【技术实现步骤摘要】
本专利技术属于电力负荷预测，具体是一种基于深度学习的电力负荷预测方法。
技术介绍
1、电力负荷预测是电力系统规划和运行中的一项关键任务，可为电网调度、电力交易、电价制定等提供决策依据。准确的负荷预测有助于提高电力系统的经济性和可靠性。
2、现有技术中电力负荷预测方法主要包括时间序列分析法和机器学习法。时间序列分析法如arima模型能够提取负荷序列的时间依赖性，然而，当负荷序列服从特定的统计分布时，时间序列分析法难以刻画复杂的非线性关系，因此导致对电力负荷进行预测的准确性和鲁棒性不高。机器学习方法如神经网络可拟合复杂的非线性映射，但对输入序列进行特征提取的效率不高。近年来，基于深度学习的编码器解码器架构在时间序列预测任务中展现出优异的性能。该架构首先利用编码器模块提取输入序列的时序特征，然后通过解码器模块进行多步预测。这种“特征提取-预测”的分离设计，不仅能够充分利用输入序列的时间依赖性，还具有较强的可解释性和迁移学习能力。
3、因此，本专利提出了一种基于深度学习的电力负荷预测方法，通过引入压缩激励机制和优化的网络结构，提高模型的特征表达能力和预测性能，以满足电力系统实时预测的需求。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了一种基于深度学习的电力负荷预测方法，用于解决现有技术对电力负荷进行预测的准确性和鲁棒性不高，同时还存在对输入序列进行特征提取的效率不高的技术问题。
2、为实现上述目的，本专利技
3、s1：采集电力负荷历史数据；
4、s2：对电力负荷历史数据进行数据预处理，得到原始负荷数据集；
5、s3：基于vmd算法对原始负荷数据集进行分解，得到样本负荷数据集；其中，vmd算法为变分模态分解算法；
6、s4：对样本负荷数据集进行特征选择，得到新增特征数据集；
7、s5：基于深度学习模型、样本负荷数据集和新增特征数据集构建第一负荷预测模型；
8、s6：对第一负荷预测模型进行性能评估和模型优化，得到第二负荷预测模型；
9、s7：将待预测时刻的上一时刻负荷值和上一天同时刻负荷值输入至第二负荷预测模型，得到待预测时刻的电力负荷预测值。
10、本专利技术通过vmd算法对标准数据集进行分解，vmd算法能够将非线性的和非平稳的电力负荷数据分解为若干个平稳的模态分量，有利于提高对电力负荷数据进行特征提取的效率；对样本负荷数据集进行特征选择，得到新增特征数据集；基于深度学习模型、样本负荷数据集和新增特征数据集构建第一负荷预测模型；对第一负荷预测模型进行性能评估和模型优化，有利于提高对电力负荷进行预测的准确性和鲁棒性。
11、优选的，所述对电力负荷历史数据进行数据预处理，包括：
12、x1：对采集的电力负荷历史数据进行缺失值填补；
13、x2：采用的统计分析法中的四分位距法识别异常值；对于被识别的异常值，通过插值、均值或中位数替换的方式进行修正；
14、x3：对采集的电力负荷历史数据进行数据筛选，将非正数的数据剔除；
15、x4：将经过数据预处理的电力负荷历史数据整合为原始负荷数据集。
16、优选的，所述基于vmd算法对原始负荷数据集进行分解，包括：
17、y1：对原始负荷数据集进行数据标准化处理，得到标准数据集；
18、y2：设置待分解的分量数目；
19、y3：通过vmd算法和待分解的分量数目对标准数据集进行分解，得到若干个模态分量；
20、y4：将若干个模态分量整合为样本负荷数据集。
21、需要说明的是，vmd是一种自适应的、非递归的信号处理算法，能够将单维的复杂信号分解为一系列具有不同中心频率的有限带宽的模态分量；其中，模态分量包含了原始负荷数据在不同频率上的特征信息。
22、本专利技术通过vmd算法对标准数据集进行分解，vmd算法能够将非线性的和非平稳的电力负荷数据分解为若干个简单的、频率固定的模态分量，有利于提高对电力负荷数据进行特征提取的效率。
23、优选的，所述对原始负荷数据集进行数据标准化处理，包括：
24、z1：在确保数据的时序性不被破坏的前提下，将原始负荷数据集划分为若干组训练数据和测试数据；
25、z2：获取训练数据的统计特征；其中，统计特征包括均值和标准差；
26、z3：基于训练数据的统计特征构建缩放器；
27、z4：通过缩放器对训练数据和测试数据分别进行标准化处理，得到标准数据集。
28、本专利技术通过对原始负荷数据集进行数据标准化处理，将原始负荷数据集中的负荷数据的尺度调整到同一范围，有利于降低不同负荷数据之间的尺度差异。
29、优选的，所述对样本负荷数据集进行特征选择，包括：
30、t1：将样本负荷数据集按照设定周期划分为若干个时刻的负荷数据，将时刻标记为i；其中，i＝1，2，…，n，n为时刻的总数；
31、t2：将第i个时刻的负荷数据标记为输出值，将第i个时刻的上一个时刻对应的负荷数据标记为输入值一，将第i个时刻的上一天同时刻对应的负荷数据标记为输入值二；将所述输出值、输入值一和输入值二整合为特征序列xli；
32、t3：将所有的特征序列xli整合为新增特征数据集。
33、本专利技术将待预测时刻的上一时刻负荷值和上一天同时刻负荷值标记为特征序列，由于待预测时刻的上一时刻负荷值和上一天同时刻负荷值与待预测时刻的负荷预测值的相关性高，因此将待预测时刻的上一时刻负荷值和上一天同时刻负荷值作为特征序列，有利于提高后续第二负荷预测模型对待预测时刻的电力负荷值预测的准确性。
34、优选的，所述基于深度学习模型、样本负荷数据集和新增特征数据集构建第一负荷预测模型，包括：
35、m1：选取编码器解码器架构作为深度学习模型的架构；其中，编码器解码器架构包括编码器模块和解码器模块；
36、m2：基于gru网络构建编码器模块；
37、m3：基于gru网络、注意力增强网络和全连接网络构建解码器模块；其中，注意力增强网络为senet网络；
38、m4：将编码器模块和解码器模块整合为深度学习模型；
39、m5：设置深度学习模型的模型参数确定各个网络对应的输入数据维度和输出数据维度；其中，模型参数包括样本数、编码器模块的输入步长、解码器模块的输出步长、各个网络对应的神经元个数和缩放比例，网络包括编码器模块和/或解码器模块中的gru网络、senet网络和全连接网络；
40、m6：将样本负荷数据集和新增特征数据集训练深度学习模型，将训练好的深度学习模型标记为第一负荷预测模型。
41、需要说明的是，senet网络中文名称为压缩激励网络。
42、优本文档来自技高网...
【技术保护点】
1.一种基于深度学习的电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对电力负荷历史数据进行数据预处理，包括：
3.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述基于VMD算法对原始负荷数据集进行分解，包括：
4.根据权利要求3所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对原始负荷数据集进行数据标准化处理，包括：
5.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对样本负荷数据集进行特征选择，包括：
6.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述基于深度学习模型、样本负荷数据集和新增特征数据集构建第一负荷预测模型，包括：
7.根据权利要求6所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述基于GRU网络构建编码器模块，包括：
8.根据权利要求6所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述基于GRU网络、注意力增强网络
9.根据权利要求6所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对第一负荷预测模型进行性能评估和模型优化，包括：
...【技术特征摘要】
1.一种基于深度学习的电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对电力负荷历史数据进行数据预处理，包括：
3.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述基于vmd算法对原始负荷数据集进行分解，包括：
4.根据权利要求3所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对原始负荷数据集进行数据标准化处理，包括：
5.根据权利要求1所述的一种基于深度学习的电力负荷预测方法，其特征在于，所述对样本负荷数据集进行特征选择，包括：<...
【专利技术属性】
技术研发人员：高正鹏，彭勇俊，朱艳秋，韩永亮，赵加齐，
申请(专利权)人：安徽优旦科技有限公司，
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。