[发明专利]一种基于多模融合的配电网短期负荷预测方法

说明书

本发明公开一种基于多模融合的配电网短期负荷预测方法，主要步骤为：1)采集电力网络历史负荷时序数据X。2)对历史负荷时序数据X进行STL时间序列分解。3)得到趋势项序列X_trend具有N种结构的LSTM神经网络模型、剩余项序列X_remainder具有N种结构的LSTM神经网络模型以及集成预测模型。4)得到周期项预测结果O_s。5)获取预测样本。6)将预测样本输入到预测模型中，从而得到趋势项预测结果O_t和剩余项预测结果O_r。7)整合周期项预测结果O_s、趋势项预测结果O_t和剩余项预测结果O_r，并利用集成预测，得到最终的预测结果本发明有助于提高模型的预测精度同时提高负荷预测模型的鲁棒性和泛化能力。

技术领域

本发明涉及电力系统负荷预测领域，具体是一种基于多模融合的配电网短期负荷预测方法。

背景技术

准确的负荷预测对运维人员掌握配电网系统的安全稳定运行有着重要的意义。预测误差的存在直接增加电力系统运行的附加成本，不利于经济性的提高。过去的几十年里，国内外很多学者对于短期负荷预测的问题提出了很多算法模型去提高它的精度。然而，由于负荷序列受外界的影响因素大，序列变化呈非线性、随机性和不确定性，所以提高其精度是很困难的。

目前，负荷预测技术已经逐步从传统的预测方法转向人工智能预测技术。传统的负荷预测方法例如，ARIMA，支持向量机，多元回归等。但是这些算法对复杂的时间序列效果会较差。人工智能的算法能够更有效的处理复杂、非线性问题，例如人工神经网络等。虽然这些方法对精度有一定的提升，但是主要的问题是需要大量的样本数据，收敛性差，易陷入局部最小值等。为了弥补这些问题，很多学者提出多模融合的思想，利用混合模型有效地解决了单一模型中的缺陷。虽然混合模型能够有效提高短期负荷预测的精度，但是模型中预测部分都是单一的，受参数调节的影响大，在面对多类特性数据时适应性不强。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于多模融合的配电网短期负荷预测方法，主要包括以下步骤：

1)采集电力网络历史负荷时序数据X，并提取数据特征。

所述数据特征主要包括时间特性特征、外界环境特性特征和历史负荷数据特征。

时间特性特征主要包括采样时刻t和日信息d。日信息d表示当前日期属于一周中的第几天。

外界环境特性特征主要包括采样时刻的温度Temp、采样时刻的湿度H和采样时刻的露点DP。

历史负荷数据特征主要包括前一天峰值dap和前一天同时刻负荷值da_t-24。

其中，前一天峰值dap如下所示：

dap＝max(da₀,…,da_g,…,da₂₃)。 (1)

式中，da_g为前一天第g时刻的负荷值。

所有数据特征构成数据特征集f，即：

f＝{t,d,Temp,H,DP,dap,da_t-24}。 (2)

式中，da_t-24为当前时刻前24小时的负荷值。

2)对历史负荷时序数据X进行STL时间序列分解，得到趋势项序列X_trend、周期项序列X_seasonal和剩余项序列X_remainder。