本發(fā)明涉及電網(wǎng)負荷預測，具體為一種相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法。

背景技術(shù)：

1、目前，配網(wǎng)負荷預測技術(shù)主要包括統(tǒng)計方法、人工智能方法以及混合方法。統(tǒng)計方法如時間序列分析，雖然模型結(jié)構(gòu)簡單，但在處理非線性和非平穩(wěn)數(shù)據(jù)時表現(xiàn)不佳。人工智能方法，尤其是神經(jīng)網(wǎng)絡技術(shù)，因其出色的非線性建模能力而被廣泛使用，但仍受限于數(shù)據(jù)質(zhì)量和過度擬合的問題?；旌戏椒▏L試結(jié)合多種技術(shù)的優(yōu)點，提高預測的準確性和魯棒性，但常常需要復雜的參數(shù)調(diào)優(yōu)和大量的計算資源。

2、盡管現(xiàn)有技術(shù)取得了一定的進展，但仍存在一些不足之處。例如，大多數(shù)方法未能充分利用歷史負荷數(shù)據(jù)中的隱含信息，且在處理高維數(shù)據(jù)時往往效率低下。此外，環(huán)境因素如溫度、濕度對負荷的影響在很多模型中被忽視或未能準確建模。針對這些問題，我們方發(fā)明提出了一種結(jié)合相似日分析和先進的預測模型的方法，以期提高預測的準確度和適應性。該方法首先通過灰色關(guān)聯(lián)分析法和最大互信息系數(shù)法，精確提取與目標日負荷相似的歷史日負荷，并識別出高關(guān)聯(lián)的環(huán)境因素。接著，使用固有時間尺度分解方法處理負荷數(shù)據(jù)，更好地捕捉數(shù)據(jù)的內(nèi)在特性。最后，通過復雜混合模型和雙向長短期記憶網(wǎng)絡對數(shù)據(jù)進行深入分析和預測，從而顯著提高了預測的準確性和可靠性。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：現(xiàn)有的配網(wǎng)負荷預測方法存在數(shù)據(jù)利用率不高、處理高維數(shù)據(jù)能力低、環(huán)境因素影響考慮不足以及如何提升預測精度和穩(wěn)定性的問題

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法，包括采用灰色關(guān)聯(lián)分析法提取相似日負荷，采用最大互信息系數(shù)法確定影響配網(wǎng)負荷的高關(guān)聯(lián)環(huán)境因素，構(gòu)造歷史數(shù)據(jù)集；采用固有時間尺度分解方法將歷史數(shù)據(jù)集中配網(wǎng)負荷數(shù)據(jù)分解為不同頻率下的固有模態(tài)函數(shù)分量；采用極值點劃分方法劃分低頻和高頻分量，采用復雜混合模型及單一雙向長短期記憶網(wǎng)絡模型分別對高頻及低頻分量進行預測，經(jīng)過結(jié)果的融合得到最終的負荷預測結(jié)果。

4、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的一種優(yōu)選方案，其中：所述采用灰色關(guān)聯(lián)分析法提取相似日負荷包括采集待預測電網(wǎng)的日負荷數(shù)據(jù)，構(gòu)建參考序列x0和比較序列xi，參考序列為待預測日期的日負荷數(shù)據(jù)，比較序列為采集的歷史日負荷數(shù)據(jù)，關(guān)聯(lián)系數(shù)ξi(k)表示為：

5、

6、其中，σ是敏感度參數(shù)，sk是時段k的波動率，是波動率的平均值，將大于總匹配系數(shù)均值0.8的歷史日作為待預測日的相似日選取結(jié)果。

7、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的一種優(yōu)選方案，其中：所述采用最大互信息系數(shù)法確定影響配網(wǎng)負荷的高關(guān)聯(lián)環(huán)境因素包括收集影響配網(wǎng)負荷的環(huán)境因素數(shù)據(jù)，包括溫度、濕度以及風速，收集相應時間段內(nèi)的配網(wǎng)負荷數(shù)據(jù)，計算每個環(huán)境因素與負荷的互信息，互信息公式調(diào)整為考慮時間滯后，對每個環(huán)境因素x，計算與當前負荷和滯后負荷之間的差值l的互信息iτ(x；l)，表示為：

8、

9、其中，τ是考慮的時間滯后，xτ表示考慮時間滯后τ的環(huán)境因素x，p(x,l)是環(huán)境因素x發(fā)生和當日最大負荷差值l發(fā)生的聯(lián)合概率，p(x)表示環(huán)境因素x發(fā)生的概率，p(l)表示將當日時間根據(jù)滯后時間分為多個時間段，當前的時間為最大l發(fā)生的概率，根據(jù)當前每個滯后時間段的所有數(shù)據(jù)確定出現(xiàn)頻率最多的環(huán)境因素為當日影響環(huán)境因素。

10、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的一種優(yōu)選方案，其中：所述采用固有時間尺度分解方法將歷史數(shù)據(jù)集中配網(wǎng)負荷數(shù)據(jù)分解為不同頻率下的固有模態(tài)函數(shù)分量包括將近似日的負荷數(shù)據(jù)進行經(jīng)驗模態(tài)分解，表示為：

11、

12、其中，αm為趨勢調(diào)整因子，q(t)表示時間點t的電力負荷值，φm(t,αm)表示自適應固有模態(tài)函數(shù)，r(t,αm)表示模態(tài)調(diào)整后的殘差項。

13、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的一種優(yōu)選方案，其中：所述采用極值點劃分方法劃分低頻和高頻分量包括對每個imfφm(t,αm)，通過檢測局部最大和最小點來確定極值點，極值點是信號從增加轉(zhuǎn)為減少或從減少轉(zhuǎn)為增加的點；

14、極值點劃分通過計算相鄰極值之間的平均時間間隔tm來確定，表示為：

15、

16、其中，tk和tk+1分別是第k和k+1個極值的時間點，nm是極值的總數(shù)；基于數(shù)據(jù)的季節(jié)性變化來設置閾值tthreshold，當tm≥tthreshold，則φm(t,αm)被分類為低頻成分φlow(t,αm)。

17、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的一種優(yōu)選方案，其中：所述采用復雜混合模型及單一雙向長短期記憶網(wǎng)絡模型分別對高頻及低頻分量進行預測包括通過復雜混合模型對高頻分量進行預測，復雜混合模型通過卷積神經(jīng)網(wǎng)絡提取高頻分量中的空間特征，循環(huán)神經(jīng)網(wǎng)絡捕獲時間依賴性，支持向量機基于前兩個模型的特征提取結(jié)果進行最終的分類和回歸預測，使用加權(quán)融合方法進行結(jié)合，表示為：

18、hpred(t)＝w1·cnn(φhigh(t))+w2·rnn(φhigh(t))+w3·svm(φhigh(t))

19、其中w1,w2,w3是模型權(quán)重，通過歷史周期的負荷數(shù)據(jù)訓練獲得；低頻分量的雙向長短期記憶網(wǎng)絡表示為：

20、lpred(t)＝bi-lstm(φlow(t))

21、bi-lstm網(wǎng)絡直接作用于從vmd步驟中分離出的低頻分量φlow(t)，提取時間相關(guān)特征進行負荷預測。

22、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的一種優(yōu)選方案，其中：所述經(jīng)過結(jié)果的融合得到最終的負荷預測結(jié)果包括利用多任務學習的框架來同時優(yōu)化低頻和高頻預測任務，通過優(yōu)化時間序列之間的對齊來調(diào)整時間序列，通過兩種模型進行融合確定最終負荷，表示為：

23、qfinal(t)＝mtl(lpred(t),hpred(t),dtw(lpred(t),hpred(t)))

24、

25、其中，st表示高頻分量的時間序列，tt表示低頻分量的時間序列，動態(tài)調(diào)整lpred(t)和hpred(t)的權(quán)重，表示為：

26、

27、其中，qfinal(t)表示最終預測的負荷，qhistoryl(t)表示預測時間點對應的歷史負荷。

28、本發(fā)明的另外一個目的是提供一種相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測系統(tǒng)，其能通過采用灰色關(guān)聯(lián)分析法提取相似日負荷，基于歷史數(shù)據(jù)構(gòu)建的數(shù)據(jù)往往比預測數(shù)據(jù)更加符合電網(wǎng)運行特點，解決了目前的配網(wǎng)負荷預測技術(shù)含有歷史數(shù)據(jù)利用不充分的問題。

29、作為本發(fā)明所述的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測系統(tǒng)的一種優(yōu)選方案，其中：包括數(shù)據(jù)構(gòu)建模塊，模態(tài)分解模塊，數(shù)據(jù)融合模塊；所述數(shù)據(jù)構(gòu)建模塊用于采用灰色關(guān)聯(lián)分析法提取相似日負荷，采用最大互信息系數(shù)法確定影響配網(wǎng)負荷的高關(guān)聯(lián)環(huán)境因素，構(gòu)造歷史數(shù)據(jù)集；所述模態(tài)分解模塊用于采用固有時間尺度分解方法將歷史數(shù)據(jù)集中配網(wǎng)負荷數(shù)據(jù)分解為不同頻率下的固有模態(tài)函數(shù)分量；所述數(shù)據(jù)融合模塊用于采用極值點劃分方法劃分低頻和高頻分量，采用復雜混合模型及單一雙向長短期記憶網(wǎng)絡模型分別對高頻及低頻分量進行預測，經(jīng)過結(jié)果的融合得到最終的負荷預測結(jié)果。

30、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序是實現(xiàn)相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的步驟。

31、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法的步驟。

32、本發(fā)明的有益效果：本發(fā)明提供的相似日與預測四步曲相結(jié)合的配網(wǎng)負荷預測方法采用固有時間尺度分解方法將配網(wǎng)負荷數(shù)據(jù)細分為不同頻率的固有模態(tài)函數(shù)分量，使模型能夠更精細地分析和預測負荷變化的不同成分，有助于識別和處理負荷數(shù)據(jù)中的短期和長期波動，增強了預測模型的適應性和準確度。通過極值點劃分，允許模型對不同頻率的數(shù)據(jù)分別處理，分層預測方法不僅提高了預測的精確度，還增強了模型對于不同數(shù)據(jù)特性的處理能力。本發(fā)明在精確度、適應性以及數(shù)據(jù)使用類型方面都取得更加良好的效果。