[发明专利]电力负荷预测方法、装置、计算机可读存储介质及设备

说明书

本发明公开了一种电力负荷预测方法、装置、计算机可读存储介质及设备，本发明包括采集负荷数据以及与负荷指标相关的温度和降雨量这两个气象数据；将气象因素与负荷指标进行关联度分析，剔除关联度低的因素；利用变分模态分解算法对数据进行分解；建立广义回归神经网络模型；将分解后的数据代入广义回归神经网络模型进行预测，得到预测结果。本发明可以有效的去除噪声、提高负荷预测精度、降低建模任务量，从而验证了所提模型的可行性。

技术领域

本发明涉及电力负荷预测的技术领域，尤其涉及基于VMD-GRNN的电力负荷预测的技术领域。

背景技术

负荷预测是维持电网可靠、经济运行的重要工具。发电设施使用电力负荷预测技术来调度发电资源，以满足未来的负荷需求。因此，负荷预测的准确性是必不可少的。现有的短期电力负荷预测方法大多采用传统的预测方法，而随着人工智能技术的发展，人们对这些技术在负荷预测问题上的应用进行了研究，人工智能在负荷预测中的表现优于传统方法。

发明内容

本发明提供了一种基于VMD-GRNN的电力负荷预测方法，解决了背景技术中披露的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种电力负荷预测方法，包括，

步骤1：采集负荷数据以及与负荷指标相关的温度和降雨量这两个气象数据；

步骤2：采用关联度分析对采集到的两个气象数据进行分析，剔除关联度较低的因素；

步骤3：利用变分模态分解(variational mode decomposition，简称VMD)算法对数据进行分解；

步骤4：建立广义回归神经网络(Generalized Regression Neural Network，简称GRNN)模型；

步骤5：将分解后的数据代入GRNN模型进行预测，得到预测结果。

一种电力负荷预测装置，包括：

采集模块：采集负荷数据、温度数据和降雨量；

关联度模块：对温度数据、降雨量与负荷数据进行关联度分析；

分解模块：利用变分模态分解(VMD)算法对数据进行分解；

建模模块：建立广义回归神经网络(GRNN)模型；

预测模块：将降维后的预测样本带入建立好的GRNN模型，获得预测结果。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行短期电力负荷预测方法。

一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行短期电力负荷预测方法的指令。

本发明所达到的有益效果：本发明基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、分解，最后利用GRNN模型进行预测，大大增强了预测的准确性。

附图说明

图1为本发明的流程图。

图2为广义回归神经网络GRNN的结构示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的基于VMD-GRNN的电力负荷预测方法，包括以下步骤：