本技术涉及一种短期电力负荷预测方法,采用MIC算法和LSTM-ITCN模型。首先对原始数据进行预处理,然后利用MIC算法优化特征,最后通过LSTM-ITCN模型进行预测,以提高预测准确性。
背景技术
电力负荷作为用电设备在一定时间内用电的总量,电力负荷预测不仅与电力历史负荷数据相关,还同时与社会、经济和气象等因素存在内在联系。短期电力负荷预测(STLF)更是指在保证一定精度的前提下,对未来一段时间内的电力负荷使用情况做准确、科学的预测,短期电力负荷预测(STLF)的主要目的就是提高电力调度的准确性和管理效率,缩小发电与需求之间的差距,减少电力损耗,提高电网系统的经济性、安全性和稳定性。伴随着环境污染和化石能源枯竭的紧迫,风能和太阳能等不同的可再生能源正被纳入电力系统中,但是由于可再生能源的不确定性极高,因此使得当前的电力系统比传统的要更为复杂,也是随着电力系统的越发复杂,实现精确可靠的短期电力负荷成为重大挑战。
最开始主要通过时间序列模型来预测短期电力负荷,例如线性回归、自回归移动平均模型和卡尔曼滤波等,但是由于模型结构太过简单,非线性映射能力差,无法准确预测电力负荷。伴随着近年来各种深度学习算法的出现和发展,当前的短期电力负荷主要通过深度学习方法进行预测,例如Kaur等人提出使用支持向量回归(SVR)和变分模态分解(VMD)来实现电动汽车充电负荷预测的应用。Sheng等人提出了一种基于改进的深度残差网络(DRN)和长短期记忆(LSTM)的神经网络框架,实验结果表明该框架提高了短期负荷预测精度。Zang等人提出使用长短期记忆神经网络(LSTM)和自我注意力机制(SAM)相结合的预测方法对居民住宅负荷进行预测,利用历史负荷数据和气象数据作为输入特征提高了预测精度。Massaoudi等人提出一种由光梯度助推机(LGBM)、极限梯度助推机和多层感知器(MLP)结合而成的短期负荷预测方法,仿真结果表明该方法预测精度较高,但耗时较长,计算负担较重。Huang等人提出将卷积神经网络(CNN)与负荷范围离散化相结合的短期负荷预测方法,结果表明该方法获得了更可靠、更清晰的负荷概率分布,有利于电力系统中的各种决策活动。Javed等人为了提高短期负荷预测精度,提出一种扩张因果卷积(SRDCC)网络和双向长短期记忆(BiLSTM)网络的短期负荷预测模型。Wan等人提出了一种结合CNN、LSTM和注意力机制的短期功率负荷预测方法,解决了输入时间序列数据过长导致的信息丢失问题。但是这些负荷预测方法的准确性通常有限,因此在许多情况下仅依赖于历史负荷数据,但是短期负荷预测的准确性不光与历史负荷数据相关还与气象特征、电价和日期特征都存在一定的联系,准确的分析各个特征之间的内在联系有助于提高短期负荷预测的精度,例如Wang等人提出使用时间卷积网络(TCN)和轻量级梯度提升机(LightGBM)相结合的预测方法对工业客户电力负荷进行预测,其中模型的输入考虑了历史负荷数据、气象数据和日期特征等因素,仿真结果表明该方法预测精度较高。Niu等人提出一种基于卷积神经网络-双向门控循环单元(CNN-BiGRU)模型的注意机制优化的短期能源负荷预测方法,该方法考虑了多种能源的影响,取得了优异的预测性能。Jahani等人为了充分提取计量和负载数据之间的相关性,提出了一种固定的混合序列模式挖掘-长短期记忆网络(SPM-LSTM)短期负荷预测方法,所提出的方法使用过去的消耗、温度、湿度和风速数据作为输入特征,提高了预测效率。Ma等人提出一种结合离散小波变换(DWT)、时间卷积网络(TCN)和基于粒子群优化的支持向量回归(PSO_SVR)的组合预测方法,对铁路牵引负荷进行了预测,并考虑了天气因素。Hua等人为了提高短期负荷预测的准确性,将温度、湿度和历史负荷数据考虑在内,提出一种基于并行卷积神经网络(CNN)和带有改进的残差神经网络(iResNet)的门控循环单元(GRU)的短期负荷预测方法,该方法虽然预测精度得到提升却增加了预测时间。
随着深度学习算法不断应用于负荷预测领域,短期负荷预测方法越来越多,然而这些预测方法大部分只考虑使用历史负荷数据或其他天气数据,却忽略了负荷数据与其他特征数据之间的相关性以及各个特征数据之间的相关性,没有深刻分析数据间的内在联系,使用特征数据或多或少,从而造成预测精度较差以及预测效率较低的问题。
实现思路