CN116780507A - 一种基于psvlba模型的电力负荷预测方法 - Google Patents
一种基于psvlba模型的电力负荷预测方法 Download PDFInfo
- Publication number
- CN116780507A CN116780507A CN202310615624.3A CN202310615624A CN116780507A CN 116780507 A CN116780507 A CN 116780507A CN 202310615624 A CN202310615624 A CN 202310615624A CN 116780507 A CN116780507 A CN 116780507A
- Authority
- CN
- China
- Prior art keywords
- model
- psvlba
- day
- power load
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000002245 particle Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 241000728173 Sarima Species 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract 2
- 230000000052 comparative effect Effects 0.000 description 6
- 241000845082 Panama Species 0.000 description 3
- 238000013531 bayesian neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSVLBA模型的电力负荷预测方法,包括:利用PSO优化的VMD方法对历史负荷进行分解,获得历史负荷的子序列,对各子序列基于频率大小分组并重构,将重构的3维数据作为LSTM模型的输入,并经过全连接层得到基于历史数据的预测结果;根据电力负荷与日期的强相关性,对日期进行编码,得到5个日期特征作为BPNN模型的输入,得到基于日期的负荷预测结果;根据电力负荷本身的同期相似性,构建预测日前一周的电力负荷为同期负荷作为预测结果,将3种预测结果基于Attention机制得到最终的预测结果,从而建立了PSVLBA模型,准确地预测了未来负荷。本发明可以实现快速、准确地预测电力负荷水平,为用组合模型对电力负荷预测提供新思路。
Description
技术领域
本发明属于电力负荷预测领域,尤其是涉及一种基于PSVLBA模型的电力负荷预测方法。
背景技术
电力行业是国家在能源领域的重大基础行业,是各行各业发展的基石。在电力负荷预测领域,基于组合模型的负荷预测经过数十年的发展拥有大量研究成果。
近年来,基于组合模型的电力负荷预测方法发展迅速。Shao B提出了VMD-WSLSTM网络,使用VMD方法对原始负荷数据进行分解,并对分解后的分量进行单独预测,利用权值共享机制建立的WSLSTM预测模型的训练速度和预测精度均比LSTM模型和GRU模型更优。LiS使用小波变换将负荷序列分解为一组不同的频率分量,再改进的ABC算法为极限学习机(ELM)初始化权重和偏差,所提出的模型有很好的收敛性能和预测精度。Zheng H提出了SD-EMD-LSTM模型,通过SD特征选择和EMD方法分解负荷序列,再通过多个LSTM建立子序列模型,该方法具有良好的长期预测复杂非线性电力负荷的能力。Lian H使用集成经验模态分解分解原始负荷序列,集成模态分解有效避免了经验模态分解的模态混叠现象,提升了子序列的平稳性,再使用GRU建立各个子序列的模型,最后加入了峰值修正算法对预测值进行修正,得到最终的预测结果。Li T使用改进自适应噪声完备集合经验模态分解(CEEMDAN)负荷数据,再使用灰狼优化算法(GWO对多核极限学习机对负荷进行预测。
又如公开号为CN110796293A的中国专利文献公开了一种电力负荷预测方法,先采用训练好的最小二乘支持向量机模型进行纵向预测,再采用训练好的容积卡尔曼滤波预测模型进行横向预测,最后采用训练好的灰色神经网络模型将两种算法进行融合。
公开号为CN110991722A的中国专利文献公开了一种电力负荷预测方法,包括以下步骤:S1、构建预测模型的训练数据集和测试数据集;S2、建立基于分层并行式贝叶斯神经网络的预测模型;S3、将训练数据集中的训练样本输入基于分层并行式贝叶斯神经网络的预测模型进行训练;S4、将测试数据输入到训练好的预测模型中进行预测,得到电力负荷预测结果。
然而,目前的电力负荷预测方法均存在模型结构复杂,预测精度不高的问题。
发明内容
本发明提供了一种基于PSVLBA模型的电力负荷预测方法,预测精度高、模型大小适中。
一种基于PSVLBA模型的电力负荷预测方法,包括如下步骤:
(1)采集电力数据集,对数据集进行预处理,所述的预处理包括异常数据检测修正、特征归一化;
(2)使用滑动窗口方法构建样本集{(Xt,Yt)};
其中,Y=(xt);/>为采用PSO-VMD方法处理预测日前n1日的历史负荷的结果;/>为SARIMA方法处理n2日的历史负荷的预测结果;/>为预测日的时间特征,包括年、月、周、日、节假日;/>为预测日的气象特征,包括温度、相对湿度、降水量;xt为预测日真实负荷;
(3)将样本集中的重构为趋势项/>周期项/>和残差项/>其中,重构后得到/>其中/>K为分解个数;
(4)按时间顺序将样本集按比例划分为训练集、验证集和测试集;
(5)构建并初始化PSVLBA模型,其中,PSVLBA模型包括由全连接层连接的LSTM、BPNN和Attention;
(6)将训练集输入PSVLBA模型进行训练,将每个样本的输入LSTM,/>输入BPNN,/>输入Attention,分别得到3个长度为24的序列,然后将3个序列连接得到长度为72的序列,最后通过72*24的全连接层输出前向传播的结果/>
以均方误差MSE为损失函数训练PSVLBA模型,用EarlyStopping方法优化训练过程;
(7)利用训练完的PSVLBA模型进行预测,将待预测的数据Xt输入模型后得到预测日的电力负荷。
本发明通过对历史负荷进行PSO优化的VMD分解获得子序列,并基于频率大小进行分组重构为高中低频序列作为LSTM模型的输入,得到根据历史负荷的预测输出;由于电力负荷受的日期特征影响较大,对日期特征进行编码,作为BPNN模型的输入,得到根据日期的预测输出;由于电力负荷具有同期相似的特征,构建预测日近5周的同期数据通过SARIMA模型进行预测,Attention层对以上3种预测结果进行加权得到最终的预测结果。
本发明针对电力负荷预测任务,考虑了多方面的影响因素,设计了一种组合模型,且相比用单一的深度学习进行预测,提高了预测的准确性。本发明极大程度提高了电力负荷的预测精度。
步骤(1)中,异常数据的检测过程为:
计算周一至周日电力负荷的均值和标准差σij,
式中,i表示星期几,j代表时刻,k表示第几个星期,对于超出范围内的数据认定为异常数据。
特征归一化的公式如下:
式中,为归一化后特征j第i时刻的值,/>为特征j第i时刻的值,μj为特征j的均值,σj为特征j的方差。
步骤(2)中,采用PSO-VMD方法处理预测日前n1日的历史负荷的过程如下:
a-1)初始化参数:粒子群算法最大迭代次数Gmax;粒子群规模m,惯性因子ω;学习因子c1、c2;粒子位置约束Xmax、Xmin;粒子最大速度Vmax;变分模态分解收敛阈值tol;对偶上升参数tau;频率初始化方法init;
a-2)种群初始化:随机产生m组[K,α]作为粒子的位置,随机初始化粒子的速度;
a-3)更新局部最小值:将m组[K,α]作为参数并将作为输入执行VMD算法,计算每组所有IMF的平均包络熵,并更新每组的局部最小值,包络熵公式如下
a-4)更新全局最小值:比较每组的局部最小值,更新全局最小值;
a-5)更新粒子群的粒子位置和速度,若不满足约束则重置为对应的上下界,并继续步骤a-3),直到迭代完成,输出最佳的适应度函数值和对应的最佳粒子位置[K,α]。
步骤(2)中,的构建过程如下:
b-1)定义
b-2)电力负荷长期变化趋势指标x0(t):
x0(t)=D0(t)+x1(t)
式中,D0(t)是年指标,x1(t)代表的是一年中的第几日;
b-3)电力负荷周期变化指标x1(t),x2(t),x3(t):
xi(t)=Di(t)/Si,i∈{1,2,3}
S1是当年的天数,S2是当月的天数,S3是一周的天数,Di(t)∈{0,1,...,Si-1};
b-4)电力负荷节假日影响变量x4(t):
D±(t)=w+D*(t+1)+w-D*(t-1)+w±D*(t-1)D*(t+1)
x4(t)=max(D±(t),D*(t))
式中w+和w-是节假日前一天和后一天的影响权重,w±反映了节假日前后天的影响。
步骤(4)中,训练集、验证集、测试集以6:2:2的比例按时间顺序划分。
与现有技术相比,本发明具有以下有益效果:
1、本发明算法原理简单,易于实现,便于操作。
2、本发明通过基于PSO优化VMD方法分解历史负荷,降低了电力负荷的复杂度,提高了模型的预测性能。
3、本发明对日期特征进行编码,建立了电力负荷与日期的相对关系,提高了模型的预测性能。
4、本发明通过全连接层连接LSTM、BPNN、Attention 3种模型,融合了3种模型的优点,对应的PSVLBA组合模型具有最高的预测精度。
附图说明
图1为本发明实施例中巴拿马电力负荷数据图;
图2为本发明实施例中PSO-VMD方法处理预测日前n1日的历史负荷流程图;
图3为本发明中PSVLBA模型示意图;
图4为本发明模型与对比模型的预测值对比图;
图5为本发明模型与对比模型的预测值回归对比图;
图6为本发明模型与对比模型周一至周日平均绝对误差图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
下面以巴拿马数据集为例,对本发明的电力负荷预测方法作详细描述。本实施例中的巴拿马地区电力负荷数据如图1所示,该数据集包含2015年至2019年的电力负荷数据。经标准化的样本长度为35000,采样间隔为1h,单位为MWh。
一种基于PSVLBA模型的电力负荷预测方法,包括如下步骤:
S01,采集电力数据集,对数据集进行预处理,所述的预处理包括异常数据检测修正、特征归一化、选择数据范围。
(1-1)输入电力负荷数据和其他特征数据。
(1-2)计算周一至周日电力负荷的均值和标准差σij
式中,i表示星期几,j代表时刻,k表示第几个星期,对于超出范围内的数据认定为异常数据。异常数据处理结果如下表1所示。
表1
(1-3)使用标准化方法归一化每个特征
式中,为归一化后特征j第i时刻的值,/>为特征j第i时刻的值,μj为特征j的均值,σj为特征j的方差。
S02,使用滑动窗口方法构建样本集{(Xt,Yt)};
其中,Y=(xt);/>为采用PSO-VMD方法处理预测日前n1日的历史负荷的结果;/>为SARIMA方法处理n2日的历史负荷的预测结果;/>为预测日的时间特征,包括年、月、周、日、节假日;/>为预测日的气象特征,包括温度、相对湿度、降水量;xt为预测日真实负荷。
如图2所示,采用PSO-VMD方法的具体过程如下:
a-1)初始化参数。粒子群算法最大迭代次数Gmax;粒子群规模m,惯性因子ω;学习因子c1、c2;粒子位置约束Xmax、Xmin;粒子最大速度Vmax;变分模态分解收敛阈值tol;对偶上升参数tau;频率初始化方法init。
a-2)种群初始化。随机产生m组[K,α]作为粒子的位置,随机初始化粒子的速度。
a-3)更新局部最小值。将m组[K,α]执行VMD算法,计算每组所有IMF的平均包络熵,并更新每组的局部最小值,包络熵公式如下
a-4)更新全局最小值。比较每组的局部最小值,更新全局最小值。
a-5)更新粒子群的粒子位置和速度,若不满足约束则重置为对应的上下界,并继续步骤a-3),直到迭代完成,输出最佳的适应度函数值和对应的最佳粒子位置[K,α]。
的构建过程如下:
b-1)定义
b-2)电力负荷长期变化趋势指标x0(t):
x0(t)=D0(t)+x1(t)
式中,D0(t)是年指标,x1(t)代表的是一年中的第几日;
b-3)电力负荷周期变化指标x1(t),x2(t),x3(t):
xi(t)…Di(t)/Si,i∈{1,2,3}
S1是当年的天数,S2是当月的天数,S3是一周的天数,Di(t)∈{0,1,...,Si-1};
b-4)电力负荷节假日影响变量x4(t):
D±(t)=w+D*(t+1)+w-D*(t-1)+w±D*(t-1)D*(t+1)
x4(t)=max(D±(t),D*(t))
式中w+和w-是节假日前一天和后一天的影响权重,w±反映了节假日前后天的影响。
S03,将样本集中的重构为趋势项/>周期项/>和残差项/>其中,重构后得到/>其中/>K为分解个数。
S04,按时间顺序将样本集按6:2:2的比例划分为训练集、验证集和测试集。
S05,构建并初始化PSVLBA模型,其中,PSVLBA模型包括由全连接层连接的LSTM、BPNN和Attention。PSVLBA模型的结构如图3所示。
S06,将训练集输入PSVLBA模型进行训练,将每个样本的输入LSTM,/>输入BPNN,/>输入Attention,分别得到3个长度为24的序列,然后将3个序列连接得到长度为72的序列,最后通过72*24的全连接层输出前向传播的结果/>
以均方误差MSE为损失函数训练PSVLBA模型,用EarlyStopping方法优化训练过程。
最终本发明的PSVLBA模型与对比模型的预测误差如下表2所示,图4为本发明模型与对比模型的预测值对比图,图5为本发明模型与对比模型的预测值回归对比图,图6为本发明模型与对比模型周一至周日平均绝对误差图。可以看出该模型相较于对比模型有一定提升,验证了本发明在电力负荷预测方面的高效性和准确性。
表2
利用本发明方法,对于电力负荷预测任务,实现了快速、准确的负荷预测,为用组合模型对电力负荷预测提供新思路,具有一定的参考意义和应用价值。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于PSVLBA模型的电力负荷预测方法,其特征在于,包括如下步骤:
(1)采集电力数据集,对数据集进行预处理,所述的预处理包括异常数据检测修正、特征归一化;
(2)使用滑动窗口方法构建样本集{(Xt,Yt)};
其中,Y=(xt);/>为采用PSO-VMD方法处理预测日前n1日的历史负荷的结果;/>为SARIMA方法处理n2日的历史负荷的预测结果;/>为预测日的时间特征,包括年、月、周、日、节假日;/>为预测日的气象特征,包括温度、相对湿度、降水量;xt为预测日真实负荷;
(3)将样本集中的重构为趋势项/>周期项/>和残差项/>其中,重构后得到/>其中/>K为分解个数;
(4)按时间顺序将样本集按比例划分为训练集、验证集和测试集;
(5)构建并初始化PSVLBA模型,其中,PSVLBA模型包括由全连接层连接的LSTM、BPNN和Attention;
(6)将训练集输入PSVLBA模型进行训练,将每个样本的输入LSTM,/>输入BPNN,/>输入Attention,分别得到3个长度为24的序列,然后将3个序列连接得到长度为72的序列,最后通过72*24的全连接层输出前向传播的结果/>
以均方误差MSE为损失函数训练PSVLBA模型,用EarlyStopping方法优化训练过程;
(7)利用训练完的PSVLBA模型进行预测,将待预测的数据Xt输入模型后得到预测日的电力负荷。
2.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法,其特征在于,步骤(1)中,异常数据的检测过程为:
计算周一至周日电力负荷的均值和标准差σij,
式中,i表示星期几,j代表时刻,k表示第几个星期,对于超出范围内的数据认定为异常数据。
3.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法,其特征在于,步骤(1)中,特征归一化的公式如下:
式中,为归一化后特征j第i时刻的值,/>为特征j第i时刻的值,μj为特征j的均值,σj为特征j的方差。
4.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法,其特征在于,步骤(2)中,采用PSO-VMD方法处理预测日前n1日的历史负荷的过程如下:
a-1)初始化参数:粒子群算法最大迭代次数Gmax;粒子群规模m,惯性因子ω;学习因子c1、c2;粒子位置约束Xmax、Xmin;粒子最大速度Vmax;变分模态分解收敛阈值tol;对偶上升参数tau;频率初始化方法init;
a-2)种群初始化:随机产生m组[K,α]作为粒子的位置,随机初始化粒子的速度;
a-3)更新局部最小值:将m组[K,α]作为参数并将作为输入执行VMD算法,计算每组所有IMF的平均包络熵,并更新每组的局部最小值,包络熵公式如下
a-4)更新全局最小值:比较每组的局部最小值,更新全局最小值;
a-5)更新粒子群的粒子位置和速度,若不满足约束则重置为对应的上下界,并继续步骤a-3),直到迭代完成,输出最佳的适应度函数值和对应的最佳粒子位置[K,α]。
5.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法,其特征在于,步骤(2)中,的构建过程如下:
b-1)定义
b-2)电力负荷长期变化趋势指标x0(t):
x0(t)=D0(t)+x1(t)
式中,D0(t)是年指标,x1(t)代表的是一年中的第几日;
b-3)电力负荷周期变化指标x1(t),x2(t),x3(t):
xi(t)=Di(t)/Si,i∈{1,2,3}
S1是当年的天数,S2是当月的天数,S3是一周的天数,Di(t)∈{0,1,...,Si-1};
b-4)电力负荷节假日影响变量x4(t):
D±(t)=w+D*(t+1)+w_D*(t-1)+w±D*(t-1)D*(t-1)
x4(t)=max(D±(t),D*(t))
式中w+和w-是节假日前一天和后一天的影响权重,w±反映了节假日前后天的影响。
6.根据权利要求1所述的基于PSVLBA模型的电力负荷预测方法,其特征在于,步骤(4)中,训练集、验证集、测试集以6:2:2的比例按时间顺序划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310615624.3A CN116780507A (zh) | 2023-05-29 | 2023-05-29 | 一种基于psvlba模型的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310615624.3A CN116780507A (zh) | 2023-05-29 | 2023-05-29 | 一种基于psvlba模型的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116780507A true CN116780507A (zh) | 2023-09-19 |
Family
ID=87987022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310615624.3A Pending CN116780507A (zh) | 2023-05-29 | 2023-05-29 | 一种基于psvlba模型的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116780507A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744884A (zh) * | 2023-12-29 | 2024-03-22 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 水库水流量预测模型的构建方法和水库水流量预测方法 |
CN117977635A (zh) * | 2024-03-27 | 2024-05-03 | 西安热工研究院有限公司 | 熔盐耦合火电机组的调频方法、装置、电子设备及介质 |
-
2023
- 2023-05-29 CN CN202310615624.3A patent/CN116780507A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744884A (zh) * | 2023-12-29 | 2024-03-22 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 水库水流量预测模型的构建方法和水库水流量预测方法 |
CN117977635A (zh) * | 2024-03-27 | 2024-05-03 | 西安热工研究院有限公司 | 熔盐耦合火电机组的调频方法、装置、电子设备及介质 |
CN117977635B (zh) * | 2024-03-27 | 2024-06-11 | 西安热工研究院有限公司 | 熔盐耦合火电机组的调频方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116780507A (zh) | 一种基于psvlba模型的电力负荷预测方法 | |
CN108734391B (zh) | 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
Lim et al. | A study on metamodeling techniques, ensembles, and multi-surrogates in evolutionary computation | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN110033089B (zh) | 基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统 | |
Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN114493014A (zh) | 多元时间序列预测方法、系统及计算机产品、存储介质 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN113780636A (zh) | 一种基于EMD-GRU-Attention的太阳能辐射预测方法 | |
CN116933175A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
Yu et al. | Short-term load forecasting using deep belief network with empirical mode decomposition and local predictor | |
CN117170294B (zh) | 基于空间热环境预测的卫星热控系统的智能控制方法 | |
CN114781779A (zh) | 一种无监督能耗异常检测方法、装置及存储介质 | |
CN117132591B (zh) | 一种基于多模态信息的电池数据处理方法和系统 | |
Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
CN116502774A (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
CN115102868A (zh) | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 | |
CN113283589B (zh) | 事件预测系统的更新方法及装置 | |
CN112417768B (zh) | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 | |
CN113963758A (zh) | 无序材料热力学稳定结构的预测推荐方法、设备、终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |