[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115952928A - 一种短期电力负荷预测方法、装置、设备及存储介质 - Google Patents

一种短期电力负荷预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115952928A
CN115952928A CN202310232224.4A CN202310232224A CN115952928A CN 115952928 A CN115952928 A CN 115952928A CN 202310232224 A CN202310232224 A CN 202310232224A CN 115952928 A CN115952928 A CN 115952928A
Authority
CN
China
Prior art keywords
load
vector
characteristic
feature
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310232224.4A
Other languages
English (en)
Other versions
CN115952928B (zh
Inventor
郑伟钦
何胜红
唐鹤
区伟潮
金向朝
谭家勇
郭修杰
马欣
钟炜
倪非非
陈志平
罗孝隆
张勇
张哲铭
王俊波
叶小刚
黄家良
冯镇生
陈泽鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202310232224.4A priority Critical patent/CN115952928B/zh
Publication of CN115952928A publication Critical patent/CN115952928A/zh
Application granted granted Critical
Publication of CN115952928B publication Critical patent/CN115952928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种短期电力负荷预测方法、装置、设备及存储介质，方法包括：通过GRU编码器对负荷时间序列进行编码分析，得初始特征矩阵；基于多种负荷标签信息对初始特征矩阵进行特征分析，得第一负荷特征向量；根据初始特征矩阵和第一负荷特征向量进行特征形态计算并得到第一残差特征向量，对第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量；基于第二负荷特征向量的获取方法进行负荷个性特征分析，得第三负荷特征向量；根据聚合后的负荷特征向量预测出短期负荷预测结果。因此，本申请能解决现有技术难以兼顾负荷时间序列的多尺度、多角度和非线性的特征分析，导致负荷预测结果缺乏准确性和可靠性的技术问题。

Description

一种短期电力负荷预测方法、装置、设备及存储介质
技术领域
本申请涉及负荷预测技术领域，尤其涉及一种短期电力负荷预测方法、装置、设备及存储介质。
背景技术
短期电力负荷预测有助于维持发电端和用电端的动态平衡，可以为智能电网的综合调度提供可靠依据，从而保障电力系统稳定且高效地运行。随着系统的优化、用户不断增加的电量需求以及新能源行业的发展，电力负荷数据也呈现出不同特点，单一的负荷预测方法往往无法充分提取这些特点并加以预测。
传统的短期电力负荷预测方法主要包含统计方法和机器学习方法。机器学习作为人工智能技术的核心，能够使计算机具有模拟人类学习新事物的能力，并在积累经验中不断改善自身性能。但传统机器学习算法对实际复杂问题的泛化能力不足，应用效果主要取决于数据特征本身的表达能力。以深度学习(deep learning，DL)为代表的新一代人工智能技术迅速发展。
但是，现有的基于深度学习的负荷预测方法并未考虑负荷时间序列在多种尺度下的负荷特征形态，不能捕获负荷时间序列的外在相关性；此外，还不能同时从局部和全局的角度进行特征分析；而且，大多数技术都是考虑负荷时间序列的线性关系，并没有描述出负荷时间序列的非线性和不确定性，还不能对长时间的负荷时间序列进行特征提取。以上这些问题导致实际的短期负荷预测效果较差，无法满足实际的负荷发展需求。
发明内容
本申请提供了一种短期电力负荷预测方法、装置、设备及存储介质，用于解决现有技术难以兼顾负荷时间序列的多尺度、多角度和非线性的特征分析，导致负荷预测结果缺乏准确性和可靠性的技术问题。
有鉴于此，本申请第一方面提供了一种短期电力负荷预测方法，包括：
通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵；
基于多种负荷标签信息对所述初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量；
在根据所述初始特征矩阵和所述第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对所述第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量；
在根据所述第一残差特征向量和所述第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对所述第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量；
依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量；
将所述聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
优选地，所述在根据所述初始特征矩阵和所述第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对所述第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量，包括：
基于预设记忆力机制，根据所述第一负荷特征向量和第一历史特征形态信息进行特征形态计算，得到第一特征形态向量；
将所述初始特征矩阵中的向量与所述第一特征形态向量作差，得到第一残差特征向量；
对所述第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量。
优选地，所述在根据所述第一残差特征向量和所述第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对所述第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量，包括：
基于预设记忆力机制，根据所述第二负荷特征向量和第二历史特征形态信息进行特征形态计算，得到第二特征形态向量；
将所述第一残差特征向量与所述第二特征形态向量作差，得到第二残差特征向量；
对所述第二残差特征向量进行负荷个性特征分析，得第三负荷特征向量。
优选地，所述依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量，之前还包括：
采用预设全连接网络分别对所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征预测操作，得到第一预测向量、第二预测向量和第三预测向量；
所述依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量，包括：
依据所述第一预测向量、所述第二预测向量和所述第三预测向量进行特征聚合操作，得到聚合特征向量。
本申请第二方面提供了一种短期电力负荷预测装置，包括：
特征编码单元，用于通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵；
标签分析单元，用于基于多种负荷标签信息对所述初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量；
潜在分析单元，用于在根据所述初始特征矩阵和所述第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对所述第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量；
个性分析单元，用于在根据所述第一残差特征向量和所述第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对所述第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量；
特征聚合单元，用于依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量；
负荷预测单元，用于将所述聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
优选地，所述潜在分析单元，具体用于：
基于预设记忆力机制，根据所述第一负荷特征向量和第一历史特征形态信息进行特征形态计算，得到第一特征形态向量；
将所述初始特征矩阵中的向量与所述第一特征形态向量作差，得到第一残差特征向量；
对所述第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量。
优选地，所述个性分析单元，具体用于：
基于预设记忆力机制，根据所述第二负荷特征向量和第二历史特征形态信息进行特征形态计算，得到第二特征形态向量；
将所述第一残差特征向量与所述第二特征形态向量作差，得到第二残差特征向量；
对所述第二残差特征向量进行负荷个性特征分析，得第三负荷特征向量。
优选地，还包括：
特征预测单元，用于采用预设全连接网络分别对所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征预测操作，得到第一预测向量、第二预测向量和第三预测向量；
所述特征聚合单元，具体用于：
依据所述第一预测向量、所述第二预测向量和所述第三预测向量进行特征聚合操作，得到聚合特征向量。
本申请第三方面提供了一种短期电力负荷预测设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的短期电力负荷预测方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的短期电力负荷预测方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种短期电力负荷预测方法，包括：通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵；基于多种负荷标签信息对初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量；在根据初始特征矩阵和第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量；在根据第一残差特征向量和第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量；依据第一负荷特征向量、第二负荷特征向量和第三负荷特征向量进行特征聚合操作，得到聚合特征向量；将聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
本申请提供的短期电力负荷预测方法，通过残差网络对负荷时间序列进行多尺度的特征分析，例如标签变量分析、潜在特征分析和个性特征分析；加上输入的是多种不同的负荷时间序列，所以能够满足当前负荷发展的复杂性；此外，增设的特征形态计算过程使得负荷特征能够以残差块的输出形式进行多维度的特征聚合，既能够满足局部特征提取需求，也能够保障全局特征提取效果；而且，通过改进的双层残差网络进行负荷特征分析能够捕获负荷时间序列的非线性特性，可以提高负荷预测结果的准确性和可靠性。因此，本申请能够解决现有技术难以兼顾负荷时间序列的多尺度、多角度和非线性的特征分析，导致负荷预测结果缺乏准确性和可靠性的技术问题。
附图说明
图1为本申请实施例提供的一种短期电力负荷预测方法的流程示意图；
图2为本申请实施例提供的一种短期电力负荷预测装置的结构示意图；
图3为本申请实施例提供的GRU编码器的GRU内部结构示意图；
图4为本申请实施例提供的双层残差神经网络结构示意图；
图5为本申请应用例提供的负荷预测模型框架示例图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种短期电力负荷预测方法的实施例，包括：
步骤101、通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵。
输入网络的多种不同的负荷时间序列可以是多种维度的序列，例如时间t时刻，在特定气象情况、特点电费、特定节假日、特定工作日的负荷序列。本实施例中的GRU编码器主要用于提取负荷时间序列空间的暂态信息，并对负荷特征变量进行降维处理。
请参阅图3，本实施例的GRU编码器由2层门控循环神经网络构成。
Figure SMS_1
为
Figure SMS_2
时刻的状态；
Figure SMS_3
和
Figure SMS_4
分别为当前时刻GRU模块的输入和输出；
Figure SMS_5
和
Figure SMS_6
为GRU模块的重置门和更新门，每一个门都是一个简单的神经网络，为了使每个门的输出限制在0~1之间，神经网络的激活函数采用sigmoid函数；
Figure SMS_7
为经过重置门处理后的输出候选值，GRU结构表达如下：
Figure SMS_8
；
Figure SMS_9
；
Figure SMS_10
；
Figure SMS_11
；
其中，
Figure SMS_13
和
Figure SMS_15
为重置门中的权值；
Figure SMS_16
和
Figure SMS_18
为更新门中的权值；
Figure SMS_19
和
Figure SMS_20
为求取输出候选值
Figure SMS_21
过程的权值；运算符号“
Figure SMS_12
”表示数组元素的点乘运算。
Figure SMS_14
和
Figure SMS_17
均为激活函数，其计算公式分别为：
Figure SMS_22
；
本实施例利用双层GRU神经网络结构对负荷时间序列进行编码后，同时进行降维，即可得到初始特征矩阵：
Figure SMS_23
；
式中，
Figure SMS_24
且
Figure SMS_25
为经过编码器变换后的负荷特征变量，
Figure SMS_26
为GRU神经网络结构的函数表达式。所有负荷特征经过编码器特征提取后形成的特征矩阵为
Figure SMS_27
。
步骤102、基于多种负荷标签信息对初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量。
初始特征矩阵
Figure SMS_28
输入用于负荷信息标签特征分析的网络层，输出第一负荷特征向量表达为
Figure SMS_29
。本实施例中的负荷信息标签变量
Figure SMS_30
包括预测时刻的气象信息、电费价格、预测日是否为节假日、是否为工作日等信息，还可以根据需求配置其他标签信息，在此不作限定。
请参阅图4，用于负荷信息标签特征分析的网络层的网络结构是残差神经年网络结构，理论上包括4个全连接层，且4个全连接层的输入和输出可以表达为：
Figure SMS_31
；
其中的数字标号以此对应4个全连接层，即以前一层的输出作为下一层的输入，
Figure SMS_32
为全连接层的计算函数；该网络层还包括两个输出，一个前向输出，一个后向输出，前向系数和后向系数可以通过计算公式分别表达为：
Figure SMS_33
；
Figure SMS_34
；
前向输出和后向输出可以表达为：
Figure SMS_35
；
Figure SMS_36
；
最后，用于负荷信息标签特征分析的残差网络层输出表达为：
Figure SMS_37
；
Figure SMS_38
；
上式中，
Figure SMS_39
为网络层，
Figure SMS_40
为网络层中的线性函数，
Figure SMS_41
为输出前的网络层函数。
本实施例将初始特征矩阵输入上述残差网络层后，实际的计算过程表达为：
Figure SMS_42
；
其中，
Figure SMS_43
为t时刻第j个负荷对应的标签变量经过特征提取后的输出；
Figure SMS_44
表示与标签
Figure SMS_45
相关的负荷时间序列；
Figure SMS_46
为权值矩阵，利用每种负荷时间序列的重要性来计算权值，具体过程表达为：
Figure SMS_47
；
其中，
Figure SMS_48
表示
Figure SMS_49
时刻第i个负荷值的大小。
为了更好反映负荷时间序列与信息标签的强关联性，本实施例在网络层中通过余弦函数计算两个特征向量的相关性：
Figure SMS_50
；
Figure SMS_51
；
Figure SMS_52
；
其中，
Figure SMS_53
和
Figure SMS_54
为神经网络的参数，
Figure SMS_55
为激活函数：
Figure SMS_56
；
为了便于后续的特征统一描述和分析，将最后输出的第一负荷特征向量
Figure SMS_57
表达为
Figure SMS_58
。
步骤103、在根据初始特征矩阵和第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量。
进一步地，步骤103，包括：
基于预设记忆力机制，根据第一负荷特征向量和第一历史特征形态信息进行特征形态计算，得到第一特征形态向量；
将初始特征矩阵中的向量与第一特征形态向量作差，得到第一残差特征向量；
对第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量。
本实施例中的预设记忆力机制是指在网络层中预先存储负荷的历史特征形态信息，使得该网络层的计算过程基于负荷的历史特征形态信息，这样可以指导多时间尺度下的负荷特征提取，避免将外部干扰数据引入模型。而且预先留存的历史特征形态信息并不是一成不变的参数，是基于一定的计算机制进行更新的变化参数。
根据第一负荷特征向量和第一历史特征形态信息进行特征形态计算的过程包括：首先，通过两种信息之间的相关系数向量描述二者之间的相关程度，具体表达为：
Figure SMS_59
；
其中，
Figure SMS_60
为相关系数，
Figure SMS_61
为历史特征形态信息，
Figure SMS_62
为负荷特征向量，当
Figure SMS_63
时，计算的即为第一负荷特征向量和第一历史特征形态信息之间的相关系数。
为了确保模型的泛化能力，对相关系数向量进行标准化：
Figure SMS_64
；
其中
Figure SMS_65
表示存储器内存条的编号，
Figure SMS_66
，
Figure SMS_67
为
Figure SMS_68
标准化后的结果。
那么第一特征形态向量
Figure SMS_69
，其中，
Figure SMS_70
，可以表达为：
Figure SMS_71
；
由于历史特征形态信息是需要不断更新的，所以本实施例提供了具体的更新过程，上述相关系数计算公式可以成为更新的依据，首先需要对标准化后的结果
Figure SMS_72
进行标准化处理：
Figure SMS_73
；
对于每种时间序列负荷数据
Figure SMS_74
，定义求和算子
Figure SMS_75
，并进行降序排序
Figure SMS_76
，选取
Figure SMS_77
个最大的求和算子所对应的负荷特征对内存条信息进行更新，更新过程表达为：
Figure SMS_78
；
其中，
Figure SMS_79
表示2范数标准化，
Figure SMS_80
。可以理解的是，历史特征形态信息的更新可以对负荷特征进行筛选，对长时间尺度下且具有强相关性的负荷特征保留下来，可以有效的对负荷特征进行过滤，将干扰信息剔除，确保模型的稳定性和可靠性。
将初始特征矩阵中的向量与第一特征形态向量作差的过程表达为：
Figure SMS_81
；
其中，
Figure SMS_82
为初始特征矩阵，
Figure SMS_83
为第一特征形态向量，
Figure SMS_84
为第一残差特征向量。
与负荷信息标签变量的特征分析过程相同，本实施例的负荷潜力特征分析同样需要采用余弦函数计算两个特征向量的相关性：
Figure SMS_85
；
利用激活函数LeakyReLU进行特征变换的过程为：
Figure SMS_86
；
其中，
Figure SMS_87
为修正后的负荷特征变量，也是对第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量
Figure SMS_88
，
Figure SMS_89
和
Figure SMS_90
为神经网络的参数；具体特征分析过程可以参考上文的标签特征分析过程，在此不再赘述。
步骤104、在根据第一残差特征向量和第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量。
进一步地，步骤104，包括：
基于预设记忆力机制，根据第二负荷特征向量和第二历史特征形态信息进行特征形态计算，得到第二特征形态向量；
将第一残差特征向量与第二特征形态向量作差，得到第二残差特征向量；
对第二残差特征向量进行负荷个性特征分析，得第三负荷特征向量。
本实施例中的第二特征形态向量
Figure SMS_91
与第二残差特征向量
Figure SMS_92
的计算方法与上文中的第一特征形态向量
Figure SMS_93
和第一残差特征向量
Figure SMS_94
的计算方法一致，在此不作赘述，加上对第二残差特征向量进行负荷个性特征分析的过程，具提可以表述为：
Figure SMS_95
；
Figure SMS_96
；
其中，
Figure SMS_97
，得到的第三负荷特征向量为
Figure SMS_98
。
步骤105、依据第一负荷特征向量、第二负荷特征向量和第三负荷特征向量进行特征聚合操作，得到聚合特征向量。
进一步地，步骤105，之前还包括：
采用预设全连接网络分别对第一负荷特征向量、第二负荷特征向量和第三负荷特征向量进行特征预测操作，得到第一预测向量、第二预测向量和第三预测向量；
依据第一负荷特征向量、第二负荷特征向量和第三负荷特征向量进行特征聚合操作，得到聚合特征向量，包括：
依据第一预测向量、第二预测向量和第三预测向量进行特征聚合操作，得到聚合特征向量。
第一负荷特征向量
Figure SMS_99
、第二负荷特征向量
Figure SMS_100
和第三负荷特征向量
Figure SMS_101
进行特征聚合操作可以得到聚合特征向量，在此之前，采用预设全连接网络处理负荷特征向量，得到预测向量的过程可以表达为：
Figure SMS_102
；
其中，
Figure SMS_103
和
Figure SMS_104
为全连接网络参数，三个负荷特征向量对应
Figure SMS_105
分别取值1，2和3。
整合三个处理后的预测向量，得到聚合特征向量的过程为：
Figure SMS_106
；
其中，
Figure SMS_107
为
Figure SMS_108
时刻第
Figure SMS_109
个负荷的聚合特征向量，
Figure SMS_110
和
Figure SMS_111
为全连接网络参数。
步骤106、将聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
负荷预测过程可以根据目标函数实现：
Figure SMS_112
；
其中，
Figure SMS_113
为负荷数据包含的时刻；
Figure SMS_114
和
Figure SMS_115
分别表示负荷的实际和预测值。
Figure SMS_116
表示均方根误差。
为了便于理解，本申请基于上述方法提供一种短期负荷预测框架，请参阅图5，该负荷预测框架包括负荷特征编码器、负荷全局特征聚合模块、负荷局部特征聚合模块、全连接网络模块以及负荷预测模块。假设
Figure SMS_118
表示
Figure SMS_119
时刻
Figure SMS_122
种不同的负荷时间序列，
Figure SMS_124
为
Figure SMS_125
时刻电力负荷的实际值，
Figure SMS_126
为
Figure SMS_127
时刻电力负荷预测结果。负荷信息标签变量
Figure SMS_117
包括预测时刻的气象信息、电费价格、预测日是否为节假日、是否为工作日等。利用负荷预测模型建立输入特征变量
Figure SMS_120
、负荷信息标签变量
Figure SMS_121
和预测值
Figure SMS_123
的映射关系如下：
Figure SMS_128
；
其中，
Figure SMS_129
表示负荷模型的映射关系，
Figure SMS_130
为预测模型的参数。
负荷局部特征聚合是由负荷信息标签模块、负荷潜在特征模块和负荷个性特征模块构成，其作用是结合负荷的不同信息来提取负荷数据的特征形态。负荷信息标签模块、负荷潜在特征模块和负荷个性特征模块均采用双层层残差神经网络结构，如图4所示。为了方便描述，采用
Figure SMS_131
表示三种不同的模块，对于
Figure SMS_132
时刻的负荷时间序列
Figure SMS_133
，初始负荷特征变量
Figure SMS_134
利用模块
Figure SMS_135
进行特征提取后，模块的输出特征变量为
Figure SMS_136
。
为了验证本方法的有效性，选取某地区的电力负荷数据进行负荷预测，同时，预测结果将与门控神经网络（GRU）、长短时记忆神经网络（LSTM）进行对比。为了定性地评价预测模型的性能，采用平均绝对百分误差(Mean Absolute Percentage Error，MAPE)、平均绝对误差(Mean Absolute error，MAE)作为预测模型的性能评价指标，其计算方式为：
Figure SMS_137
；
Figure SMS_138
；
其中，
Figure SMS_139
和
Figure SMS_140
分别表示负荷的实际和预测值，N为总的时刻。预测结果对比如表1。
表 1 不同方法的负荷预测结果对比
Figure SMS_141
由表1可知，本申请的方案MAPE和MAE指标值均小于其他两种方法，能够证明本申请的技术方案的优越性。
本申请实施例提供的短期电力负荷预测方法，通过残差网络对负荷时间序列进行多尺度的特征分析，例如标签变量分析、潜在特征分析和个性特征分析；加上输入的是多种不同的负荷时间序列，所以能够满足当前负荷发展的复杂性；此外，增设的特征形态计算过程使得负荷特征能够以残差块的输出形式进行多维度的特征聚合，既能够满足局部特征提取需求，也能够保障全局特征提取效果；而且，通过改进的双层残差网络进行负荷特征分析能够捕获负荷时间序列的非线性特性，可以提高负荷预测结果的准确性和可靠性。因此，本申请实施例能解决现有技术难以兼顾负荷时间序列的多尺度、多角度和非线性的特征分析，导致负荷预测结果缺乏准确性和可靠性的技术问题。
为了便于理解，请参阅图2，本申请提供了一种短期电力负荷预测装置的实施例，包括：
特征编码单元201，用于通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵；
标签分析单元202，用于基于多种负荷标签信息对初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量；
潜在分析单元203，用于在根据初始特征矩阵和第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量；
个性分析单元204，用于在根据第一残差特征向量和第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量；
特征聚合单元205，用于依据第一负荷特征向量、第二负荷特征向量和第三负荷特征向量进行特征聚合操作，得到聚合特征向量；
负荷预测单元206，用于将聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
进一步地，潜在分析单元203，具体用于：
基于预设记忆力机制，根据第一负荷特征向量和第一历史特征形态信息进行特征形态计算，得到第一特征形态向量；
将初始特征矩阵中的向量与第一特征形态向量作差，得到第一残差特征向量；
对第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量。
进一步地，个性分析单元204，具体用于：
基于预设记忆力机制，根据第二负荷特征向量和第二历史特征形态信息进行特征形态计算，得到第二特征形态向量；
将第一残差特征向量与第二特征形态向量作差，得到第二残差特征向量；
对第二残差特征向量进行负荷个性特征分析，得第三负荷特征向量。
进一步地，还包括：
特征预测单元207，用于采用预设全连接网络分别对第一负荷特征向量、第二负荷特征向量和第三负荷特征向量进行特征预测操作，得到第一预测向量、第二预测向量和第三预测向量；
特征聚合单元205，具体用于：
依据第一预测向量、第二预测向量和第三预测向量进行特征聚合操作，得到聚合特征向量。
本申请还提供了一种短期电力负荷预测设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行上述方法实施例中的短期电力负荷预测方法。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的短期电力负荷预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种短期电力负荷预测方法，其特征在于，包括：
通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵；
基于多种负荷标签信息对所述初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量；
在根据所述初始特征矩阵和所述第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对所述第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量；
在根据所述第一残差特征向量和所述第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对所述第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量；
依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量；
将所述聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
2.根据权利要求1所述的短期电力负荷预测方法，其特征在于，所述在根据所述初始特征矩阵和所述第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对所述第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量，包括：
基于预设记忆力机制，根据所述第一负荷特征向量和第一历史特征形态信息进行特征形态计算，得到第一特征形态向量；
将所述初始特征矩阵中的向量与所述第一特征形态向量作差，得到第一残差特征向量；
对所述第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量。
3.根据权利要求1所述的短期电力负荷预测方法，其特征在于，所述在根据所述第一残差特征向量和所述第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对所述第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量，包括：
基于预设记忆力机制，根据所述第二负荷特征向量和第二历史特征形态信息进行特征形态计算，得到第二特征形态向量；
将所述第一残差特征向量与所述第二特征形态向量作差，得到第二残差特征向量；
对所述第二残差特征向量进行负荷个性特征分析，得第三负荷特征向量。
4.根据权利要求1所述的短期电力负荷预测方法，其特征在于，所述依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量，之前还包括：
采用预设全连接网络分别对所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征预测操作，得到第一预测向量、第二预测向量和第三预测向量；
所述依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量，包括：
依据所述第一预测向量、所述第二预测向量和所述第三预测向量进行特征聚合操作，得到聚合特征向量。
5.一种短期电力负荷预测装置，其特征在于，包括：
特征编码单元，用于通过GRU编码器对多种不同的负荷时间序列进行暂态编码分析，得到初始特征矩阵；
标签分析单元，用于基于多种负荷标签信息对所述初始特征矩阵中的负荷信息标签变量进行特征分析，得到第一负荷特征向量；
潜在分析单元，用于在根据所述初始特征矩阵和所述第一负荷特征向量进行特征形态计算并得到第一残差特征向量后，对所述第一残差特征向量进行负荷潜在特征分析，得到第二负荷特征向量；
个性分析单元，用于在根据所述第一残差特征向量和所述第二负荷特征向量进行特征形态计算并得到第二残差特征向量后，对所述第二残差特征向量进行负荷个性特征分析，得到第三负荷特征向量；
特征聚合单元，用于依据所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征聚合操作，得到聚合特征向量；
负荷预测单元，用于将所述聚合特征向量输入负荷预测网络层进行负荷预测操作，得到短期负荷预测结果。
6.根据权利要求5所述的短期电力负荷预测装置，其特征在于，所述潜在分析单元，具体用于：
基于预设记忆力机制，根据所述第一负荷特征向量和第一历史特征形态信息进行特征形态计算，得到第一特征形态向量；
将所述初始特征矩阵中的向量与所述第一特征形态向量作差，得到第一残差特征向量；
对所述第一残差特征向量进行负荷潜在特征分析，得第二负荷特征向量。
7.根据权利要求5所述的短期电力负荷预测装置，其特征在于，所述个性分析单元，具体用于：
基于预设记忆力机制，根据所述第二负荷特征向量和第二历史特征形态信息进行特征形态计算，得到第二特征形态向量；
将所述第一残差特征向量与所述第二特征形态向量作差，得到第二残差特征向量；
对所述第二残差特征向量进行负荷个性特征分析，得第三负荷特征向量。
8.根据权利要求5所述的短期电力负荷预测装置，其特征在于，还包括：
特征预测单元，用于采用预设全连接网络分别对所述第一负荷特征向量、所述第二负荷特征向量和所述第三负荷特征向量进行特征预测操作，得到第一预测向量、第二预测向量和第三预测向量；
所述特征聚合单元，具体用于：
依据所述第一预测向量、所述第二预测向量和所述第三预测向量进行特征聚合操作，得到聚合特征向量。
9.一种短期电力负荷预测设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的短期电力负荷预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的短期电力负荷预测方法。
CN202310232224.4A 2023-03-13 2023-03-13 一种短期电力负荷预测方法、装置、设备及存储介质 Active CN115952928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310232224.4A CN115952928B (zh) 2023-03-13 2023-03-13 一种短期电力负荷预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310232224.4A CN115952928B (zh) 2023-03-13 2023-03-13 一种短期电力负荷预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115952928A true CN115952928A (zh) 2023-04-11
CN115952928B CN115952928B (zh) 2023-06-02

Family

ID=85896296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310232224.4A Active CN115952928B (zh) 2023-03-13 2023-03-13 一种短期电力负荷预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115952928B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117175595A (zh) * 2023-10-27 2023-12-05 国网浙江省电力有限公司宁波供电公司 一种基于多级数据的电网调控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN114511159A (zh) * 2022-04-20 2022-05-17 广东电网有限责任公司佛山供电局 基于条件变分自编码器的电力负荷概率预测方法和系统
CN114548532A (zh) * 2022-02-09 2022-05-27 华南师范大学 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备
CN115169746A (zh) * 2022-08-15 2022-10-11 华润数字科技有限公司 基于融合模型的电力负荷短期预测方法、装置及相关介质
CN115660161A (zh) * 2022-10-18 2023-01-31 三峡大学 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法
CN115758249A (zh) * 2022-11-24 2023-03-07 国网江苏省电力有限公司信息通信分公司 一种非侵入负荷辨识方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN114548532A (zh) * 2022-02-09 2022-05-27 华南师范大学 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备
CN114511159A (zh) * 2022-04-20 2022-05-17 广东电网有限责任公司佛山供电局 基于条件变分自编码器的电力负荷概率预测方法和系统
CN115169746A (zh) * 2022-08-15 2022-10-11 华润数字科技有限公司 基于融合模型的电力负荷短期预测方法、装置及相关介质
CN115660161A (zh) * 2022-10-18 2023-01-31 三峡大学 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法
CN115758249A (zh) * 2022-11-24 2023-03-07 国网江苏省电力有限公司信息通信分公司 一种非侵入负荷辨识方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117175595A (zh) * 2023-10-27 2023-12-05 国网浙江省电力有限公司宁波供电公司 一种基于多级数据的电网调控方法及系统
CN117175595B (zh) * 2023-10-27 2024-03-15 国网浙江省电力有限公司宁波供电公司 一种基于多级数据的电网调控方法及系统

Also Published As

Publication number Publication date
CN115952928B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN112131673B (zh) 基于融合神经网络模型的发动机喘振故障预测系统及方法
Du et al. Power load forecasting using BiLSTM-attention
CN112488395A (zh) 一种配电网线损预测方法及系统
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
CN112884008B (zh) 一种电力信息采集系统运行状态的预测评估方法及装置
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN116187548A (zh) 一种光伏发电功率预测方法、装置、存储介质及电子装置
CN117200204A (zh) 一种多元负荷预测方法、装置及存储介质
CN113591391A (zh) 一种电力负荷控制装置、控制方法、终端、介质及应用
CN115952928B (zh) 一种短期电力负荷预测方法、装置、设备及存储介质
CN114936701A (zh) 综合能源消耗实时监测方法、装置及终端设备
Qin et al. A hybrid deep learning model for short‐term load forecasting of distribution networks integrating the channel attention mechanism
CN110717577A (zh) 一种注意区域信息相似性的时间序列预测模型构建方法
CN113806172B (zh) 一种处理设备状态参数的方法、装置、电子设备及存储介质
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN115659148A (zh) 基于深度学习注意力机制的负荷分解方法和系统
CN114595952A (zh) 基于注意力网络改进卷积神经网络的窃电行为检测方法
CN114169923A (zh) 光伏电站功率预测方法、系统、终端及存储介质
Zhang et al. Load prediction based on depthwise separable convolution model
CN114298444B (zh) 一种风速概率预测方法、装置、设备及存储介质
CN117833243B (zh) 一种电力短期需求预测方法、系统、设备及介质
CN111881747B (zh) 信息预估方法、装置，电子设备
Zhang et al. Electricity load forecasting based on an Interpretable ProbSparse attention mechanism
CN115759339A (zh) 一种变电设备全寿命周期运行成本预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant