一种基于大数据的电力系统短期净负荷预测方法

本发明属于大数据，具体涉及一种基于大数据的电力系统短期净负荷预测方法。

背景技术：

1、自21世纪初，随着全球经济的快速发展，电力市场改革逐步深入，电力行业逐渐从传统的垄断模式向竞争模式转变。这一变革在智能电网的发展背景下更为明显，对电力系统的运行提出了更高的要求。电力企业面临着降低运营成本、确保电力系统的安全稳定运行的巨大挑战，而电力需求的准确预测成为其中一个关键因素。

2、电力系统短期净负荷预测是能量管理系统的重要组成部分，其预测结果的准确性直接影响到电网后续安全校核的分析结果。准确的电力系统短期净负荷预测对于电网动态状态估计、负荷调度和减少发电成本等方面具有重要意义。只有在准确预测电力需求的基础上，才能制定出高效、经济的发电和供电计划，合理安排机组出力，确保广大用电客户的安全、可靠的电力供应。

3、此外，电力系统短期净负荷预测还为供电企业提供了优化产业结构、合理配置资源的辅助性决策依据。在市场环境下，电网公司可以根据短期负荷预测结果，有针对性地实施负荷调控措施，提高经济效益和市场竞争优势。通过科学合理的负荷预测，企业可以在电力市场中更好地把握机遇，降低风险，为电力行业的发展提供有力支持。

4、然而，目前存在的电力系统短期净负荷预测系统存在以下几点问题：第一，短期净负荷预测通常依赖于历史负荷数据、天气预报、经济活动水平等信息。但这些数据往往存在不确定性，如天气变化、突发事件、节假日等因素都可能影响负荷需求，而这些变化很难通过历史数据准确预测；第二，随着可再生能源的接入，如风能和太阳能，电力系统的负荷波动性增加。这些能源的发电量受天气条件影响较大，导致负荷预测更加复杂；第三，现有的负荷预测模型可能无法充分捕捉负荷变化的复杂性，尤其是在模型参数选择和模型结构方面可能存在不足；第四，净负荷预测需要对总负荷进行分解，包括基础负荷、季节性负荷、可变负荷和峰值负荷等。这种分解过程复杂，且各负荷成分之间的相互关系难以精确描述。

技术实现思路

1、为了解决上述问题，本发明提出一种基于大数据的电力系统短期净负荷预测方法，该方法包括以下步骤：

2、s1：获取电力系统电力负荷序列数据以及气压、温度、湿度序列数据，采用xrmsnorm对数据进行归一化；

3、s2：利用离散非线性带权傅里叶变换dnwft对气压、温度、湿度序列数据进行变换，并通过多窗口短时傅里叶变换mwstft提取变换后数据的周期性特征；

4、s3：使用多噪声ceemdan对电力负荷序列数据进行分解并合并所有分量，与温度、湿度、气压序列数据以及周期性特征构成加强特征，并通过cnn提取加强特征的空间特征，最后输入transformer融合不同序列的信息得到x1；

5、s4：将温度、气压、湿度、电力负荷序列数据选择不同组合送入multi-ae进行去噪得到x2；

6、s5：拼接x1和x2送入mlp得到预测结果，并采用误差惩罚mse作为预测结果的损失函数。

7、本发明的有益效果：

8、1、本项发明利用了xrmsnorm技术，有效缓解了序列数据中错误点对整体序列的影响；

9、2、通过采用离散非线性带权傅里叶变换和多窗口短时傅里叶变换，通过不同的变换，从不同的角度分析频率成分，可以更好地反应在该时间段的变化，更加准确地捕捉了数据的变化趋势和特征；

10、3、针对实际场景中存在的周期性噪声，本发明采用添加周期突变噪声的方式，有效降低了序列数据的噪声水平，并提高了对于突变情况的准确预测能力；

11、4、为解决对于突变情况不敏感的问题，本发明通过调整损失函数的形式，实现了对不同大小误差的加权处理，从而使损失函数对于突变导致的误差更为敏感，最终使得预测结果更准确。

技术特征：

1.一种基于大数据的电力系统短期净负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，利用离散非线性带权傅里叶变换dnwft对气压、温度、湿度序列数据进行变换，包括：

3.根据权利要求1所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，通过多窗口短时傅里叶变换mwstft提取变换后数据的周期性特征，包括：

4.根据权利要求1所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，使用多噪声ceemdan对电力负荷序列数据进行分解并合并所有分量，与温度、湿度、气压序列数据以及周期性特征构成加强特征，并通过cnn提取加强特征的空间特征，最后输入transformer融合不同序列的信息得到x1，包括：

5.根据权利要求4所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，对每个组合样本应用emd，将其分解成一系列固有模态数据并计算所有固有模态函数的均值，包括：

6.根据权利要求4所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，基于电力负荷序列数据和固有模态函数更新残差信号，包括：

7.根据权利要求4所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，将残差信号和固有模态函数的均值融合，得到最后输出v(k)，并将结果进行拼接得到分解数据v，包括：

8.根据权利要求4所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，通过cnn-transformer进行特征增强，得到增强特征x1，包括：

9.根据权利要求1所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，将温度、气压、湿度、电力负荷序列数据选择不同组合送入multi-ae进行去噪得到x2，包括：

10.根据权利要求1所述的一种基于大数据的电力系统短期净负荷预测方法，其特征在于，拼接x1和x2送入mlp得到预测结果，并采用误差惩罚mse作为预测结果的损失函数，包括：

技术总结本发明属于大数据技术领域，具体涉及一种基于大数据的电力系统短期净负荷预测方法，包括：获取电力系统电力负荷序列数据以及气压、温度、湿度序列数据；对气压、温度、湿度序列数据进行变换以提取其周期性特征；使用多噪声CEEMDAN对电力负荷序列数据进行分解并合并所有分量，与温度、湿度、气压序列数据以及周期性特征构成加强特征，并通过CNN提取加强特征的空间特征，并进行融合得到X<subgt;1</subgt;；将温度、气压、湿度、电力负荷序列数据选择不同组合送入Multi‑AE进行去噪得到X<subgt;2</subgt;；拼接X<subgt;1</subgt;和X<subgt;2</subgt;送入MLP得到预测结果。本发明采用添加周期突变噪声的方式，有效降低了序列数据的噪声水平，并提高了对于突变情况的准确预测能力。技术研发人员：陈青青,彭浩,朱恒,王进受保护的技术使用者：重庆邮电大学技术研发日：技术公布日：2024/8/1