CN119419797A 一种工商业园区用电负荷功率预测方法 （南京宝能智慧能源有限公司）

本发明公开了一种工商业园区用电负荷功分量；利用长短时记忆网络构建趋势预测子模本发明通过多层次分解策略自适应分离功率数2对所述时序功率矩阵依次执行小波去噪处理和经验模态分解运算，分离构建长短时记忆网络，将所述功率趋势分量按时间窗口采用集成学习方法，将所述趋势预测子模型和波动预测将待预测时段的输入数据送入所述综合预测模型，基于历史预测率矩阵依次执行小波去噪处理和经验模态分解运算包执行小波分解运算，将时序功率矩阵通过小波基变换进行四层分解，根据所述噪声阈值对所述高频功率系数序列进行软阈值处理，将所述低频功率系数序列与所述降噪后的高频功率系数序列进行将所述本征模态函数组按频率特征划分为高频组和低频组，将构建长短时记忆网络，所述长短时记忆网络包将所述训练序列输入所述长短时记忆网络，通过门控机制和记忆态序列；将所述隐层状态序列通过全连接层映射得到预测输出，计算所采用Adam优化算法计算所述均方误差函数的梯度，迭代更新权重矩阵3对所述多维联合序列进行差分运算和季节性分解，消除周期性和基于所述ARIMA参数组设置模型结构参数，建立包含季节周期项和环境因素项的季节采用极大似然估计方法计算所述季节预测方程中的自回归系数、移动利用白噪声检验和赤池信息准则评估所述优化模型系数对平稳数据序列的拟合效果，将所述趋势预测子模型和波动预测子模型在验证数据集上分执行粒子群优化运算，对所述组合权重优化目标函数进行迭代执行加权组合运算，将所述趋势预测子模型和波动预测子模型预测误差设定自适应阈值并进行约束处理包计算历史功率数据中相邻采样点的功率变化选取高斯核函数构建核密度估计器，对所述功率变化序列执行密度拟获取综合预测模型输出的功率预测值序列，计算相邻时刻对每个超限点，计算功率差值与约束区间中心的偏离度列。48.如权利要求4所述的工商业园区用电负荷功率预测5[0002]工商业园区的用电负荷预测对于电力系统的规划运行和需求侧管理具有重要意[0005]因此，本发明所要解决的问题在于如何构建一种能够有效处理多建筑物混合场序功率矩阵依次执行小波去噪处理和经验模态分解运算包括以下步骤：执行小波分解运6通过全连接层映射得到预测输出，计算预测输出与实际功率趋势值之间的均方误差函数；数据序列；通过自相关函数和偏自相关函数分析平稳数据序列，得到ARIMA参数组；基于权组合运算，将趋势预测子模型和波动预测子模型按照最优组合权重向量进行加权组合，功率预测值序列。7短时记忆网络建模趋势分量，通过门控机制和优化策略提高了长期依赖关系的捕捉能力；再次采用改进的ARIMA模型对功率波动分量进行建模，引入环境因素和季节周期项增强了8频功率系数序列和高频功率系数序列。于提高信号分解的精确度。四层分解尺度的选择基于功率数据的采样频率和目标频段特率系数序列。9状态序列。c,=f*Gti,*c;捉长期依赖关系。[0053]具体而言，差分运算采用向前差分方法消除长期趋势；季节性分解基于X_12_误差表示为前q个时刻预测误差的线性组合，得到移动平均多项式；构造季节周期项表达趋势预测值序列和波动预测值序列。[0065]S5.2：计算趋势预测序列和波动预测序列与验证数据集中实际值的误差评估指指标与验证数据集均值的比值，得到归一化误差指标组；其次，获取波动预测值序列的使数据覆盖率达到95%时对应的标准差倍数作为置信区间系数，该方法既保证了约束区间列。ARIMA模型对功率波动分量进行建模，引入环境因素和季节周期项增强了模型对外部条件[0086]为验证本发明的有效性，选取某工业园区2023年1月至12月的用电负荷数据进行[0087]首先对原始数据进行预处理，通过园区能耗监测系统采集到的总样本量为35040方法计算得到的噪声阈值约为0.15，对高频系数进行软阈值处理后，信噪比由原来的[0089]在构建趋势预测子模型时，LSTM网络采用3层结构，每层包含128个神经元，5.8245.3198.6156.46.2267.8215.389.27.1289.4234.7102.83.