【技术实现步骤摘要】
本专利技术属于电力负荷预测，具体涉及一种基于多特征输入的电力负荷预测方法。
技术介绍
1、电网系统中电能的发、输、配、用都是同时进行的，要确保电力系统的安全稳定运行，就必须实时平衡电源侧和用户侧的发、用电。准确高效的电力负荷预测是确保电力系统安全可靠运行的前提，这就要求电力部门在制定合理的优化调度方案之前，对未来一段时间的电力负荷进行精准预测。然而，发电商所产生的电力，除用于自身运行的部分外，主要供给住宿和餐饮用户、工业用户、零售商、居民用户等不同类型的用户，这些不同用户间的电力负荷差异很大，加之各用户间的负荷受影响因素存在差异，进而导致负荷预测具有较大的不确定性。因此，需要对行业电力负荷的众多影响因素进行筛选，找出最佳特征；然后，按照最佳分配的原则对不同用户之间进行电力负荷分配，以助于电网合理安排发电计划。此举对行业电力负荷进行预测具有重要意义。
技术实现思路
1、本专利技术的目的在于提供一种基于多特征输入的电力负荷预测方法，通过结合bilstm和sma构建模型，解决了现有技术中因不同用户之间电力负荷差异大导致预测结果不稳定的问题。
2、本专利技术的所采用的技术方案是，基于多特征输入的电力负荷预测方法，具体包括以下步骤：
3、步骤1，收集客户负荷历史数据进行分析及特征选取；
4、步骤2，对客户负荷历史数据进行预处理并分解；
5、步骤3，构造基于sma-bilstm的电力负荷预测模型；
6、步骤5，将步骤1选取的特征及步骤
7、步骤5，将步骤4得到的预测结果进行叠加获得最终的预测结果；
8、步骤6，训练sma-bilstm模型；
9、步骤7，训练模型完成后，对结果进行评估。
10、本专利技术的特点还在于，
11、步骤1具体为：
12、步骤1.1，分析各行业用电情况，确定影响电力系统负荷的外在因素；
13、其中，外在因素包括气压、平均温度、最低温度、最高低温、降雨量、风速、相对湿度、行业景气指数、行业gdp和是否节假日；
14、步骤1.2，采用皮尔逊相关性分析对外在因素进行分析，选取强相关性的外在因素作为输入特征。
15、步骤2具体为：
16、步骤2.1，对客户负荷历史数据进行预处理；
17、采用格拉布斯算法处理样本数据中的异常值，将样本数据按照大小顺序排列，即x1≤x2≤x3≤…xn，若最小值x1是可疑的，则：
18、
19、式(1)中，g为检验统计量，为均值，s为标准差；
20、当最小值x1或最大值xn对应的检验统计量大于临界值时，认为是异常值，将其剔除；
21、根据式(2)对数据进行归一化处理：
22、
23、式(2)中，pi为归一化前的负荷值和特征因素，pi′为归一化后的负荷值和特征因素，pmax为归一化前负荷的最大值，pmin为归一化前负荷的最小值；
24、步骤2.2，采用emd分解对客户负荷历史数据进行分解；
25、对负荷数据一段时间内的电力负荷变化的时间序列进行emd分解，将负荷序列分解成若干个imf和一个剩余信号，其中，每个imf代表了负荷数据中不同频率的成分，对剩余包含了无法被分解的高频成分的信号进行剔除，针对每个imf信号进行特征提取。
26、步骤3具体为：将待优化参数作为黏菌优化算法中黏菌个体的位置向量x，初始化产生种群个体数为n的初始化种群，并通过适应度函数计算公式计算初始种群个体对应的适应度值；采用黏菌优化算法对待优化参数进行更新，确保适应度值最小，得到优化后的bilstm网络结构参数；
27、其中，待优化参数包括bilstm网络隐含层神经元节点数、全连接层节点数、训练过程最大训练次数和学习率。
28、黏菌优化算法对待优化参数进行更新具体为：
29、步骤3.1，根据bilstm网络的性质、作用和优化需求，对隐含层神经元节点数、全连接层节点数、训练过程的最大训练次数和学习率进行划分，确定划分为n个种群，其中n为正整数，代表所有可能的参数组合；然后，根据划分的种群数量初始化产生种群个体数为n的初始种群；
30、步骤3.2，定义适应度函数为损失值，表示模型在训练数据上的误差，适应度函数返回的标量值表示在当前参数组合下bilstm网络的性能，适应度函数接受参数组合x作为输入，并返回一个标量值，表示该参数组合在bilstm网络上的性能；
31、步骤3.3，对于每个初始个体，使用定义的适应度函数计算初始个体的初始适应度值；
32、步骤3.4，在每一代迭代中，使用黏菌优化算法对参数进行更新。根据适应度值来对参数调整，以确保适应度值最小化。在每次迭代中，需要进行黏菌个体位置的更新，以寻找更优的参数组合。
33、步骤3.4具体为：
34、步骤3.4.1，使用初始黏菌个体的位置向量x作为输入；
35、步骤3.4.2，将参数组合x应用到bilstm网络中，进行模型训练；
36、步骤3.4.3，根据训练过程中的损失函数，计算模型在训练数据上的损失值；
37、步骤3.4.4，将计算得到的损失值作为适应度函数的输出，表示当前参数组合的性能。
38、步骤6具体为：使用70％客户负荷历史数据作为训练集，30％客户负荷历史数据作为测试集，将训练的最优模型进行保存，调用最优模型对未来一个月的电量进行预测，输出预测值。
39、步骤7具体为：评估指标包括：r2拟合优度、rmse均方根误差、mae平均绝对误差和mape平均绝对误差；
40、评估指标为r2拟合优度时，当r2拟合优度的上限为1，越接近于1表示模型预测效果较好；
41、评估指标为rmse均方根误差时，rmse均方根误差值越接近于0表示误差较小，负荷预测值与真实值的离散程度越小；
42、评估指标为mae平均绝对误差时，指标均没有上限，下限为0，指标越接近0表示模型预测结果越精准；
43、评估指标为mape平均绝对误差时，mape越小表示模型的预测值与实际值之间的百分比误差越小。
44、本专利技术的有益效果是：
45、本专利技术采用bilstm学习电力负荷序列的双向时序特征，利用前向lstm用于获取过去数据信息，后向lstm用于获取未来数据信息，从而提高了特征提取的全局性和完整性；采用emd对负荷序列进行预处理，将其分解，以增强负荷特征的显著性，进一步提高了电力负荷的预测精度；为避免bilstm网络仍然存在需要手动调整模型的超参数问题，用优化算法来自动搜索超参数，使网络更好的收敛，进一步提高预测精度。
本文档来自技高网...【技术保护点】
1.基于多特征输入的电力负荷预测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤3具体为：将待优化参数作为黏菌优化算法中黏菌个体的位置向量X，初始化产生种群个体数为N的初始化种群，并通过适应度函数计算公式计算初始种群个体对应的适应度值；采用黏菌优化算法对待优化参数进行更新，确保适应度值最小，得到优化后的BiLSTM网络结构参数；
5.根据权利要求4所述的基于多特征输入的电力负荷预测方法，其特征在于，所述黏菌优化算法对待优化参数进行更新具体为：
6.根据权利要求5所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤3.4具体为：
7.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤6具体为：使用70％电厂历史用电数据作为训练集，30％
8.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤7具体为：评估指标包括：R2拟合优度、RMSE均方根误差、MAE平均绝对误差和MAPE平均绝对误差；
...【技术特征摘要】
1.基于多特征输入的电力负荷预测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的基于多特征输入的电力负荷预测方法，其特征在于，所述步骤3具体为：将待优化参数作为黏菌优化算法中黏菌个体的位置向量x，初始化产生种群个体数为n的初始化种群，并通过适应度函数计算公式计算初始种群个体对应的适应度值；采用黏菌优化算法对待优化参数进行更新，确保适应度值最小，得到优化后的bilstm网络结构参数；
5.根据权利要求4...
【专利技术属性】
技术研发人员：侯荣荣，田卫涛，谭渊，赵联军，兰航，侯佳，薛嘉妮，吴延超，申尧，李一非，郑冕，徐瑶，张梦娜，孟昭亮，黄健，
申请(专利权)人：国网陕西省电力有限公司西咸新区供电公司，
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。