[發明專利]一種區域電力負荷預測方法在審
| 申請號： | 201910510630.6 | 申請日： | 2019-06-13 |
| 公開（公告）號： | CN110212524A | 公開（公告）日： | 2019-09-06 |
| 發明（設計）人： | 唐標;李博;朱夢夢;程志萬;朱全聰;楊莉;王恩;李貴良 | 申請（專利權）人： | 云南電網有限責任公司電力科學研究院 |
| 主分類號： | H02J3/00 | 分類號： | H02J3/00 |
| 代理公司： | 北京弘權知識產權代理事務所(普通合伙) 11363 | 代理人： | 逯長明;許偉群 |
| 地址： | 650217 云南省昆*** | 國省代碼： | 云南;53 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 負荷數據 記憶網絡 預測模型 電力負荷預測 時間序列特征 時間點 歷史負荷數據 非線性關系 負荷預測 輸出結果 序列輸入 用電區域 預測目標 自相關性 擬合 捕獲 檢驗 申請 樣本 捕捉 | ||
1.一種區域電力負荷預測方法，其特征在于，包括：
根據用電區域的歷史負荷數據，構造N組不同時間間隔步長的時間序列特征數據；
分別對N組時間序列特征數據進行相關性檢驗，得到M組通過檢驗的相關序列，M≦N；所述相關序列具有序列自相關性；
將M組所述相關序列輸入多序列長短期記憶網絡預測模型中，集成所述多序列長短期記憶網絡預測模型的輸出結果，預測目標時間點的負荷數據；其中，所述多序列長短期記憶網絡預測模型包括若干組長短期記憶網絡預測模型。
2.根據權利要求1所述的方法，其特征在于，所述時間序列特征數據為：
Ei＝{et-Ki+1，et-2×Ki+1，...，et-j×Ki+1，...，et-n×Ki+1}
式中，Ei表示時間序列特征數據，Ki為時間間隔步長，n為時間序列特征數據的維度，et-j×Ki+1為Ei中第j個時間點對應的負荷變量；i＝1，2…，N；j＝1，2…，n。
3.根據權利要求2所述的方法，其特征在于，所述分別對N組時間序列特征數據進行相關性檢驗，包括：
根據所述時間序列特征數據中任意兩個負荷變量之間的Spearman相關系數，以及所述時間序列特征數據的維度n，計算t檢驗統計量T；
判斷t檢驗統計量T是否大于或等于閾值tα,v，所述閾值tα,v是與顯著性水平α和自由度v有關的參數；
如果t檢驗統計量T大于或等于閾值tα,v，則所述時間序列特征數據中任意兩個負荷變量之間具備相關性；反之，則所述時間序列特征數據中任意兩個負荷變量不相關。
4.根據權利要求1-3任一項所述的方法，其特征在于，所述得到M組通過檢驗的相關序列，包括：
相關性檢驗完成后，從所述時間序列特征數據中篩選出非相關負荷變量，所述非相關負荷變量與所述時間序列特征數據中的其他負荷變量都不相關；
將所述非相關負荷變量從所述時間序列特征數據中移除，將移除處理后的時間序列特征數據作為所述相關序列；
丟棄N-M組不具有序列自相關性的時間序列特征數據，從而得到M組通過檢驗的相關序列。
5.根據權利要求3所述的方法，其特征在于，所述時間序列特征數據中任意兩個負荷變量(Xj，Yj)之間的Spearman相關系數rs為：
式中，Rj為負荷變量Xj的秩，Qj為負荷變量Yj的秩。
6.根據權利要求5所述的方法，其特征在于，所述t檢驗統計量T通過如下公式計算：
式中，rs為所述時間序列特征數據中任意兩個負荷變量(Xj，Yj)之間的Spearman相關系數。
7.根據權利要求1所述的方法，其特征在于，在將M組所述相關序列輸入多序列長短期記憶網絡預測模型之前，所述方法還包括：
對所述相關序列進行如下歸一化處理：
式中，xnorm為負荷變量的歸一化值，x為所述負荷變量的當前值，xmax為所述負荷變量的最大值，xmin為所述負荷變量的最大值。
8.根據權利要求1所述的方法，其特征在于，按照如下公式預測目標時間點的負荷數據S：
式中，Sk為第k組長短期記憶網絡預測模型輸出的目標時間點負荷值，Wk為第k組長短期記憶網絡預測模型對應的權重系數，L為所述多序列長短期記憶網絡預測模型中所包括的長短期記憶網絡預測模型的數量。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于云南電網有限責任公司電力科學研究院，未經云南電網有限責任公司電力科學研究院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910510630.6/1.html，轉載請聲明來源鉆瓜專利網。
