基于多率采样网络算法的电力负荷预测方法技术

本发明专利技术提供基于多率采样网络算法的电力负荷预测方法，包括如下步骤：步骤1：频率插值分解FID：将时间序列通过实快速傅里叶变换rFFT转换到频域；使用低通滤波器LPF提取低频成分，基于抗镜像滤波器自动选择COF，通过复数线性神经网络插值低频成分，逆变换后同时得到历史窗口和未来窗口的趋势；步骤2：残差频率预测RFF；对历史窗口的周期性成分进行降采样，生成子序列；使用权重共享的MLP预测未来窗口的周期性成分。本发明专利技术降低硬件成本；插值分解的通用性可减少其他模型的开发成本。

【技术实现步骤摘要】

本专利技术涉及电力负荷预测领域，尤其涉及基于多率采样网络算法的电力负荷预测方法。

技术介绍

1、电力负荷数据是指电力系统在运行过程中记录的用电量或电力需求随时间变化的序列数据，反映了不同时间尺度下用户的电能消耗情况。这些数据通常由智能电表、scada（数据采集与监控系统）或ems（能量管理系统）等设备采集，并以时间戳和对应负荷值的形式存储，构成典型的时间序列。电力负荷预测（以下简称为电力预测）旨在基于历史的观察值预测未来的值。根据预测视野的区别，电力负荷预测分为短期预测（例如几分钟到几小时）和长期预测（例如几天到几周）。其中长期电力预测由于其能获得更多的未来信息受到广泛的关注。长期电力预测（lelf）的基础主要在于理解电力数据固有的周期性和趋势性特征。周期性侧重于体现序列的局部依赖性，反映短期变化模式。而趋势性则强调序列的长期变化模式。基于对周期性和趋势性的理解，lelf存在两个重要的挑战：1）如何实现周期性与趋势性分解，2）如何有效地建模周期性和趋势性。

2、低通滤波器的截止频率选择困难，可能导致信息丢失或混叠效应。现有分解方法仅依赖卷积核，本文档来自技高网...

【技术保护点】

1.基于多率采样网络算法的电力负荷预测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于多率采样网络算法的电力负荷预测方法，其特征在于：所述步骤1具体包括如下步骤;

3.根据权利要求1所述的基于多率采样网络算法的电力负荷预测方法，其特征在于：所述步骤2具体包括如下步骤：

4.根据权利要求1所述的基于多率采样网络算法的电力负荷预测方法，其特征在于：步骤1.1和步骤1.2之间进行标准化处理：算输入数据的均值和标准差 ：；对数据进行归一化，避免量纲差异对模型的影响： ，其中  是为防止除零的小常数；标准化后的数据 ，均值为 0，标准差为 1。...

【技术特征摘要】

1.基于多率采样网络算法的电力负荷预测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于多率采样网络算法的电力负荷预测方法，其特征在于：所述步骤1具体包括如下步骤;

3.根据权利要求1所述的基于多率采样网络算法的电力负荷预测方法，其特征在于：所述步骤2具体包括如下步骤：

4.根据权利要求1所述的基于多率采样网络算法的电力负荷预测方法...

【专利技术属性】
技术研发人员：郭涛，宋章耀，
申请(专利权)人：东南大学，
类型：发明
国别省市：