荷预测方法。
2、为了解决上述技术问题,本专利技术采用的技术方案为:
3、一种基于ecelnet的多变量电力负荷预测方法,它包括以下步骤:
4、步骤一:获取历史电力负荷数据和气象因素数据,并将所获取的数据分为训练样本集和测试样本集;
5、步骤二:对电力负荷数据进行预处理,滤掉异常数据,将训练样本集进行归一化,缩放到同一区间,得到归一化后的样本集;
6、步骤三:输入归一化后的电力负荷训练样本集到elecnet模型中,利用电力负荷样本对模型进行寻优参数,采用均方误差mse损失函数,通过不断地迭代,找到电力负荷预测值与真实值的最小误差,最终得到训练好的模型;
7、步骤四:将待测的电力负荷资料输入到已训练好的模型中,输出预测的电力负荷数据。
8、在步骤一中,历史电力负荷数据和气象因素是电力负荷预测中影响精度的关键因素;历史电力负荷数据是过去的负荷数值,而气象因素包括最高温度、最低温度、平均温度、相对湿度和降雨量这些气象数据,这些数据被归纳为真实数据,将真实数据被分成两个部分,即训练样本集和测试样本集。
9、在步骤三中,构建的elecnet电力负荷预测网络如下:
10、编码模块特征提取分为5个阶段;第一个阶段是网络进行下采样,首先电力负荷样本输入到1个3×3的卷积中,进行局部特征提取,然后通过最大池化,完成下采样;
11、第二个阶段是先通过3个相同的倒置瓶颈模块,再经过1个cca模块;其中倒置瓶颈模块首先经过1个1×1的卷积,实现升维增加通道;然后,经过1个卷积核为3×3、步长为2、膨胀率为2、组数为32的dc模块,再经过1个1×1的卷积实现降维,最后通过1个跳层连接;
12、第三个阶段是先通过3个相同的倒置瓶颈模块,再经过1个cca模块;其中倒置瓶颈模块首先经过1个1×1的卷积,实现升维增加通道;然后,经过1个卷积核为3×3、步长为2、膨胀率为2、组数为32的dc模块,再经过1个1×1的卷积实现降维,最后通过1个跳层连接;
13、第四个阶段是先通过3个相同的倒置瓶颈模块,再经过1个cca模块;其中倒置瓶颈模块首先经过1个1×1的卷积,实现升维增加通道;然后,经过1个卷积核为3×3、步长为2、膨胀率为2、组数为32的dc模块,再经过1个1×1的卷积实现降维,最后通过1个跳层连接;
14、第五个阶段首先通过6个相同的倒置瓶颈模块,再经过一个cca模块;这一部分倒置瓶颈中dc模块的卷积核为3×3、步长为2、膨胀率为3、组数为32;
15、解码模块由2个1×1的卷积实现,得到最终的输出。
16、在编码模块中,第二、三、四、五阶段中的dc模块,其中在第二、三、四阶段中膨胀率为2,第五阶段中膨胀率为3,使用不同膨胀率的卷积,以实现多尺度上下文聚合;dc模块首先通过1个3×3的膨胀卷积,保持输出特征图的大小固定,同时实现更大的感受野;然后,经过批归一化层、逐点卷积、gelu激活函数和逐点卷积后,最后通过一个跳层连接得到输出。
17、在编码模块中,cca模块把输入特征图x线性投影到相同维度的查询、键、值,其中、、为权重矩阵,经过softmax后与v相乘,再经过1个线性层后跳跃连接,得到输出,实现交叉协方差注意力;然后,将交叉协方差注意力的输出特征输入到1个层归一化层,再经过1个逐点卷积、gelu激活函数和逐点卷积,通过与输入特征图x的跳层连接得到最终的输出。
18、在步骤三中,dc输出如下公式:
19、(1)
20、上式(1)中,表示输入特征,表示逐点卷积和gelu激活函数,表示逐点卷积,表示批量归一化,表示膨胀率为r的指定深度膨胀卷积。
21、在步骤3中,关于cca模块,
22、采用交叉协方差注意力的方式来增强输入特征x,以捕获全局特征,交叉协方差注意力的计算方式如公式(2)(3)(4)所示:
23、(2)
24、(3)
25、(4)
26、上式(4)中,ln表示层归一化,指的是交叉协方差注意力计算,指的是归一化,指的是对做层归一化,指的是先对做层归一化再做逐点卷积,指的是先对做层归一化再做两个逐点卷积,指的是先对做层归一化再做两个逐点卷积,通过一个gelu激活函数后,做逐点卷积。
27、与现有技术相比,本专利技术具有如下技术效果:
28、1)本专利技术采用ecelnet来完成对电力负荷的预测方法,ecelnet使用resnext网络,采用分组卷积,降低计算量,使用倒置瓶颈结构,进一步减少网络整体的计算量,同时提高模型预测电力负荷的精度;
29、2)dc模块采用膨胀卷积捕获多尺度的局部特征,增大感受野的同时不会增加计算量。cca模块利用交叉协方差注意力,在保持计算复杂度低的同时,能够有效学习和获取全局特征信息。进一步优化elecnet的特征提取能力,大幅提高网络预测电力负荷的精度;
本文档来自技高网...【技术保护点】
1.基于ECELNet的多变量电力负荷预测方法,其特征在于,它包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,在步骤一中,历史电力负荷数据和气象因素是电力负荷预测中影响精度的关键因素;历史电力负荷数据是过去的负荷数值,而气象因素包括最高温度、最低温度、平均温度、相对湿度和降雨量这些气象数据,这些数据被归纳为真实数据,将真实数据被分成两个部分,即训练样本集和测试样本集。
3.根据权利要求1所述的方法,其特征在于,在步骤三中,构建的ELECNet电力负荷预测网络如下:
4.根据权利要求3所述的方法,其特征在于,在编码模块中,第二、三、四、五阶段中的DC模块,其中在第二、三、四阶段中膨胀率为2,第五阶段中膨胀率为3,使用不同膨胀率的卷积,以实现多尺度上下文聚合;DC模块首先通过1个3×3的膨胀卷积,保持输出特征图的大小固定,同时实现更大的感受野;然后,经过批归一化层、逐点卷积、GELU激活函数和逐点卷积后,最后通过一个跳层连接得到输出。
5.根据权利要求3所述的方法,其特征在于,在编码模块中,CCA模块把输入特征图X线性投影到相
6.根据权利要求3所述的方法,其特征在于,在步骤三中,DC输出如下公式:
7.根据权利要求3所述的方法,其特征在于,在步骤3中,关于CCA模块,
...【技术特征摘要】
1.基于ecelnet的多变量电力负荷预测方法,其特征在于,它包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,在步骤一中,历史电力负荷数据和气象因素是电力负荷预测中影响精度的关键因素;历史电力负荷数据是过去的负荷数值,而气象因素包括最高温度、最低温度、平均温度、相对湿度和降雨量这些气象数据,这些数据被归纳为真实数据,将真实数据被分成两个部分,即训练样本集和测试样本集。
3.根据权利要求1所述的方法,其特征在于,在步骤三中,构建的elecnet电力负荷预测网络如下:
4.根据权利要求3所述的方法,其特征在于,在编码模块中,第二、三、四、五阶段中的dc模块,其中在第二、三、四阶段中膨胀率为2,第五阶段中膨胀率为3,使用不同膨胀率的卷积,以实现多尺度上下文聚合;dc模块首先...
【专利技术属性】
技术研发人员:盛冠群,张柱卡,雷定坤,刘娜,汤婧,
申请(专利权)人:三峡大学,
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。