[发明专利]基于ISGU混合模型的短期电力负荷预测方法及系统

说明书

本发明涉及一种基于ISGU混合模型的短期电力负荷预测方法及系统，该方法包括以下步骤：步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型；步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。该方法及系统有利于提高短期电力负荷预测精度，进而提高电力系统的稳定性和安全性。

技术领域

本发明属于电力负荷预测技术领域，具体涉及一种基于ISGU混合模型的短期电力负荷预测方法及系统。

背景技术

随着我国社会经济的迅猛发展，市场逐渐对电能供应的安全性、可靠性、经济性等方面要求提高。因此，电力公司在运行中面临着诸多经济技术挑战，在这些挑战中，电力系统的调度、潮流分析、规划和控制最为突出。面对电能需求随时间不断变化的特点，电力部门应尽可能保证电能供需处于动态平衡状态，以此追求最优的发电设备利用率与调度经济性，避免产能过剩或供应不足。精确的电力负荷预测不仅有助于规划供电设备的运行检修计划，保证供电可靠性，并且还能为新机组投入计划与电网增容改建计划给予一定参考。现如今，多样化预测模型、智能化电网改造给负荷预测提供技术以及数据支持。

近年来，多种预测方法在短期电力负荷预测中得到广泛应用与发展。1、利用时间序列法进行短期负荷的预测，其优势是模型简单，计算迅速，需要的数据容量不大，对较为平稳的时间序列进行预测，其效果较为良好。然而，电力负荷存在波动性，电力负荷预测存在不确定性、条件性，故使得时间序列预测精确较低；2、利用BP神经网络进行短期负荷的预测，然而反向传播(BP)神经网络利用反向传播的算法来反复更新神经网络中的权重与阈值的方式，使其容易陷入局部最优；3、利用极限学习机(ELM)算法进行短期负荷的预测，ELM算法的单隐含层的结构以及利用最小二乘法更新输出层权重的特点，使得其学习速度快、泛化性能较好，然而输入层初始化权重与阈值的随机生成仍会影响预测结果；4、利用支持向量机(SVM)算法进行短期负荷的预测，SVM鲁棒性好、泛化能力强，但其模型训练耗时较长，面对大规模样本数据较为乏力。5、利用循环神经网络(RNN)进行短期负荷的预测，RNN擅于挖掘时间序列数据的特点，但其存在梯度爆炸与梯度消散等问题。6、利用引入参数寻优的混合模型，例如GA-KELM、PSO-SVM、CS-SVM等等。参数寻优算法的引入可以客观性的配置预测模型算法的参数，使得预测模型得精度提高。但某些参数寻优算法存在初始种群多样性不足、容易陷入局部最优等缺点。

发明内容

本发明的目的在于提供一种基于ISGU混合模型的短期电力负荷预测方法及系统，该方法及系统有利于提高短期电力负荷预测精度，进而提高电力系统的稳定性和安全性。

为实现上述目的，本发明采用的技术方案是：一种基于ISGU混合模型的短期电力负荷预测方法，包括以下步骤：

步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；

步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型；

步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。

进一步地，步骤S1中，对星期、节假日因素进行数字化处理的具体方法为：

设各星期类型平均负荷所组成的矩阵为W_k＝[w_mon,w_tue,w_wed,w_thu,w_fri,w_sat,w_sun]；则星期因素映射方式如公式(1)所示：