融合时序分解和机器学习模型的短期负荷预测方法、系统及存储介质

    公开(公告)号:CN118229119B

    公开(公告)日:2024-11-12

    申请号:CN202410644746.X

    申请日:2024-05-23

    摘要: 本发明提供一种融合时序分解和机器学习模型的短期负荷预测方法、系统及存储介质,利用STL分解出趋势、季节及残差分量,改善预测模型输入数据的性能,分别应用ARIMA、GRU和TimesNet模型对不同分量进行精准预测,通过全连接层得出预测结果,能够有效提高整体预测性能,增强模型的抗干扰能力,提高预测的精度。本发明采用了深度学习与机器学习结合弥补了传统方法的不足,ARIMA、GRU和TimesNet模型的综合应用进一步增强了负荷预测的准确度和鲁棒性,为负荷预测提供了新的视角和方法,推动了电力负荷预测技术的发展,为电力系统的规划和运行决策提供了更为科学精确的数据支持。

    一种电力负荷场景生成方法、系统、电子设备及存储介质

    公开(公告)号:CN118690193A

    公开(公告)日:2024-09-24

    申请号:CN202410709191.2

    申请日:2024-06-03

    摘要: 本发明公开了一种电力负荷场景生成方法、系统、电子设备及存储介质,包括:基于目标地区的电力负荷数据集,按照用电时间段将电力负荷数据集划分为高峰、平段、低谷三个时段,采用均匀分布归一化对各时段数据集进行归一化;基于归一化后的各时段数据集,通过马尔科夫算法构建初始状态概率矩阵及状态转移概率矩阵;对归一化后的各时段数据集,分别采用适配的扩散模型对各时段数据进行训练,通过扩散模型的逆向过程或前向过程,生成各时段的扩散数据集;基于生成的扩散数据集,结合各时段的气象参数与电力系统的净负荷占比信息,定义三个时段的极端状态与正常状态;基于定义的极端状态与正常状态,对扩散数据集进行划分,构建各时段数据采样群;基于构建的初始状态概率矩阵及状态转移概率矩阵生成连续场景状态,从各时段数据采样群中随机采样各状态数据并填充至连续场景状态中,最终构建出涵盖极端形态的电力负荷场景。本发明能够有效地生成多样的极端场景,为电力系统可能遇到的情景分析提供基础,减少实际操作中的试错成本。