本发明属于电网电力,尤其涉及一种电力负荷预测方法。
背景技术:
1、在电网管理领域,应尽力确保电力供应的稳定性和可靠性。通过有效的电网管理,可以优化资源分配,预防和减少电力中断,同时响应日益增长的能源需求和集成可再生能源。这不仅提高了能源效率,还增强了整个电力系统对环境变化和潜在故障的适应能力。然而,在电网管理的实际应用中存在一些问题和挑战:
2、(1)电网面临的主要挑战之一是电力需求的不断变化,电力系统必须能够灵活应对需求的快速变化,这种变化通常由多种因素驱动,包括经济活动、社会事件、天气条件等。在高峰时段,电力需求可能会突然增加,而在夜间或特定条件下需求则可能迅速下降。这种需求的不确定性和波动性要求电网不仅要有足够的发电能力以满足最高负荷,还必须能够在需求突然下降时减少发电,以防止能源浪费和系统过载。
3、(2)优化资源分配是确保电网运行效率和经济性的关键。电力资源包括传统的化石燃料发电和越来越多的可再生能源,如风能和太阳能。有效的资源分配策略不仅需要在正确的时间将电力输送到需求最大的地区,还需要考虑到发电成本、传输损耗和环境影响。此外,随着可再生能源的不稳定性和间歇性,如何在不牺牲供电可靠性的前提下,将这些绿色能源融入电网,是电力资源分配策略需要解决的一个复杂问题。
4、因此,利用深度学习对电力系统实现智能预测,可以提高电力系统的响应速度、优化资源利用、实现智能化管理,从而确保电力供应的稳定性和高效性。然而,传统的静态调度方法已经难以满足需求的快速变化,缺乏对实时情况的准确把握,那么就需要对电力系统的电力负荷准确分析。因此,研究相应的深度学习算法进行电力负荷预测,是本发明拟解决的主要问题。
5、传统的电力负荷预测方法(例如时间序列分析)依赖于线性假设,在提出当时被认为是时间序列发展的重大里程碑,模型以其完备的理论基础和结构化建模途径,在电力工程、金融等领域得到广泛应用。针对电力负荷非平稳、非线性的特点,也有一些研究者通过优化定阶策略、量化长程相关性、改进优化算法等方法对时间序列模型进行优化。这些模型无一例外,重点是挖掘电力负荷历史数据的发展规律。但现有的时间序列分析模型主要适用于平稳的非白噪声序列,且要求序列具有较强的自相关性。
6、当前针对电力负荷历史数据预测存在问题总结:
7、(1)忽视影响因素的综合考虑。目前的电网负荷预测方法主要侧重于对电力负荷数据本身的分析和计算,而常常忽略了现实应用场景中可能影响电力数据的其他关键因素,如天气变化、空气湿度等。这意味着在预测过程中,需要更全面和细化的数据支持,以提高预测的准确性和可靠性。
8、(2)数据处理能力有限。大多数现有网络在处理具有非线性和非平稳特性的数据时能力有限,这种数据特性在实际的电力负荷数据中极为常见,尤其是在包含多种可再生能源的复杂电网系统中。这些数据的复杂性要求更高级的处理技术,以确保数据分析的有效性和电力负荷预测模型的准确度。
9、(3)忽略数据融合的重要性。尽管现有的电力负荷预测模型专注于提高预测性能,通常这些模型仅限于进行判别性分析。然而,这些方法往往忽视了对电力系统中多源数据的综合分析和融合,这可能导致预测结果的不准确或误差。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种电力负荷预测方法,解决了传统电力负荷预测模型精度不足、模型参数优化困难以及多源数据融合处理效果不佳的问题。
2、为了达到以上目的,本发明采用的技术方案为:一种电力负荷预测方法,包括以下步骤:
3、s1、获取电力系统数据;
4、s2、对电力系统数据进行预处理以及多源数据融合处理;
5、s3、根据经预处理以及多源数据融合处理后的电力系统数据,利用变分模态分解模型将原始时间序列进行子序列分解,其中,利用改进的麻雀搜索算法对变分模态分解模型的参数进行优化;
6、s4、根据门控循环单元和注意力机制,构建电力负荷预测模型,并根据分解的子序列,利用电力负荷预测模型对电力负荷进行预测。
7、进一步地,所述s2包括以下步骤:
8、s201、利用移动平均滤波器和中值滤波器去除电力系统数据中的短期波动数据和异常值;
9、s202、对经去除短期波动数据和异常值的电力系统数据进行标准化处理,将所有数值型特征缩放至统一范围;
10、s203、对经标准化处理后的电力系统数据,利用前向填充和线性插值方法填充时间序列数据中的缺失值;
11、s204、根据经缺失值填充后的电力系统数据,对分类特征进行独热编码,将非数值信息转换为二进制格式,完成预处理以及多源数据融合处理。
12、再进一步地,所述s3具体为:
13、对经预处理以及多源数据融合处理后的电力系统数据进行去噪处理;
14、利用变分模态分解模型vmd,将经去噪处理后的电力系统数据分解为若干个子序列;
15、对分解后的子序列进行归一化处理,完成对原始时间序列的子序列分解,其中,利用改进的麻雀搜索算法对变分模态分解模型的参数进行优化。
16、再进一步地,所述变分模态分解模型的约束优化表达式如下:
17、
18、其中,表示第k个模态,k表示模态数量,表示时间的偏导数,描述信号的时间变化率,表示卷积,表示冲击函数,表示虚数单位,表示频率,表示第k个模态的函数,t表示时间。
19、再进一步地,所述利用改进的麻雀搜索算法对变分模态分解模型的参数进行优化,其具体为:
20、a1、初始化种群,以及随机生成每只麻雀的初始位置;
21、a2、将适应度函数定义为电力负荷预测模型预测的误差以及均方误差的倒数;
22、a3、结合随机漫步以及领导者的位置对每只麻雀的位置进行更新;
23、a4、在每一次迭代中,根据适应度最高的个体选取领导者,并根据领导者的位置更新追随者的位置,完成对麻雀搜索算法的改进;
24、a5、对改进的麻雀搜索算法进行迭代处理,并结合随机搜索和领导者引导,获取最优电力负荷预测模型的参数组合,完成对变分模态分解模型vmd的参数优化,其中,每次迭代后,种群的解均会更新,直至适应度函数收敛。
25、再进一步地,所述对每只麻雀的位置进行更新的表达式如下:
26、
27、其中,表示每只麻雀位置的更新,表示每只麻雀的当前位置,和均表示随机生成的系数,表示领导者的位置,表示随机探索的位置。
28、再进一步地,所述s4具体为:
29、根据门控循环单元和注意力机制,构建电力负荷预测模型;
30、将分解后的子序列输入至电力负荷预测模型中,对电力负荷预测模型进行训练,其中,在训练过程中,通过迭代优化损失函数对电力负荷预测模型的参数进行调整;
31、利用经训练后的电力负荷预测模型,对获取的新的电力负荷数据进行预测,得到预测结果。
32、本发明的有益效果:
33、1)本发明通过利用多源数据融合模块进行电力系统数据预处理和多源数据的融合处理,创新地结合环境和传感器数据等多源数据,提供了一个全面的视角,综合全面地预测电力系统中电力的负荷情况;
34、2)引入变分模态分解模型,并使用改进的麻雀搜索算法优化变分模态分解模型参数,将原始的复杂数据序列分解为简单的子序列,有助于通过隔离重要的变异模式,有效处理非线性和非平稳数据;
35、3)通过搭建门控循环单元和注意力机制相结合的电力负荷预测模型,解决现有的方法在处理和融合多源数据时效率低下的问题,将电力负荷预测模型和现有网络在电力系统多源数据集中进行实验,电力负荷预测模型的预测精度较现有方法取得了较好的效果。