[發(fā)明專利]基于多因素和改進特征篩選策略的短期電力負荷預測方法有效
| 申請?zhí)枺?/td> | 202110458740.X | 申請日： | 2021-04-27 |
| 公開（公告）號： | CN113193551B | 公開（公告）日： | 2023-01-24 |
| 發(fā)明（設計）人： | 徐先峰;趙依;劉狀壯;李隴杰;盧勇;張震;代杰;段晨東;茹鋒 | 申請（專利權(quán)）人： | 長安大學 |
| 主分類號： | H02J3/00 | 分類號： | H02J3/00;G06N3/08;G06Q10/04;G06Q50/06;G06F18/23213 |
| 代理公司： | 西安恒泰知識產(chǎn)權(quán)代理事務所 61216 | 代理人： | 王孝明 |
| 地址： | 710064 陜西省*** | 國省代碼： | 陜西;61 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 因素 改進 特征 篩選 策略 短期 電力 負荷 預測 方法 | ||
本發(fā)明提供了基于多因素和改進特征篩選策略的短期電力負荷預測方法包括以下步驟：步驟S1，導入原始多因素數(shù)據(jù)集和數(shù)據(jù)預處理；步驟S2，構(gòu)造候選特征變量集；步驟S3，基于數(shù)據(jù)集重構(gòu)和RReliefF算法的小時粒度特征篩選；步驟S4，引入基于余弦相似度的k?means聚類標簽；步驟S5，確定最終的輸入變量集；步驟S6，模型訓練與預測。本發(fā)明注重于短期電力負荷預測的前端數(shù)據(jù)處理，與當前的多種主流預測模型都可以結(jié)合使用，并能顯著改善模型的預測精度，具有廣泛的通用性。本發(fā)明能夠有效解決基于小時粒度的特征變量選取規(guī)則問題，在特征變量中加入負荷曲線的形狀和模式信息，通過提高前端輸入數(shù)據(jù)的質(zhì)量，顯著提升短期電力負荷的預測性能。
技術(shù)領(lǐng)域
本發(fā)明屬于于電力負荷預測領(lǐng)域，涉及短期電力負荷預測，特別涉及一種基于多因素和改進特征篩選策略的短期電力負荷預測方法。
背景技術(shù)
短期負荷預測在電力系統(tǒng)的運行中具有重要意義，它是電網(wǎng)安全經(jīng)濟運行的保障和制定供電計劃的依據(jù)。負荷預測作為連接能源和需求側(cè)的橋梁，涉及有序用電、節(jié)能減排等工作的方方面面，精準的短期負荷預測不僅能滿足電力負荷精細化管理的要求，更是促進需求側(cè)改革、提髙居民用電感受的重要支撐。
由于電力負荷波動趨勢會受氣象、節(jié)假日、社會經(jīng)濟等多種外部因素的影響。顯然在實際的負荷預測過程中，充分考慮外部相關(guān)因素有助于提高負荷的預測精度。然而計及外部影響因素提高了輸入信號的維數(shù)，會加重模型的學習負擔，降低學習效率，因此，特征篩選成為解決該問題的有效手段。然而如何在海量數(shù)據(jù)中篩選出對于負荷預測的有益信息，在有限的維數(shù)中提升輸入數(shù)據(jù)的信息質(zhì)量，避免輸入低效數(shù)據(jù)和冗余數(shù)據(jù)，成為了一個有必要深入研究的課題。
發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于，提供一種基于多因素和改進特征篩選策略的短期電力負荷預測方法，以解決現(xiàn)有技術(shù)中短期電力負荷預測精度有待進一步提升的技術(shù)問題。
為了解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案予以實現(xiàn)：
一種基于多因素和改進特征篩選策略的短期電力負荷預測方法，該方法包括以下步驟：
步驟S1，導入原始多因素數(shù)據(jù)集和數(shù)據(jù)預處理：
步驟S11，采集待預測地區(qū)電力的歷史電力負荷數(shù)據(jù)、歷史溫度數(shù)據(jù)、歷史濕度數(shù)據(jù)和歷史電價數(shù)據(jù)；
步驟S12，根據(jù)歷史溫度數(shù)據(jù)和歷史濕度數(shù)據(jù)計算歷史溫濕指數(shù)數(shù)據(jù)THI，并作為一個特征屬性；歷史溫濕指數(shù)數(shù)據(jù)的計算公式為：
THI＝T+0.36Dp+41.2 公式Ⅰ；
式中：
T為干球溫度的數(shù)值，干球溫度的單位為℃；
Dp為露點溫度的數(shù)值，露點溫度的單位為℃；
步驟S13，將歷史電力負荷數(shù)據(jù)、歷史溫度數(shù)據(jù)、歷史溫濕指數(shù)數(shù)據(jù)和歷史電價數(shù)據(jù)整理成M×4的矩陣，該矩陣即為原始多因素數(shù)據(jù)集；
其中，M為數(shù)據(jù)采樣點數(shù)；
步驟S14，對于原始多因素數(shù)據(jù)集中的異常數(shù)據(jù)和缺失數(shù)據(jù)，采用線性插值的方法進行替代和補齊；
步驟S15，對于每一屬性數(shù)據(jù)的樣本序列，進行無量綱歸一化處理，完成數(shù)據(jù)預處理；
所述的歸一化公式為：
式中：
X*為歸一化后的值；
X為樣本序列值；
Xmin為樣本序列中的最小值；
Xmax為樣本序列中的最大值；
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于長安大學，未經(jīng)長安大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110458740.X/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
