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】
本专利技术涉及电网负荷建模,尤其涉及一种基于知识图谱和数字孪生的电网负荷建模分析方法。
技术介绍
1、电网负荷建模是指通过模拟电网在不同负载条件下的行为来预测电网的负载需求的过程,而知识图谱是一种图形数据库,用于存储和查询有关领域知识和概念的信息,在电网负荷建模分析的背景下,知识图谱可用于存储有关电网组件、设备和系统的信息,以及它们之间的关系,这可以帮助识别电网中的潜在瓶颈和漏洞,并优化电网的负载分布,另一方面,数字孪生是一种物理对象或系统的虚拟表示,用于创建其数字副本,在电网负荷建模分析的背景下,数字孪生可用于创建电网组件和设备的数字表示,以及模拟不同负载条件下的电网行为。
2、现有技术中关于电网负荷建模大都通过lstm、gru或者xgboost的单一模型对电网负荷进行预测,由于其无法及时捕捉负荷数据中的复杂性和相互连接性,导致建模预测精度有限,影响电力部门的对电力的应急调度。
技术实现思路
1、针对
技术介绍
中存在的问题,提出一种基于知识图谱和数字孪生的电网负荷建模分析方法。基于知识图谱和数字孪生的电网负荷建模分析方法,一方面知识图谱和数字孪生技术可以通过提供更全面和详细的数据来提高负荷预测的准确性,另一方面采用lstm组合xgboost预测模型,提升了电力负荷预测精度,相较于单一模型极大地提升了电力负荷预测精度。
2、本专利技术提出一种基于知识图谱和数字孪生的电网负荷建模分析方法,包括以下步骤:
3、s1、在区域电网内采集不同日期中不同时间段
4、s2、对采集的信息进行预处理,将数据中的缺失值取相同时刻前两天和后两天的对应数据均值填入;
5、s3、使用知识图谱技术从预处理后的数据中提取实体,使用数字孪生技术为电网中的实体及其属性生成电力负荷的时间序列数据集;
6、s4、根据时间序列数据集构造lstm的电力负荷预测模型,并生成预测结果;
7、s5、基于xgboost算法对电力负荷数据进行拟合,形成新的预测数据,其中xgboost模型树中选择提升器选用gbtree,学习率设置为0.05,树的最大高度设置为5,叶子最小权重和设置为1,样本采样比率设置为0.2,迭代次数设置为1000,任务函数选择为gamma;
8、s6、对s4步骤中和s5步骤中的两个预测时序数据利用误差倒数法对其加权组合,公式如下:
9、ft=ω1f1t+ω2f2t=1,2,......,n;
10、
11、
12、其中,ωi为权值系数,fit为lstm或者xgboost所得的预测值,ε1、ε2分别为lstm和xgboost的误差;
13、s7、选取mape作为各个模型预测性能的主要评价指标,并选择平均误差me和均方根误差rmse作为辅助评价指标。
14、优选的,步骤s4中的具体方法包括:
15、a1、将电力负荷数据集按照比例分为训练集和测试集,利用测试集按照训练周期基于adam优化算法训练预测模型;
16、a2、对当前预测时刻t,将t-n至t-1时刻的电力负荷数据作为模型的输入序列x,当前时刻的电力负荷数据作为输出y;
17、a3、输入层采用离差标准化公式对时间序列数据集进行归一化,将数据线性映射至0-1范围内,离差标准化公式如下:
18、
19、其中,xmin是电力负荷数据中的最小值;xmax是电力负荷数据中的最大值;xi是需要标准化的电力负荷数据;
20、a4、隐藏层对数据进行传输,并生成与数据对应的特征数据,输出层使用全连接层对结果进行降维,并在得到预测数据后进行反归一化,最终得出预测结果。
21、优选的,a4步骤中的隐藏层采用lstm细胞和dropout搭建双层循环神经网络,隐藏层的每个lstm层后面加入了一个dropout层,在前向传播时让神经元的激活值以指定的概率停止工作,增强模型的泛化性。
22、优选的,步骤s7中的mape评价指标计算方式如下:
23、
24、其中yt为实际电力负荷数据;为预测电力负荷数据;n为电力负荷数据数量。
25、优选的,步骤s7中的me评价指标计算方式如下:
26、
27、其中yt为实际电力负荷数据;为预测电力负荷数据;n为电力负荷数据数量。
28、优选的,步骤s7中的rmse评价指标计算方式如下:
29、
30、其中yt为实际电力负荷数据;为预测电力负荷数据;n为电力负荷数据数量。
31、通过上述技术方案,即本专利技术公开的基于知识图谱和数字孪生的电网负荷建模分析方法,一方面知识图谱和数字孪生技术可以通过提供更全面和详细的数据来提高负荷预测的准确性,并结合来自不同来源和来源的数据,帮助模型更好地理解负荷数据及其相互关联,从而提高预测的准确性;另一方面采用lstm组合xgboost预测模型,所得误差根据实验结果明显低于其他单一模型方法,极大地提升了电力负荷预测精度,进一步优化了电网的负载分布,并计划未来的电网升级和基础设施,从而最小化电网的故障和停电的可能性。
32、本专利技术的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述步骤S4中的具体方法包括:
3.根据权利要求2所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述A4步骤中的隐藏层采用LSTM细胞和Dropout搭建双层循环神经网络,隐藏层的每个LSTM层后面加入了一个Dropout层,在前向传播时让神经元的激活值以指定的概率停止工作,增强模型的泛化性。
4.根据权利要求1所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述步骤S7中的MAPE评价指标计算方式如下:
5.根据权利要求1所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述步骤S7中的ME评价指标计算方式如下:
6.根据权利要求1所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述步骤S7中的RMSE评价指标计算方式如下:
【技术特征摘要】
1.一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述步骤s4中的具体方法包括:
3.根据权利要求2所述的一种基于知识图谱和数字孪生的电网负荷建模分析方法,其特征在于,所述a4步骤中的隐藏层采用lstm细胞和dropout搭建双层循环神经网络,隐藏层的每个lstm层后面加入了一个dropout层,在前向传播时让神经元的激活值以指...
【专利技术属性】
技术研发人员:韩昱,杨瑞峰,吕晨旭,
申请(专利权)人:国网山西省电力公司忻州供电公司,
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。