技术新讯 > 发电变电,配电装置的制造技术 > 一种基于MIC理论和单调值分解的日前负荷预测方法及系统与流程  >  正文

一种基于MIC理论和单调值分解的日前负荷预测方法及系统与流程

  • 国知局
  • 2024-11-06 14:42:54

本发明涉及梯级水电调度,特别是一种基于mic理论和单调值分解的日前负荷预测方法及系统。

背景技术:

1、梯级水电能够有效利用水力资源,降低电力系统碳排放,对支持新型电力系统和“双碳”目标建设具有至关重要的作用。此外,梯级水电中的抽蓄电站能够进一步平抑新能源出力的波动性,减少弃风弃光。在梯级水电中,水是重要的发电资源,对蓄水的合理调度是影响其运行的重要因素。出于安全的考虑,水库的水位需要保持在安全的范围内,因此需要将多余的来水进行消纳,也即用于发电。然而,上级水库的发电将造成下游水库的水位上涨,当水位超过安全限值后,弃水作业将造成能量的浪费。在此情况下,通过进行负荷预测,一方面,在负荷高峰期安排水库进行发电,可以最大化降低系统发电成本,弥补弃水造成的资源浪费,另一方面,在可再生能源丰富而负荷具有增加趋势时,通过安排储蓄电站进行储蓄,也能够提高新能源的利用率,降低系统运行成本。

2、综上所述,负荷预测在梯级水电调度中扮演着至关重要的角色。它不仅影响着水资源的合理利用和电力供应的保障,还直接关系到水电系统的安全。因此,在梯级水电系统的运行中,加强对负荷预测技术的研究和应用,提高预测的准确性和及时性,对于优化水电资源配置、提高电力系统运行效率具有重要意义。

技术实现思路

1、鉴于现有的负荷预测中存在的问题,提出了本发明。

2、因此,本发明所要解决的问题在于加强对负荷预测技术的研究和应用。

3、为解决上述技术问题,本发明提供如下技术方案:

4、第一方面,本发明实施例提供了一种基于mic理论和单调值分解的日前负荷预测方法,其包括,

5、获取目标地区电网的多源数据集,并对所述多源数据集进行补缺;

6、对补缺后的数据进行特征参数分析,筛选特征参数构建数据集;

7、构建负荷预测模型,采用所述数据集对所述负荷预测模型进行训练;

8、定义所述负荷预测模型的损失函数,并采用所述负荷预测模型进行负荷预测,得到负荷预测结果。

9、作为本发明所述基于mic理论和单调值分解的日前负荷预测方法的一种优选方案,其中:对所述多源数据集进行补缺包括,

10、将多源数据集分解为趋势、周期和随机三个分量;

11、对三个分量进行补缺处理;

12、重新整合补缺后的分量组成与所述多源数据同格式的序列。

13、作为本发明所述基于mic理论和单调值分解的日前负荷预测方法的一种优选方案,其中:所述特征参数分析根据mic值进行选取,将mic值大于n的特征参数作为最终用电负荷预测的参数;

14、所述mic值的计算如下式所示:

15、

16、其中,p(hli,hoi)表示hl,ho的联合概率;p(hli),p(hoi)表示hl,ho的边缘概率;ho∈{ht,hwv,hwh,hr,hh,hp,hs,hu};n为历史数据的条数;b(n)代表划分约束值,一般取为n0.6;m、n分别代表将hl,ho由小到大均匀划分的份数;i(hl,ho|m,n)代表在m、n划分下,hl,ho之间的互信息值。

17、作为本发明所述基于mic理论和单调值分解的日前负荷预测方法的一种优选方案,其中:所述负荷预测模型包括第一网络模型、第二网络模型和第三网络模型;

18、所述负荷预测模型的目标函数如下式所示:

19、

20、其中,lcnn为cnn网络的负荷预测值;lgru为gru网络的负荷预测值;wcnn,wgru分别为混合网络的权重预测值;b代表用于进行训练的一个批次的数据量。

21、作为本发明所述基于mic理论和单调值分解的日前负荷预测方法的一种优选方案,其中:所述负荷预测模型的损失函数如下式所示:

22、

23、其中,λ为正则化系数,θ1+θ2=1,θ1≥0,θ2≥0,y1为cnn网络的负荷预测值,y2为gru网络的负荷预测值,θ1,θ2为混合网络为cnn网络和gru网络输出的权值。

24、作为本发明所述基于mic理论和单调值分解的日前负荷预测方法的一种优选方案,其中:对趋势分量进行补缺如下式所示:

25、

26、其中,xt为t时刻的观测值,t为时间,w为用于计算移动平均的窗口大小,β为平滑系数,tt时刻t的趋势分量估计值,tt′为时刻t的趋势分量补全值,是使用窗口移动平均或指数平滑得到的对缺失趋势分量的估计。

27、作为本发明所述基于mic理论和单调值分解的日前负荷预测方法的一种优选方案,其中:得到所述负荷预测结果包括,

28、将所述数据集输入所述负荷预测模型进行初步特征提取,生成两路特征序列,并将所述特征序列并行送入所述第三网络模型中,所述第三网络模型的全连接层1和2分别接收所述特征序列,并经过sigmoid激活后产生两路注意力权重序列,权值1和权值2;

29、所述权值1与所述权值2分别与第一网络模型和第二网络模型的特征序列进行加权融合,生成最终加权特征序列,所述加权特征序列经过输出层得到最终预测结果。

30、第二方面,本发明实施例提供了一种基于mic理论和单调值分解的日前负荷预测系统,其包括:

31、数据获取模块,用于获取目标地区电网的历史数据集;

32、数据预处理模块,用于对数据序列进行趋势、周期、随机三个分量的分解,然后分别对这三个分量进行补缺处理;

33、特征分析模块,使用mic方法对预处理后的数据集进行特征参数分析,筛选关键特征参数,构成数据集;

34、模型构建预测模块,用于构建负荷预测模型,在预测时将输入数据输入模型,根据模型中网络输出结果与第三网络输出的权重进行加权求和,得到最终的负荷预测结果。

35、第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现上述的基于mic理论和单调值分解的日前负荷预测方法的任一步骤。

36、第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现上述的基于mic理论和单调值分解的日前负荷预测方法的任一步骤。

37、本发明有益效果为将原始时间序列分解为趋势、周期和随机三个分量,对缺失值分别采用不同的补全策略,提高了数据补全的准确性,并引入移动平均、同期均值等方法,能更好地捕捉局部趋势和周期性特征,估计更贴近实际情况。通过mic理论能够有效发现变量之间的线性和非线性关联,从而选取与负荷关联度较高的气象参数作为预测特征。提出了一种集成网络架构,融合cnn、gru和注意力机制,三种模型优势互补,充分挖掘数据的不同模式和特征,通过cnn、gru和注意力权重的加权求和得到最终预测值。联合损失函数直接优化最终预测值与真实值的均方误差,引入熵正则化避免权重失衡。联合优化三个模型参数,更好地捕捉数据的复杂特征模式,整体流程通过三个模型的协同作用,实现了高效的负荷预测。

本文地址:https://www.jishuxx.com/zhuanli/20241106/323701.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。