一种多阶段的校园电力短期负荷预测方法

技术领域

本发明涉及电力负荷预测的技术领域，具体涉及一种多阶段的校园电力短期负荷预测模型建立方法。

背景技术

校园是具有教学、科研、办公和生活等多功能的综合体，人口密度大和建筑能耗高是其两大显著特点。有效的智慧校园短期负荷预测方法对电力公司和校园用户都具有重要的社会价值和经济价值。从电力公司角度，不仅可以更好的了解智慧校园场景下用户的用电习惯，进而更好的管理电网系统，确保供需平衡，辅助管理部门进行生产与检修规划以及发电机组的调配，而且可以提高电网的稳定性，提高经济效益及一次能源的浪费。从校园用户角度，可以为校内人员学习、工作、生活提供保障，提高用户的环保意识，规范用电行为等。

组合预测方法将传统模型的方法与机器学习的方法有机组合，分别吸收单一方法的优点达到提高电力负荷预测精度的目的。组合预测方法根据不同预测方法对预测结果的影响权重不同将多种方法进行综合，主要分为加权平均组合预测法与拟合度最佳组合预测法两类。组合预测法可以吸收各个预测模型的优点，有效提高预测精度。

发明内容

提出一种将聚类算法，数据预处理技术，群智能优化算法以及机器学习算法相结合起来的一种多阶段的组合电力短期负荷预测方法。该模型第一阶段先采用KPCA将原始多维数据处理至低维空间并确定最佳簇集k值，利用SSA的全局寻优能力确定初始聚类质心。改进后的KMEANS聚类算法将高校的校园用电场景分成数个典型场景。第二阶段采用分解效率较高的改进的VMD技术(IVMD)能合理的确定出K值，并对数据进行预处理。第三阶段对聚类与预处理后的多个典型场景电力负荷数据利用分散熵重组后输入到LSTM模型中，从而建立各自的IVMD-DE-LSTM预测模型。最后累计所有模型的预测值，来完成对未来时间序列预测。提出改进的聚类算法的校园典型场景分析步骤如下：

步骤1.输入用电数据。

步骤2.原始数据预处理。

步骤3.建立校园场景用电数据多维特征集。

步骤4.确定校园用电场景簇集数。将步骤3建立的多维校园场景用电数据特征集映射至可视化的低维特征空间并将各用电场景之间的特征关系描绘在低维特征空间中。根据特征关系分布情况确定校园典型用电场景簇集数。

步骤5.确定初始最优聚类中心C

步骤6.校园典型用电场景聚类分析。利用步骤4中确定的k个校园典型用电场景簇集数作为KPCA-SSA-KMEANS算法的最佳簇集数k及步骤5中确定的初始最优聚类中心C

提出改进的VMD技术(IVMD)的步骤如下：

步骤1.首先确定惩罚因子α，设定模态K的取值范围，K的取值范围设定为[2,20],初始值为2，对原始信号进行变分模态分解，再通过计算确定每一次分解所得本征模态分量(IMF)的相对熵，获得相对熵最小值时所对应的K的最优解。

步骤2.根据得到的最优解的K值，确定惩罚因子α的最优解。设定α的范围为[100,2000],步长50。再寻找最小相对熵所对应的α的值，是为最优α值。此时得到的K,α都是最优的。

附图说明

为了让读者更清晰地了解本专利实施地方案，下面将对本专利具体实施方式中的附图作简单介绍：

图1为多阶段的校园电力模型预测流程图。

具体实施方式

一种多阶段的校园电力短期负荷预测方法步骤如下，流程图见图1。

步骤1数据预处理。对缺失值进行前后均值补全，划分训练集、测试集、验证集。

步骤2对各场景的电力负荷数据进行聚类分析。使用KPCA-SSA-KMEANS算法聚类分析高校电力负荷数据，获取k个典型用电场景。

步骤3负荷信号分解。对训练集进行初次IVMD分解，将得到的IMF与原负荷信号减去所有IMF生成的残差序列进行0-1归一化处理。

步骤4序列合并。将步骤3得到的IMF与残差序列用分散熵(DE)进行复杂度分析，将复杂度接近的子序列合并重组。

步骤5构建各校园典型场景对应的IVMD-DE-LSTM子模型。使用先验知识设置子模型超参数，连接各子模型的输出索引得到各自的集成模型。

步骤6合并步骤5中各校园典型场景的预测值并作为总预测值输出。