【技術實現步驟摘要】
本專利技術屬于電力負荷預測領域，具體涉及一種考慮多維特征提取的短期電力負荷預測方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、由于大量分布式光伏的持續接入、需求響應的不斷推廣和電力市場化程度提升，電網負荷的時變性與波動性顯著增強，復雜多變的影響因素使挖掘負荷規律更為困難，導致其預測難度不斷增加。同時，隨著電網調控壓力的日趨增加以及電力現貨市場建設的快速推進，電網調度機構對短期負荷預測工作高度重視，對預測的準確性、客觀性以及自動化程度提出了更高的要求。因此，精確、可靠的短期負荷預測能夠有效降低負荷的不確定性，對電力系統安全調度、運行控制有著重要作用。
3、目前，常用的負荷預測方法包括統計學方法和人工智能方法。線性回歸模型、整合移動平均自回歸模型等基于統計學方法的負荷預測建立在時間序列分解的基礎之上，對分解后的序列進行統計學分析和處理，以此達到預測目的，但無法充分挖掘非線性特征。反向傳播(bp)神經網絡、極限學習機等人工智能算法結構簡單且具備較強表達能力，但無法充分學習氣候、日期等外部特征。而長短期記憶(lstm)神經網絡、卷積神經網絡等深度學習算法能夠較好挖掘時間序列的內部依賴關系，在負荷預測領域前景廣闊。
4、同時，現有研究已經對負荷時序特性和相依關系進行了一定程度的分析與歸納。然而，氣象敏感負荷和分布式光伏的增長使負荷波動呈現新的形態，準確掌握負荷波動特性的難度越來越大。一方面，目前對于負荷相依關系的探究仍不夠充分，對時序特性和相
技術實現思路
1、本專利技術為了解決上述問題，提出了一種考慮多維特征提取的短期電力負荷預測方法及系統，本專利技術可以解決現有技術中短期負荷預測技術精度低、特征提取不全面的問題。
2、根據一些實施例，本專利技術采用如下技術方案：
3、一種考慮多維特征提取的短期電力負荷預測方法，包括以下步驟：
4、獲取區域負荷、區域影響負荷的相關氣象的歷史數據，劃分數據集，將數據集分為三部分；
5、提取區域負荷序列中多時間尺度時序特征，包括趨勢特征、星期特征和年特征，構建內在特征集；
6、運用最大互信息系數查找歷史氣象數據中與負荷相關性高于設定值的關鍵相依氣象，構建外在特征集；
7、構建融合自注意力機制的預測模型，以所述內在特征集和外在特征集作為模型的輸入，以負荷預測值為輸出，利用其中一部分數據集對模型進行訓練；
8、利用訓練后的模型，對另一部分數據進行處理，得到預測值，將預測值和實際值進行分析，得到條件概率密度函數，利用最后一部分數據的負荷預測值為條件概率密度函數的輸入，計算負荷條件預測誤差概率分布，進而確定負荷預測區間。
9、作為可選擇的實施方式，獲取區域負荷、區域影響負荷的相關氣象的歷史數據的具體過程包括按照設定的頻率提取出目標區域的負荷數據，以時間順序進行排列；獲取的區域影響負荷的相關氣象歷史數據包括輻照強度、氣溫、風速和風向。
10、作為可選擇的實施方式，將數據集分為三部分的具體過程包括，將一部分數據作為預測模型的訓練集，一部分數據作為預測模型的預測誤差分布統計來源，另一部分數據用于預測誤差概率分布，三部分數據的占比為3：4：3。
11、作為可選擇的實施方式，提取區域負荷序列中多時間尺度時序特征的具體過程包括：運用prophet擬合歷史負荷時序數據的變化規律，將原始時間序列分解為趨勢、周期、節假日和誤差分量。
12、作為可選擇的實施方式，運用最大互信息系數查找歷史氣象數據中與負荷相關性高于設定值的關鍵相依氣象的具體過程包括：最大互信息系數用于分別衡量氣象因素和負荷之間的關聯程度，最大互信息系數的計算為：式中，x、y為光伏功率、氣象因素；x、y為網格化時的行、列參數；d為d(x,y)，即x、y構成的有限數據；m(d)x,y為歸一化處理后的按x×y劃分網格的最大互信息值；b(n)為所劃分網格數的上限；n為數據集d的樣本數量；
13、最大互信息系數越大則兩變量關聯程度越高，篩選符合數量要求的、與負荷、分布式光伏發電功率相關性最高的氣象因素，構造外在特征集。
14、作為可選擇的實施方式，所述預測模型為長短期記憶網絡模型，包括多個細胞單元，其中，xt表示t時刻該細胞單元的輸入，ct表示t時刻該細胞單元的狀態，st表示該細胞單元的輸出；每個細胞單元中含有三個控制門，分別是遺忘門f、輸入門i以及輸出o；遺忘門決定上一時刻的細胞單元狀態ct-1可保存多少到ct中；輸入門決定當前時刻輸入xt可保存多少到ct中；輸出門決定ct中可傳遞多少到st中。
15、作為可選擇的實施方式，所述模型融合自注意力機制的實現過程包括：作為自注意力層用于建立時序特征間的相關性，通過鏈接不同時間步長之間的特征，機制對序列中強相關特征賦予更高的權重，同時削弱次要特征信息或噪聲信息，自注意力過程為：
16、
17、式中，d為樣本[x1,x2,...,xm]通過自適應線性映射得到的各個向量的長度；q,k,v為各向量并聯組合得到的矩陣。
18、作為可選擇的實施方式，將預測值和實際值進行分析，得到條件概率密度函數，利用最后一部分數據的負荷預測值為條件概率密度函數的輸入，計算負荷條件預測誤差概率分布，進而確定負荷預測區間的具體過程包括：
19、對實際值和預測值分別進行統計，得到負荷實際值的邊緣分布f(x)和預測值的邊緣分布g(y)；
20、計算r和p的核分布估計，求取負荷實際值和預測值的分布函數；
21、使用copulafit函數擬合正態copula、clayton-copula、t-copula三種copula函數族，采用赤池信息準則評估三者的擬合效果，以aic值最小為依據，選擇擬合優度最佳的copula函數；
22、將另一部分數據輸入預測模型，得到的負荷預測值輸入copula聯合概率密度函數中，并計算在已知預測條件下的條件預測誤差概率分布；
23、采用估計區間最窄原則得到估計區間，將估計區間轉化為負荷估計區間，即可得到負荷預測區間。
24、作為可選擇的實施方式，所述條件概率密度函數為：
25、hxy(e|y)＝cxy[f(e+y),g(y)]f(e+y)；
26、式中，x為負荷實際值，y為負荷預測值，hxy(x,y)為x和y聯合概率密度函數，函數cxy稱為隨機變量{x,y}的copula聯合概率密度函數，f(x)和g(y)為x和y的邊緣分布函數，f(x)為x的邊緣概率密度函數，其中copula函數的參數θ通過極大似然法估計得到。
27、一種考慮多維特征提取的短期電力負荷本文檔來自技高網...
【技術保護點】
1.一種考慮多維特征提取的短期電力負荷預測方法，其特征是，包括以下步驟：
2.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，獲取區域負荷、區域影響負荷的相關氣象的歷史數據的具體過程包括按照設定的頻率提取出目標區域的負荷數據，以時間順序進行排列；獲取的區域影響負荷的相關氣象歷史數據包括輻照強度、氣溫、風速和風向。
3.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，將數據集分為三部分的具體過程包括，將一部分數據作為預測模型的訓練集，一部分數據作為預測模型的預測誤差分布統計來源，另一部分數據用于預測誤差概率分布，三部分數據的占比為3：4：3。
4.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，提取區域負荷序列中多時間尺度時序特征的具體過程包括：運用Prophet擬合歷史負荷時序數據的變化規律，將原始時間序列分解為趨勢、周期、節假日和誤差分量。
5.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，運用最大互信息系數查找歷史氣象數據中與負荷相
6.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，所述預測模型為長短期記憶網絡模型，包括多個細胞單元，其中，xt表示t時刻該細胞單元的輸入，ct表示t時刻該細胞單元的狀態，st表示該細胞單元的輸出；每個細胞單元中含有三個控制門，分別是遺忘門f、輸入門i以及輸出o；遺忘門決定上一時刻的細胞單元狀態ct-1可保存多少到ct中；輸入門決定當前時刻輸入xt可保存多少到ct中；輸出門決定ct中可傳遞多少到st中。
7.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，所述模型融合自注意力機制的實現過程包括：作為自注意力層用于建立時序特征間的相關性，通過鏈接不同時間步長之間的特征，機制對序列中強相關特征賦予更高的權重，同時削弱次要特征信息或噪聲信息，自注意力過程為：
8.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，將預測值和實際值進行分析，得到條件概率密度函數，利用最后一部分數據的負荷預測值為條件概率密度函數的輸入，計算負荷條件預測誤差概率分布，進而確定負荷預測區間的具體過程包括：
9.如權利要求1或8所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，所述條件概率密度函數為：
10.一種考慮多維特征提取的短期電力負荷預測系統，其特征是，包括：
...【技術特征摘要】
1.一種考慮多維特征提取的短期電力負荷預測方法，其特征是，包括以下步驟：
2.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，獲取區域負荷、區域影響負荷的相關氣象的歷史數據的具體過程包括按照設定的頻率提取出目標區域的負荷數據，以時間順序進行排列；獲取的區域影響負荷的相關氣象歷史數據包括輻照強度、氣溫、風速和風向。
3.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，將數據集分為三部分的具體過程包括，將一部分數據作為預測模型的訓練集，一部分數據作為預測模型的預測誤差分布統計來源，另一部分數據用于預測誤差概率分布，三部分數據的占比為3：4：3。
4.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，提取區域負荷序列中多時間尺度時序特征的具體過程包括：運用prophet擬合歷史負荷時序數據的變化規律，將原始時間序列分解為趨勢、周期、節假日和誤差分量。
5.如權利要求1所述的一種考慮多維特征提取的短期電力負荷預測方法，其特征是，運用最大互信息系數查找歷史氣象數據中與負荷相關性高于設定值的關鍵相依氣象的具體過程包括：最大互信息系數用于分別衡量氣象因素和負荷之間的關聯程度，最大互信息系數的計算為：式中，x、y為光伏功率、氣象因素；x、y為網格化時的行、列參數；d為d(x,y)，即x、y構成的有限數據；m(d)x,y為歸一化處理后的按x×y劃分網...
【專利技術屬性】
技術研發人員：楊明，卓敏儀，于一瀟，李夢林，王傳琦，單帥杰，
申請(專利權)人：山東大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。