申请/专利权人:国网湖北省电力有限公司信息通信公司;武汉大学
申请日:2023-12-25
公开(公告)日:2024-04-09
公开(公告)号:CN117856230A
主分类号:H02J3/00
分类号:H02J3/00;G06F18/10;G06F18/214;G06N3/048;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:融合气温因素和非量化气象条件变化因素的电力负荷预测方法及系统,采用预处理‑训练‑预测的思路。在预处理阶段,对负荷数据进行预处理,并对复杂气象条件变化这类不可直接量化的因素进行数值化;使用完全自适应噪声集合经验模态分解方法对剔除后的台区负荷数据进行分解;在训练阶段,将分解得到的数据与气温以及量化后的气象条件变化因素进行连接,并输入到GRU神经网络进行训练。在预测阶段,对预处理阶段得到的每个分解数据做预测,并对预测结果进行加和得到总的电力负荷预测结果。本发明不仅根据电力负荷的周期性特点选择模型;而且,通过融合气温因素和非量化气象条件变化因素,从天气纬度对电力负荷预测进行补充,提高预测性能。
主权项:1.一种融合非量化气象条件变化因素的电力负荷预测方法,其特征在于:所述电力负荷预测方法包括以下步骤:S1.获取一段时间内用户及所在台区逐天的电力负荷数据和台区所在地的天气数据,所述天气数据包括气温和天空状况,对获取到的电力负荷数据进行预处理;S2.对获取到的天气数据中的非量化气象条件变化因素进行量化,使其数值化,并对量化后的天气数据进行最大最小归一化处理;S3.将经过预处理后的电力负荷数据使用完全自适应噪声集合经验模态分解方法进行分解,并对分解得到的不同模态的数据进行最大最小归一化处理;S4.将归一化后得到的电力数据与S2所获得的归一化的天气数据进行连接,得到融合了气温因素和非量化气象条件变化因素的电力负荷数据;S5.构建GRU神经网络,该网络的输入为一定时间长度的历史数据,输出为下一时间点的电力负荷预测值,将S4得到的分解数据分为训练组和预测组,先使用训练组数据对GRU神经网络进行训练,然后使用预测组数据来对训练完成的GRU神经网络模型进行测试,并对分解后的预测结果进行加和得到总的台区用电负荷的预测结果,比较其预测结果与实际电力负荷值,看预测误差是否满足要求。
全文数据:
权利要求:
百度查询: 国网湖北省电力有限公司信息通信公司;武汉大学 融合非量化气象条件变化因素的电力负荷预测方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。