一种短期负荷区间预测方法技术

本发明专利技术涉及电力工程技术领域，具体涉及一种短期负荷区间预测方法，利用深度学习提取数据的潜在特征信息，结合多种神经网络构建预测模型，得到既定时刻的功率点预测结果，并通过非参数估计方法计算不同置信水平下的负荷预测区间，即将采集的电力负荷历史数据与NWP数据经过筛选、预处理后，再结合多种神经网络选择ResNet与LSTM构建ResNet‑LSTM组合预测模型，通过引入霜冰优化算法RIME与自注意力机制SA构建多元神经网络算法模型RIME‑ResNet‑LSTM‑SA，训练模型实现短期电力负荷的点预测，再基于点预测的结果，结合QR与核密度估计方法构建基于核密度估计的ResNet‑QRLSTM区间预测模型，完成短期负荷的区间预测。其中ResNet用于捕捉序列数据中的局部特征，LSTM用于捕捉序列数据中的长期依赖关系，RIME算法加快组合模型收敛速率，SA增强模型的拟合能力与泛化能力，QR与核密度估计方法用于拟合数据的分布，对负荷的概率密度进行准确的估计，有效提高了负荷区间预测的精度。

【技术实现步骤摘要】

本专利技术涉及电力工程，具体涉及一种短期负荷区间预测方法。

技术介绍

1、电力负荷预测对电网的运行优化和决策调度至关重要。在人工智能技术的支持下，确定性负荷预测的精度不断提高，为电力部门提供了可靠的数据支持。目前，随着可再生能源的大规模并网，电力系统面临的不确定性日益增加。单一模型在负荷预测方面具有局限性，容易受到各自特征偏好的影响，难以全面捕捉复杂负荷数据的多维特征，从而影响预测精度。混合模型虽然在提升预测精度上取得了一定的进展，但随着可再生能源的大规模并网，电力负荷的不确定性显著增加，点预测难以对其充分考虑。区间预测作为一种量化分析负荷不确定性的方法，采用更为复杂的模型结构增加模型的捕捉能力，但同时也可能带来较长的训练时间。因此现有技术在亟需要新的方案来解决这一问题。

技术实现思路

1、本专利技术的目的在于提供一种短期负荷区间预测方法，旨在解决单一预测方法提取负荷数据集子序列中的特征信息不全面以及点预测模型难以描述负荷不确定性的技术问题。

2、为实现上述目的，本专利技术提供了一种短期负荷区间预本文档来自技高网...

【技术保护点】

1.一种短期负荷区间预测方法，其特征在于，包括下列步骤：

2.如权利要求1所述的短期负荷区间预测方法，其特征在于，

3.如权利要求2所述的短期负荷区间预测方法，其特征在于，

4.如权利要求3所述的短期负荷区间预测方法，其特征在于，

5.如权利要求4所述的短期负荷区间预测方法，其特征在于，

6.如权利要求5所述的短期负荷区间预测方法，其特征在于，

7.如权利要求6所述的短期负荷区间预测方法，其特征在于，

8.如权利要求7所述的短期负荷区间预测方法，其特征在于，

【技术特征摘要】

1.一种短期负荷区间预测方法，其特征在于，包括下列步骤：

2.如权利要求1所述的短期负荷区间预测方法，其特征在于，

3.如权利要求2所述的短期负荷区间预测方法，其特征在于，

4.如权利要求3所述的短期负荷区间预测方法，其特征在于，

...

【专利技术属性】
技术研发人员：高明，高鹏，蔡佳诺，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：