CN109359786A - 一种电力台区短期负荷预测方法 - Google Patents

Abstract

一种电力台区短期负荷预测方法。涉及电力负荷预测技术领域，尤其涉及一种电力台区短期负荷预测方法。提供了一种能够精确预测出跨区域的用电负荷的电力台区短期负荷预测方法。本发明将聚类与神经网络两者结合起来，对于一些曲线少于一定阈值的正常类，也采用相同的处理方法，无需设置区分的类数，同时可以排除离所有中心过远的离群值，保证同一集合内的对象有较相近的特性，而与不同集合中的数据对象有较大的差异，因为拥有相似的隐变量的日期其日负荷曲线较为相似，而这些相似的电力负荷日曲线是高度相关的。保证了预测的准确度。

Description

一种电力台区短期负荷预测方法

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种电力台区短期负荷预测方法。

背景技术

电力负荷预测对电力系统的调度运行和生产计划具有前瞻性作用。准确的负荷预测在当前电网运行中想需求越来越重要。电力负荷预测在电力系统中指的是在充分考虑一些重要的自然条件、社会因素、增容决策、系统运行特性等情况下，利用数理理论参考过去、预测未来。在满足一定精度的情况下，可以预测出某一特定期限内、某一特定区域在某一时刻的负荷值。根据预测的时间跨度可分为：短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)。由于现有技术条件下，电能很难有效地存储在大型储电装置中，进行电能调节。因此，在满足供电需求的条件下，尽可能地降低剩余发电量，是减少成本，提高电能使用效率的有效途径。目前，有很多主流的方法应用于电力负荷预测，像人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、高斯过程回归(Gaussion Process Regression,GPR)、自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)等。

但是，电力日曲线负荷与很多隐变量相关，如光照、风力、节假日等等，这些变量一般难以获取或者量化，因此造成日负荷曲线难以预测。

近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力系统的用电需求预测是一项很有意义的工作。随着电力大数据时代的来临，通过机器学习的现代负荷预测方法将成为电力负荷预测的主流，国内外对于相关算法的研究已有先例，但是仍然存在许多未被探索的空间。现有的各种基于神经网络的预测方法很少能预测出跨区域的用电负荷，且提出的供电负荷预测模型并不精确。这里最根本的原因是对于基础要素—台区的短期负荷没有能做出精准的预测，换句话说，整体预测的精确度应该建立在基础要素数据精准的前提下。

发明内容

本发明针对以上问题，提供了一种能够精确预测出跨区域的用电负荷的电力台区短期负荷预测方法。

本发明的技术方案是：包括如下步骤：

1)、通过计算机的输入单元输入历史时刻的电力负荷数据和日期特征因素，对数据进行预处理；

2)、对历史电力负荷日曲线进行密度聚类，根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器，进而筛选作为神经网络预测的输入；

3)、采用长短时记忆神经为主的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模，以训练生成深度神经网络负荷预测模型；

4)、利用训练生成的深度神经网络负荷预测模型对所需预测日期内的电力负荷进行预测并产生该日期内的电力负荷预测结果；

5)、通过计算机的输出单元输出所需预测日期内的电力负荷预测结果。

所述步骤1)中的日期特征因素包括气温与星期序号。

所述步骤1)中的预处理方法为：对所得的历史负荷数据以及日期特征因素中的气温进行归一化处理，对于日期特征因素中的日期类型进行one hot编码处理。

所述步骤2)中的高斯朴素贝叶斯分类器使用以下的分类规则：

其中，Y表示一个类变量，x₁，…，x_n表示Y依赖的特征向量，P(y)是训练集中y发生的概率。

所述步骤3)中的深度神经网络结构为两层LSTM(长短时记忆神经网络)层、单层感知器网络。

本发明的有益效果是：将聚类与神经网络两者结合起来，DBSCAN聚类算法(密度聚类算法)会产生离群类，而且离群类越多则说明该台区或线路负荷随机波动性强，难以预测，对此，本发明不进行离群类曲线的预测，对于一些曲线少于一定阈值的正常类，也采用相同的处理方法，无需设置区分的类数，同时可以排除离所有中心过远的离群值，保证同一集合内的对象有较相近的特性，而与不同集合中的数据对象有较大的差异，因为拥有相似的隐变量的日期其日负荷曲线较为相似，而这些相似的电力负荷日曲线是高度相关的。然后根据聚类结果以及历史日期星期序号、历史温度训练高斯分类器，分类完训练输入之后，分别对网络进行训练，网络训练完成，设置预测日期，输入其特征因素至训练好的分类器，判断其日负荷曲线更有可能属于哪一类，选择该类对应的神经网络模型做出预测，网络的输出为预测负荷曲线Y。从而保证预测的输入与当日负荷属于同一类负荷，因此，同一类之间特征较为明显，同时略去了一些极端条件的预测，进而保证了预测的准确度。

附图说明

图1是本发明所提基于多模型长短时记忆神经网络的台区短期负荷预测方法整体流程图，

图2是本发明基于密度聚类方法(DBSCAN)对负荷曲线进行聚类的示意图，

图3是本发明使用高斯朴素贝叶斯分类器方法确定输入数据归类的流程图，

图4是LSTM网络的模型结构示意图，

图5是本发明基于长短时记忆神经网络构建的深层网络示意图，

图6是网络训练完成后完成一次完整预测的过程，

图7是本发明扬州市某台区负荷预测实例。

具体实施方式

为更进一步阐述本发明为达成上述目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的具体实施方式、结构、特征及其功效进行详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的电力负荷预测方法包括如下步骤：

1)、通过计算机的输入单元输入历史时刻的电力负荷数据和日期特征因素，对数据进行预处理；

由用户从外部数据系统收集并输入至计算机中，区域特征因素包括气温与日期的星期序号(1-7)。由于神经网络的输出对输入数据十分敏感，因此，对于输入历史负荷数据及气温需要进行归一化处理，转化成(0，1)范围内的数据，对于日期类型，采用one hot(又称独热编码、一位有效编码)编码方法。

2)、对历史电力负荷日曲线进行密度聚类，根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器，进而筛选作为神经网络预测的输入；

在回归分析中，输入与输出之间的线性相关性越强，对输出的结果影响越大。根据聚类结果，DBSCAN聚类算法会产生离群类，而且离群类越多则说明该台区或线路负荷随机波动性强，难以预测。对此，本文采取的策略是，不进行离群类曲线的预测。对于一些曲线少于一定阈值的正常类，也采用相同的处理方法。模型的创新点在于，进行预测的输入，与当日负荷属于同一类负荷，因此，同一类之间特征较为明显，预期有较好的预测效果；同时略去了一些极端条件的预测。

图2是本发明基于密度聚类方法(DBSCAN)对负荷曲线进行聚类的示意图，DBSCAN算法利用类的高密度连通性，快速发现任意形状的类。其基本思想是：对于一个类中的每个对象，在其给定半径的领域中包含的对象不能少于某一给定的最小数目。DBSCAN为了发现一个类，先从数据库对象集D中找到任意一对象P，并查找D中关于R和P_min的从P密度可达的所有对象(其中R为半径，P_min为最小对象数)。如果P是核心对象，也就是说，半径为R的P的领域中包含的对象不少于P_min，则根据算法，可以找到一个关于参数R和P_min的类。如果P是一个边界点，则半径为R的P领域包含的对象数小于P_min，即没有对象从P密度可达，P被暂时标注为噪声点，然后，DBSCAN处理D中的下一个对象。

高斯朴素贝叶斯分类器使用以下的分类规则：

其中，Y表示一个类变量，x₁，…，x_n表示Y依赖的特征向量，P(y)是训练集中y发生的概率。

图3是本发明使用高斯朴素贝叶斯分类器方法进行输入数据归类的流程图。对历史电力负荷日曲线进行密度聚类(DBSCAN)，根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器，进而对负荷曲线归类作为神经网络预测的输入。对于进行预测的日期，输入其特征因素至训练好的分类器，判断其日负荷曲线更有可能属于哪一类，选取历史负荷曲线中同类的日负荷曲线以及当天的特征因素作为LSTM神经网络的训练输入。对于不同的类，会分别训练网络的模型，因此会有针对不同类的多个预测模型。若预测日期被判断为异常类(outliers),则认为该日数据异常，预测结果很可能与实际值偏差较大，因此不进行预测。

3)、采用长短时记忆神经为主的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模，以训练生成深度神经网络负荷预测模型；

对同一类的数据输入至神经网络进行训练，不同类分别使用相同结构的网络进行训练，故会形成多个模型。所述深度神经网络负荷预测模型表示为如下公式：

Forecast＝f(X)，X＝[L，T，C]

其中，输入矩阵X为有功负荷值曲线L(每1h采样一次)、预测日当日气温预测值T、以及预测日星期序号C(1-7)合并而成。采样收集到上述特征向量后，就可以构建模型，即确定上式中的状态转移函数f，然后对一个区域内的用电负荷进行预测。

所述深度神经网络是由多个单层非线性网络叠加而成的，与单层神经网络不同。理论证明，两层神经网络可以无限逼近任意连续函数。也就是说，面对复杂的非线性分类任务，两层(带一个隐藏层)神经网络可以分类的很好。本发明使用的网络由两层LSTM网络与单层感知器网络(全连接神经网络)组成。图4是单层LSTM网络的模型结构示意图，所述LSTM网络由输入层、LSTM网络层和输出层构成。其中LSTM网络层包括输入门i_t,输出门o_t和遗忘门f_t以及记忆单元c_t,在时刻t，记忆单元c_t记录到当前时刻t为止的所有历史信息并受到输入门i_t,输出门o_t和遗忘门f_t这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间。遗忘门f_t控制LSTM网络层的信息擦除，所述输入门i_t控制LSTM网络层的信息更新，所述输出门o_t控制内部状态的信息输出。所述LSTM网络的输入序列为x＝(x₁，x₂，...，x_t),由输入层输入至LSTM网络层，输出序列y＝(y₁，y₂，...，y_t)为由输出层从LSTM网络层输出，其中，t是每日采样数，x是历史输入负荷曲线，y是预测负荷曲线，所述LSTM网络层的参数迭代更新方式如下公式(1)-(6)所示：

f_t＝σ(W_f·[h_t-1，x_t]+b_f) (1)

i_t＝σ(W_i·[h_t-1，x_t]+b_i) (2)

c′_t＝tanh(W_c·[h_t-1，x_t]+b_c) (3)

其中，符号代表向量之间按元素相乘，σ表示sigmoid函数。W_f，W_i，W_i，W_o表示遗忘门、输入门、状态门、输出门的权重矩阵；[h_t-1，x_t]表示把两个向量连接成一个更长的向量b_f，b_i，b_i，b_o表示各门的偏置项。

以LSTM层为主搭建的整体网络结构参照图5所示，网络由两层LSTM网络与单层感知器网络组成，这主要是考虑到网络层数过多可能会导致网络的过拟合，以及训练时间会急剧增加。在本实例中，一些网络参数设计如下：优化方法使用Adam(adaptive momentestimation)，即自适应矩估计，如果一个随机变量X服从某个分布，X的一阶矩是E(X)，也就是样本平均值，X的二阶矩就是E(X^2)，也就是样本平方的平均值。Adam算法根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率。迭代次数设置为200，对于预测的输出Y，选择参考前10天的输入数据X，LSTM层隐藏元均设置为50。

4)、利用训练生成的深度神经网络负荷预测模型对所需预测日期内的电力负荷进行预测并产生该日期内的电力负荷预测结果；即一组电力负荷日曲线y^(m)。

本发明中，采集到的负荷为每15分钟，每日96点的负荷数据。因此输出数据也为相同的96点曲线。图6是网络训练完成后完成一次完整预测的过程，对于进行预测的日期，输入其特征因素至训练好的分类器，判断其日负荷曲线更有可能属于哪一类，选择该类对应的神经网络模型做出预测。若预测日期被判断为异常类(outliers)，则认为该日数据异常，预测结果很可能与实际值偏差较大，因此不进行预测。

5)、通过计算机的输出单元输出所需预测日期内的电力负荷预测结果。

实施例

选取扬州市200002451709号台区2016年第三季度的数据进行预测。扬州市台区用电数据为每日间隔15min采样一次，每日共96点的日负荷曲线；气象数据及日期类型可从互联网上取得，预测结果如图7所示，与真实值的误差约为12％，远小于现有技术预测误差。此外，因为本发明聚类减少了输入量，训练速度快于现有技术的预测方法。

Claims (5)

1.一种电力台区短期负荷预测方法，其特征在于，包括如下步骤：

1)、通过计算机的输入单元输入历史时刻的电力负荷数据和日期特征因素，对数据进行预处理；

2)、对历史电力负荷日曲线进行密度聚类，根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器，进而筛选作为神经网络预测的输入；

3)、采用长短时记忆神经为主的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模，以训练生成深度神经网络负荷预测模型；

4)、利用训练生成的深度神经网络负荷预测模型对所需预测日期内的电力负荷进行预测并产生该日期内的电力负荷预测结果；

5)、通过计算机的输出单元输出所需预测日期内的电力负荷预测结果。

2.根据权利要求1所述的一种电力台区短期负荷预测方法，其特征在于，所述步骤1)中的日期特征因素包括气温与星期序号。

3.根据权利要求2所述的一种电力台区短期负荷预测方法，其特征在于，所述步骤1)中的预处理方法为：对所得的历史负荷数据以及日期特征因素中的气温进行归一化处理，对于日期特征因素中的日期类型进行one hot编码处理。

4.根据权利要求1所述的一种电力台区短期负荷预测方法，其特征在于，所述步骤2)中的高斯朴素贝叶斯分类器使用以下的分类规则：

其中，Y表示一个类变量，x₁，…，x_n表示Y依赖的特征向量，P(y)是训练集中y发生的概率。

5.根据权利要求1所述的一种电力台区短期负荷预测方法，其特征在于，所述步骤3)中的深度神经网络结构为两层LSTM层、单层感知器网络。