CN119419727A 基于人工智能的电力负荷预测与优化方法 （湖北虎跳网络技术有限公司）

开发区海伦堡君临长江一期F02-F03本发明公开了基于人工智能的电力负荷预类后的负荷模式输入深度神经网络进行多模式2S1，利用小波变换对历史电力负荷数据进行多S3，通过频率方向的共振强度与时间方向的模式相3根据后验概率分布，确定系统的共振风险级别；将后验概率大将后验概率未小于高风险阈值且大于或等于低风险阈值的负荷模式分类为中风险级将后验概率小于低风险阈值的模式分类为低风险级获取各负荷模式在不同频率范围内的共振强Transform,FT)得到频域信号X(f)，其中f表示频率；构建频率范围F为多个离散区间F=i的电力负荷信号，通过希尔伯特变换获得其对应的解析信号z(t)，解析信号定义为：z(t)=x(t)+j⃞x(t;其中，表示x(t)的希尔伯特变换，j为虚数单位；瞬时相位θ(t)通过解析信号的相位角来计算：(t)=arg(2(t))=arg(x(t)+j⃞x(r)l):θ4和θ25了电力负荷预测模型的精度，还大幅提升了电力系统在复杂环境中的运行稳定性和安全67[0028]将后验概率未小于高风险阈值且大于或等于低风险阈值的负荷模式分类为中风i,t)表示在频率区间fi给定的电力负荷信号，通过希尔伯特变换获得其对应的解析信号z(t)，解析信号定义为：z(t)=x(t)+j⃞x(t;其中，表示x(t)的希尔伯特变换，j为虚数单位；瞬时相位θ(t)通过解析信号的相位角来计算：θ(t)＝arg(z())=arg(r(t)+j溉z()l):θ和θ2k)分别为两个8c为时间[0051]2.通过在S2步骤中利用支持向量机(SVM共振风险评估和处理提供了精确的数据支撑，还提高了整体预测模型的鲁棒性和稳定性，最终增强了电力系统在面对非线性挑战时的响应能力和优[0052]3.步骤S3的有益效果在于通过频率方向的共振强度与时间方向的模式相位差异9同作用实现了对复杂非线性风险的综合评估，避免了单一分析维度可能带来的遗漏和误[0068]S1.3，将小波分解后的各频带信号作为输入，采用希尔伯特_黄变换(Hilbert_HuangTransform,HHT)对每个频带信号进行进一步分析。首先，应用经验模态分解(EmpiricalModeDecomposition,EMD)将信号分解为本征模态函数(IntrinsicMode通过对不同频率成分的瞬时特征进行归类与标准化处理，生成最终的多维特征向量矩阵，函数核(RadialBasisFunction,RBF)或多项式核(PolynomialKernel)等能够捕捉非线型能够准确识别负荷数据中的非线性模式。将预处理后的多维特征向量输入SVM模型进行到更高维的特征空间中，从而能够在新的空间中更容易地分离出不同的模式。具体而言，[0079]S2.4.将SVM识别出的非线性模式作为输入，进行自组织映射(Self_Organizing[0082]通过在S2步骤中利用支持向量机(SVM)进行非线性模式识别，并结合自组织映射终增强了电力系统在面对非线性挑战时的响应能力和优的共振因子R(fi)。共振因子反映了该频率区间内信号能量的聚集程度以及其对负荷模式t位同步指数(PhaseLockingValue,PLV)或相位同步差异量度(PhaseLagIndex,PLI)等取瞬时相位信息。对于给定的电力负荷信号，通过希尔伯特变换获得其对应的解析信号z(t)，解析信号定义为：z(t)=x(t)(t)=arg(z(t))=arg(x(t)+j⃞x(r)):θ(t)表示负荷信号在每一时刻的相位变指数(PhaseLockingValue,PLV)来衡量两个负荷模式x1(t和x2(t)算公式为：其中，对整体相位差异强度的影响。通过指数衰减函数e-olt-tel,使得靠近中心时间的相位差异度斯网络分析和负荷模式权重的动态调整提供了关的区间数和划分方法可以根据实际需求和数据分布合变量包含了该负荷模式在时间和频率两个方向上的动态特征，是贝叶斯网络的输入节模式组合的相位差异和共振强度后，利用贝叶斯[0122]步骤S3的有益效果在于通过频率方向的共振强度与时间方向的模式相位差异两作用实现了对复杂非线性风险的综合评估，避免了单一分析维度可能带来的遗漏和误判。升预测模型对复杂负荷变化的适应能力。进一步结合粒子群优化算法实时调整模式权重，不同模式之间的量纲差异，并通过特征选择方法筛选出对预测结果最具影响力的关键特别的模式进行多模式预测融合。训练过程中，设置多层网络结构，采用反向