【技术实现步骤摘要】
本专利技术涉及工业短期负荷区间预测领域，更具体地说，它涉及工业短期电力负荷区间预测方法、装置、设备及介质。
技术介绍
1、电能是现代工业生产和生活中不可或缺的重要二次能源。其中电力负荷包括工业负荷、居民负荷和商业负荷等。以钢铁工业电力负荷为例，钢铁工业电力负荷呈现明显的波动性、非线性、弱特征性，传统方法基于统计模型、机器学习和单一预测模型的点预测方法难以捕捉负荷序列的偶然性、随机性，很难精准实现每一个时刻点的预测，并且在工程实际中电力系统具有冗余性，在点预测基础上提供区间预测能够更好的安排备用容量、火电机组开机计划等。
2、目前，在电力负荷区间预测方法中，通过分位数回归方法对功率进行区间预测，需要预先确定分位点和回归模型，精度不高、且计算量较大；基于变分模态分解(vmd)和相关向量机的短期区间预测，结果需依赖于核函数的选择；采用bootstrap重抽样法构造伪样本得到预测功率误差区间，需要处理的数据量较多，耗时较长。
技术实现思路
1、本专利技术的目的是提供工业短期电力负荷区间预测方法、装置、设备及介质，本专利技术首先通过对历史负荷数据的重构和变分模态分解法的分解，降低历史负荷数据序列的复杂度，从而更好地挖掘特征信息，其次，针对变分模态分解法的分解的子分量，使用基于灰狼算法对长短期记忆神经网络的隐藏层神经元个数进行寻优后的网络对其进行预测，降低了长短期记忆神经网络的训练成本，提高了长短期记忆神经网络的预测精度，并且训练后的长短期记忆神经网络具有更快的收敛速度和更好的搜索
2、本申请的第一方面，提供了一种工业短期电力负荷区间预测方法，方法包括：
3、获取工业短期电力负荷的历史负荷数据；
4、对历史负荷数据进行重构，获得高频分量、振荡分量和趋势分量；
5、利用变分模态分解方法对高频分量进行分解，获得多个子分量，将多个子分量输入训练完成的长短期记忆神经网络中进行预测，获得第一预测分量；其中，长短期记忆神经网络中隐藏层神经元个数是基于灰狼算法寻优得到的；
6、将振荡分量和趋势分量分别输入由最小二乘函数构建的预测模型中进行预测，分别得到第二预测分量和第三预测分量；
7、叠加第一预测分量、第二预测分量和第三预测分量，获得点预测值；
8、根据点预测值与实际值计算出点预测误差值，利用核密度估计对点预测误差值进行估计，预测出工业短期预测时段电力负荷的区间预测结果。
9、在本申请的第一方面的一种实现方案中，对历史电力负荷数据进行重构，获得高频分量、振荡分量和趋势分量，包括：
10、提取历史负荷数据的多个聚类特征值，其中聚类特征值包括平均值、标准差、最大值、峰波谷数、变异系数、峰度和偏度；
11、通过k均值聚类算法对多个聚类特征值进行聚类，将历史负荷数据聚类成c类相似生产日，其中c为正整数；
12、对每一类相似生产日的历史负荷数据，通过自适应噪声完全集合经验模态分解法将历史负荷数据分解成多个不同频率的本征模态函数分量；
13、采用模糊熵计算函数对各个本征模态函数分量进行重构，获得高频分量、振荡分量和趋势分量。
14、在本申请的第一方面的一种实现方案中，所述模糊熵计算函数是在样本熵中引入模糊隶属度函数得到的。
15、在本申请的第一方面的一种实现方案中，所述模糊熵计算函数的表达式为：其中，n表示模糊函数的指数，r表示阈值容限，m表示特征向量的维数大小，n表示样本数量，表示m维模糊隶属函数，表示m+1维模糊隶属函数。
16、在本申请的第一方面的一种实现方案中，在所述对历史负荷数据进行重构之前，方法还包括：在检测到历史负荷数据存在异常数据时，对异常数据进行预处理处理；其中，异常数据是指历史负荷数据缺失单一数据和/或区段数据；在异常数据为缺失单一数据时，采用均值法对缺失数据点的前后两个数据求平均值，以平均值作为缺失的单一数据；在异常数据为缺失区段数据时，以相似生产日的相同时段数据补齐缺失的区段数据。
17、在本申请的第一方面的一种实现方案中，基于灰狼算法对长短期记忆神经网络中隐藏层神经元个数进行寻优的搜寻因子采用非线性收敛因子，其中，非线性收敛因子的表达式为：其中，t表示迭代次数，t表示最大迭代次数。
18、在本申请的第一方面的一种实现方案中，利用核密度估计对点预测误差值进行估计，预测出工业短期预测时段电力负荷的区间预测结果，包括：
19、将预测时段划分为多个子预测时段，采用一个核函数和滑动窗口对预测时段、子预测时段的点预测误差值进行采样估计，得到全时段、子预测时段的误差置信区间
20、预设置信水平阈值α，若点预测误差值落在全时段、子预测时段的误差置信区间的概率不小于1-α，则误差置信区间为置信水平为1-α的置信区间，将误差置信区间的上、下限叠加到点预测值上，得到预测时段的全时段功率预测区间和子预测时段的分时段功率预测区间；
21、计算全时段功率预测区间的第一覆盖率和分时段功率预测区间的第二覆盖率；
22、若第一覆盖率大于第二覆盖率，则确定预测时段电力负荷的区间预测结果的上、下限为全时段功率预测区间的上、下限，反之则为分时段功率预测区间的上、下限。
23、本申请的第二方面，提供了一种工业短期电力负荷区间预测装置，装置包括：
24、数据获取模块，用于获取工业短期电力负荷的历史负荷数据；
25、数据重构模块，用于对历史负荷数据进行重构，获得高频分量、振荡分量和趋势分量；
26、第一预测模块，用于利用变分模态分解方法对高频分量进行分解，获得多个子分量，将多个子分量输入训练完成的长短期记忆神经网络中进行预测，获得第一预测分量；其中，长短期记忆神经网络中隐藏层神经元个数是基于灰狼算法寻优得到的；
27、第二预测模块，用于将振荡分量和趋势分量分别输入由最小二乘函数构建的预测模型中进行预测，分别得到第二预测分量和第三预测分量；
28、分量叠加模块，用于叠加第一预测分量、第二预测分量和第三预测分量，获得点预测值；
29、区间预测模块，用于根据点预测值与实际值计算出点预测误差值，利用核密度估计对点预测误差值的概率密度函数进行估计，预测出工业短期预测时段电力负荷的区间预测结果。
30、本申请的第三方面，提供了一种电子设备，所述电子设备包括：存储器，用于存储程序；处理器，用于运行所述存储器中存储的所述程序，以执行本申请的第一方面提供的工业短期电力负荷区间预测方法。
31、本申请的第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机本文档来自技高网...
【技术保护点】
1.一种工业短期电力负荷区间预测方法，其特征在于，方法包括：
2.根据权利要求1所述的工业短期电力负荷区间预测方法，其特征在于，对历史电力负荷数据进行重构，获得高频分量、振荡分量和趋势分量，包括：
3.根据权利要求2所述的工业短期电力负荷区间预测方法，其特征在于，所述模糊熵计算函数是在样本熵中引入模糊隶属度函数得到的。
4.根据权利要求3所述的工业短期电力负荷区间预测方法，其特征在于，所述模糊熵计算函数的表达式为：其中，n表示模糊函数的指数，r表示阈值容限，m表示特征向量的维数大小，N表示样本数量，表示m维模糊隶属函数，表示m+1维模糊隶属函数。
5.根据权利要求1所述的工业短期电力负荷区间预测方法，其特征在于，在所述对历史负荷数据进行重构之前，方法还包括：在检测到历史负荷数据存在异常数据时，对异常数据进行预处理处理；其中，异常数据是指历史负荷数据缺失单一数据和/或区段数据；在异常数据为缺失单一数据时，采用均值法对缺失数据点的前后两个数据求平均值，以平均值作为缺失的单一数据；在异常数据为缺失区段数据时，以相似生产日的相同时段数据补齐
6.根据权利要求1所述的工业短期电力负荷区间预测方法，其特征在于，基于灰狼算法对长短期记忆神经网络中隐藏层神经元个数进行寻优的搜寻因子采用非线性收敛因子，其中，非线性收敛因子的表达式为：其中，t表示迭代次数，T表示最大迭代次数。
7.根据权利要求1所述的工业短期电力负荷区间预测方法，其特征在于，利用核密度估计对点预测误差值进行估计，预测出工业短期预测时段电力负荷的区间预测结果，包括：
8.一种工业短期电力负荷区间预测装置，其特征在于，装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现权利要求1至7任一权利要求所述的工业短期电力负荷区间预测方法。
...【技术特征摘要】
1.一种工业短期电力负荷区间预测方法，其特征在于，方法包括：
2.根据权利要求1所述的工业短期电力负荷区间预测方法，其特征在于，对历史电力负荷数据进行重构，获得高频分量、振荡分量和趋势分量，包括：
3.根据权利要求2所述的工业短期电力负荷区间预测方法，其特征在于，所述模糊熵计算函数是在样本熵中引入模糊隶属度函数得到的。
4.根据权利要求3所述的工业短期电力负荷区间预测方法，其特征在于，所述模糊熵计算函数的表达式为：其中，n表示模糊函数的指数，r表示阈值容限，m表示特征向量的维数大小，n表示样本数量，表示m维模糊隶属函数，表示m+1维模糊隶属函数。
5.根据权利要求1所述的工业短期电力负荷区间预测方法，其特征在于，在所述对历史负荷数据进行重构之前，方法还包括：在检测到历史负荷数据存在异常数据时，对异常数据进行预处理处理；其中，异常数据是指历史负荷数据缺失单一数据和/或区段数据；在异常数据为缺失单一数据时，采用均值法对缺失数...
【专利技术属性】
技术研发人员：陈小龙，陈峦，张真源，杨礼岩，李瑞琴，张溪宇，童怀志，张宇浩，胥勇，秦峻龙，
申请(专利权)人：国网四川省电力公司成都供电公司，
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。