【技术实现步骤摘要】
—种基于元学习的电力系统时变非线性负荷组合预测方法
本专利技术涉及一种用于电力系统负荷预测方法,属于电力系统及其自动化负荷预测
。
技术介绍
电力是国民经济的重要基础,是国家经济发展战略中的重点和先行产业,负荷预测作为电力生产部门的关键工作之一,为电力系统的正常运行提供了条件。它对于经济合理地安排机组启停,减少旋转备用容量,优化安排机组检修计划,降低发电成本,提高经济效益,有着至关重要的作用。而提高预测精度是充分发挥电力系统负荷预测作用的前提条件,具有重要的实际意义。目前,常用的负荷预测方法有:基于相似日的趋势外推预测法、时间序列预测法、考虑气象因素的相关预测法、线性回归分析预测法、灰色系统预测法、小波分解与重构法、支持向量机回归预测法、混沌预测法、神经网络预测法等。上述预测方法都采用的是单一预测模型,导致某些时间段预测偏差较大。由于电力负荷有着非线性、时变性和不确定性的特点,这些单一的预测方法采用的数学模型适用性有限,不能及时、准确地对预测模型的参数进行估计和调整,更不便于描述负荷的突然变化,因此具有一定局限性,很难获取较高的预测精度。本专利技术将预测负荷序列特征属性作为权值计算依据,根据均方误差最小调整网络参数求得最优权值,建立具有更高精度的负荷预测组合模型。
技术实现思路
本专利技术所要解决的技术问题是为提高电力系统负荷预测精度,提供了一种基于元学习的电力系统负荷组合预测方法。本专利技术解决技术问题所采用的技术方案如下:一种基于元学习的电力系统负荷组合预测方法,包括以下步骤:(I):采用N种可用负荷预测方法预测给定时间段内某一时刻 ...
【技术保护点】
一种基于元学习的电力系统时变非线性负荷组合预测方法,其特征是:包括以下步骤:(1):选取了一次型多项式曲线型、二次型多项式曲线型、三次型多项式曲线型或简单指数曲线模型作为基预测器;(2):在元预测器预测阶段,采用日典型曲线在对应时刻的特征属性代替预测曲线在预测时刻的特征属性;(3):将特征向量输入门控网络得到权重,建立元学习时变非线性组合预测模型;(4):根据样本的整体均方误差能量函数EF最小使得预测结果与期望输出拟合最优,确定合适的网络参数。
【技术特征摘要】
1.一种基于元学习的电力系统时变非线性负荷组合预测方法,其特征是:包括以下步骤: (1):选取了一次型多项式曲线型、二次型多项式曲线型、三次型多项式曲线型或简单指数曲线模型作为基预测器; (2):在元预测器预测阶段,采用日典型曲线在对应时刻的特征属性代替预测曲线在预测时刻的特征属性; (3):将特征向量输入门控网络得到权重,建立元学习时变非线性组合预测模型; (4):根据样本的整体均方误差能量函数Ef最小使得预测结果与期望输出拟合最优,确定合适的网络参数。2.根据权利要求1所述的一种基于元学习的电力系统时变非线性负荷组合预测方法,其特征是:步骤(2)的具体步骤是: 当选取了预测日的多条相似日曲线后,可形成日典型曲线Xs,由于日典型曲线Xs在总体形态上是与预测日曲线Xp相似的,因此可以采用Xs的特征属性来近似表征预测日负荷曲线Xp的特征属性; 对于已知的序列Xs是否具有多项式曲线趋势以及具备几阶多项式曲线趋势,可由序列Xs的差分特征来表征,一次型多项式曲线型的一阶差分相同,二次曲线模型的二阶差分为常数,三次曲线模型的三阶差分为常数;对于给...
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。