龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：郑州轻工业大学;国网河南省电力公司南阳供电公司
摘要：本发明提出了一种基于PCC提取负荷周期特征与时变趋势特征的精准短期负荷预测方法，首先依据PCC的关联程度提取负荷周期特征变量，接着依据负荷数据的时序变化趋势，构建负荷时变趋势模型并提取负荷时变趋势特征变量，最后重构特征集，使用CNN‑LSTM混合预测模型进行预测，实现对未来短期电力负荷数据的预测。利用本发明所提出的短期负荷预测方法，可以降低预测过程中数据冗余对预测模型的影响，丰富预测模型的输入，并大幅提高了预测模型的预测精度，预测效果更好、精度更高，且具有普适性。
主权项：1.一种基于PCC提取负荷周期特征与时变趋势特征的精准短期负荷预测方法，其特征在于，包括以下步骤：步骤1：对包含有历史负荷数据、历史气象数据和日期数据的数据集中的历史负荷数据组成的时间序列数据设置滑动窗口，获得包含当前时刻负荷及历史负荷的负荷数据矩阵；步骤2：使用PCC计算公式计算步骤1创建的负荷数据矩阵中当前时刻负荷与历史负荷之间的皮尔逊相关系数，选择出皮尔逊相关系数大于阈值的矩阵列元素；步骤3：在皮尔逊相关系数大于阈值矩阵列元素中，选择出是单独的时刻点或连续的时刻点的历史负荷数据变量作为负荷周期特征变量；步骤4：从负荷周期特征变量中连续的W个负荷周期特征变量中提取W-1个负荷时变趋势特征变量，用W-1个负荷时变趋势特征变量替代W个连续的负荷周期特征变量中除处于中间位置的负荷周期特征变量；步骤5：将步骤4获得的负荷时变趋势特征变量、步骤3获得的负荷周期特征变量中未被替代的负荷周期特征变量、数据集中的历史气象数据和日期数据重构成新的特征集；步骤6：对新的特征集中的数据和数据集中的历史负荷数据进行归一化处理；步骤7：将归一化处理后的数据输入到CNN-LSTM混合预测模型中，输出预测的未来负荷。
全文数据：
权利要求：
百度查询： 郑州轻工业大学 国网河南省电力公司南阳供电公司 一种基于PCC提取负荷周期特征与时变趋势特征的精准短期负荷预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号