申请/专利权人：浙江大学

申请日：2024-01-11

公开（公告）日：2024-04-09

公开（公告）号：CN117856248A

主分类号：H02J3/00

分类号：H02J3/00;G06F18/2131;G06F18/23213;G06F18/2415;G06F18/25;G06N3/0442;G06N3/09;G06F123/02

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：本发明公开了一种基于频率分解和聚类修正的电力负荷预测方法，包括以下步骤：通过基于降频‑升频的负荷解构方法将经过预处理的电力负荷数据序列解构为两部分；针对存在多重周期的日间累计负荷序列，结合FFT和SARIMA模型进行预测；针对日内标准负荷曲线，首先通过基于DTW的GMM‑HMM模型进行模式聚类与状态转移预测；然后通过基于相似日的GRU模型对模式匹配结果进行修正。低频与高频部分分别进行预测后，再对两部分进行融合升频，实现负荷标准曲线还原，得到总的电力负荷预测值。本发明综合考虑负荷序列的日间多重周期与日内频繁模式，相较于传统方法，有效提升了预测精度。

主权项：1.一种基于频率分解和聚类修正的电力负荷预测方法，其特征在于，包括以下步骤：S1.获取待预测的原始电力负荷历史数据，对原始电力负荷历史数据进行预处理，得到预处理电力负荷数据序列；S2.利用基于降频-升频的负荷解构方法将预处理电力负荷数据序列解构为日间累计负荷序列与每日的日内标准负荷曲线；S3.采用快速傅里叶变换得到日间累计负荷序列的长周期，采用季节性分解得到日间累计负荷序列的短周期，对日间累计负荷序列中每个重要节假日进行独热编码，每个重要节假日对应得到一个独热编码序列；S4.利用所述长周期作为傅里叶级数的周期，根据网格搜索寻找最小赤池信息准则，得到所述傅里叶级数的最佳展开项数量；S5.利用所述短周期作为季节性差分自回归滑动平均模型季节性周期的长度，将所述傅里叶级数和所有独热编码序列作为外生变量共同拟合季节性差分自回归滑动平均模型；S6.将日间累计负荷序列输入到拟合好的季节性差分自回归滑动平均模型中，得到日间累计负荷序列预测结果；S7.基于动态时间归整距离对每日的日内标准负荷曲线进行均值聚类，利用均值聚类结果初始化混合高斯-隐马尔可夫模型的模型参数，并通过期望最大化方法对初始化的混合高斯-隐马尔可夫模型参数不断更新，直至混合高斯-隐马尔可夫模型收敛，得到拟合好的混合高斯-隐马尔可夫模型；S8.将每条日内标准负荷曲线输入到拟合好的混合高斯-隐马尔可夫模型中进行模式聚类和状态转移预测，得到隐藏状态转移概率预测值和初始的日内标准负荷曲线预测值；S9.分别计算两条日内标准负荷曲线之间的动态时间归整距离并构建动态时间归整距离矩阵，基于所述动态时间归整距离矩阵构建动态时间归整相似度指标矩阵，利用动态时间归整相似度指标矩阵计算日内标准负荷曲线的相似度矩阵，并对所述相似度矩阵进行归一化处理，得到归一化相似度矩阵；S10.将归一化相似度矩阵中的每个相似度数值与预设的相似度阈值进行比较，若一个相似度数值大于等于预设的相似度阈值，则将该相似度数值对应的日内标准负荷数据作为一个特征；若一个相似度数值小于预设的相似度阈值，则不进行处理；当相似度数值均与所述相似度阈值进行比较后，将获得的全部特征输入到经过训练的门控循环单元模型中，得到门控循环单元模型的日内标准负荷曲线预测值；S11.基于初始的日内标准负荷曲线预测值和门控循环单元模型的日内标准负荷曲线预测值得到最终的日内标准负荷曲线预测结果；S12.基于最终的日内标准负荷曲线预测结果和日间累计负荷序列预测结果还原电力负荷数据序列预测结果，完成电力负荷的预测。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于频率分解和聚类修正的电力负荷预测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD