基于自适应协同式黏菌算法和并行预测的区间预测方法技术

本发明专利技术涉及神经网络应用于地区电力系统负荷的区间预测的技术领域，为提出对电力负荷这一新型电力系统的关键要素进行合理准确的预测估计的方法，从而确保电力系统安全稳定运行、实现高效供需平衡。本发明专利技术，基于自适应协同式黏菌算法和并行预测的区间预测方法，首先采用改进灰色关联度分析IGRA对气候、节假日因素进行筛选，识别出与负荷序列存在高度非线性关联的因素；随后，搭建时间卷积神经网‑深度学习的神经网络模型；采用自适应协同式黏菌算法ACSMA对TCN‑Transformer模型进行参数寻优；利用训练好的TCN‑Transformer进行地区电力系统负荷的区间预测。本发明专利技术主要应用于电力系统负荷预测管理场合。

【技术实现步骤摘要】

本专利技术涉及神经网络应用于地区电力系统负荷的区间预测的，具体涉及基于自适应协同式黏菌算法和并行预测的区间预测方法。

技术介绍

1、为确保电力系统安全稳定运行、实现高效供需平衡，对电力负荷这一新型电力系统的关键要素进行合理准确的预测估计是电网规划调度的基础。随着工业及生活中用电场合不断复杂、用电形式日益丰富、系统对电能损失的要求逐渐提高等现象的出现，电力系统负荷预测的难度显著增加，正面临着越来越多的挑战。近年来，深度学习技术的蓬勃发展为负荷预测带来新突破。卷积神经网络(convolutional neural networks，cnn)、基于自注意力机制的transformer模型等神经网络模型的引入，使预测精度得到显著提升。其中点预测领域中的成果占据了大多数。但点预测适用于短期精确调度或简单系统规划，不能够充分考虑电力系统实际运行中不可避免的不确定性因素。而概率预测可提供负荷在不同取值下的概率分布，精确量化不确定性，在规划备用容量、评估系统运行风险等方面发挥着重要作用。

技术实现思路

1、为克服现有技术的不本文档来自技高网...

【技术保护点】

1.一种基于自适应协同式黏菌算法和并行预测的区间预测方法，其特征是，首先采用改进灰色关联度分析IGRA对气候、节假日因素进行筛选，识别出与负荷序列存在高度非线性关联的因素；随后，融合时间卷积神经网络TCN和基于自注意力机制的深度学习的神经网络Transformer模型，搭建TCN-Transformer模型；采用自适应协同式黏菌算法ACSMA对TCN-Transformer模型进行参数寻优；利用训练好的TCN-Transformer进行地区电力系统负荷的区间预测。

2.如权利要求1所述的基于自适应协同式黏菌算法和并行预测的区间预测方法，其特征是，具体步骤如下：

3...

【技术特征摘要】

1.一种基于自适应协同式黏菌算法和并行预测的区间预测方法，其特征是，首先采用改进灰色关联度分析igra对气候、节假日因素进行筛选，识别出与负荷序列存在高度非线性关联的因素；随后，融合时间卷积神经网络tcn和基于自注意力机制的深度学习的神经网络transformer模型，搭建tcn-transformer模型；采用自适应协同式黏菌算法acsma对tcn-transformer模型进行参数寻优；利用训练好的tcn-transformer进行地区电力系统负荷的区间预测。

2.如权利要求1所述的基于自适应协同式黏菌算法和并行预测的区间预测方法，其特征是，具体步...

【专利技术属性】
技术研发人员：王继东，于俊源，孔祥玉，
申请(专利权)人：天津大学，
类型：发明
国别省市：