CN110751317A - 一种电力负荷预测系统及预测方法 - Google Patents

Abstract

本发明涉及一种电力负荷预测系统及预测方法，所述的系统包括数据采集模块、数据处理模块、负荷预测模块、数据库、专家库以及数据管理模块，所述的括数据采集模块、数据处理模块、负荷预测模块、数据库依次连接，所述的数据库分别与数据采集模块、专家库以及数据管理模块连接，所述的负荷预测模块采用基于CNN‑LSTM‑Attention的预测技术对电力负荷进行预测。与现有技术相比，本发明可以较为准确的预测相关电力数据，保证电力系统安全可靠运行，实现社会经济效益最大化等优点。

Description

一种电力负荷预测系统及预测方法

技术领域

本发明涉及能源预测领域，尤其是涉及一种基于CNN-LSTM-Attention的电力负荷预测系统及预测方法。

背景技术

电力负荷预测是电力需求侧管理的重要组成部分，通过负荷预测，可以了解未来负荷的发展变化，有针对性地提出需求侧用电改进措施，完善负荷曲线，从而优化电力调度，相关工作人员可通过预测结果来进行发电、运输和用电，评估分配并建立有效的计划，有助于减少发电成本并实现节能减排目标。同时电力部门可以通过负荷预测系统发现电力系统的潜在隐患，并及时排除隐患，为用户输出稳定的电力，确保电力系统的可靠运行。

但是智能电网以及泛在电力物联网的提出，对电网负荷预测的精度有了更高的要求。而目前大多电力负荷预测系统使用的趋势外推、回归分析等传统预测技术较为落后，预测精度不高，不能很好的满足高预测精度的要求，不利于智能电网以及泛在电力物联网的推广。同时大多电力负荷预测系统只是单纯地给出预测结果，而没有给管理者一些经验参考。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电力负荷预测系统及预测方法。

本发明的目的可以通过以下技术方案来实现：

一种电力负荷预测系统，包括数据采集模块、数据处理模块、负荷预测模块、数据库、专家库以及数据管理模块，所述的括数据采集模块、数据处理模块、负荷预测模块、数据库依次连接，所述的数据库分别与数据采集模块、专家库以及数据管理模块连接，所述的负荷预测模块采用基于CNN-LSTM-Attention的预测技术对电力负荷进行预测。

优选地，所述的数据采集模块用于采集气象信息、日期信息以及历史负荷数据信息，并将采集到的信息存储到数据库中，同时系统进行预测时将数据采集模块从数据库中调取所需信息，并将信息传输到数据处理模块中进行相关操作。

优选地，所述的数据处理模块对数据采集模块中的数据进行处理，包括进行缺失值和异常值的查找，并对缺失值进行填补，对异常值进行修正，并将处理好的数据传输到负荷预测模块进行预测。

优选地，所述的负荷预测模块根据从数据处理模块中得到的相关预测信息对目标日期进行预测，并将预测结果存储到数据库中。

优选地，所述的数据库用于存储数据采集模块采集到的气象、日期、历史负荷数据，以及负荷预测模块预测得到的目标日期的预测数据，同时受数据采集模块以及数据管理模块的调用。

优选地，所述的专家库中用于记录不同时期出现不同电力负荷值时管理人员相关的经验及措施，通过调用数据库中负荷预测结果及历史负荷数据值，来匹配专家库中的相关规则，从而给出管理者相关的管理建议。

优选地，所述的数据管理模块用于实现对数据库中数据的调用，根据不同操作要求完成对数据的修改、比较以及显示功能，同时在专家库中查询参考相关建议。

一种采用所述的电力负荷预测系统的预测方法，包括以下步骤：

读取数据：从数据处理模块中读取经处理过的无缺失值无异常值的气象、日期以及历史负荷数据；

数据预处理：由于气象数据、日期数据以及历史负荷数据都是相互独立的时间序列，利用词向量的表示方法来耦合这些数据的特征信息，将其串联成向量表示，形成一个新的时间序列数据，以便于CNN进行特征提取；

CNN提取特征：利用CNN在特征提取方面的优势，对得到的新的时间序列做特征提取，并将去作为Attention-LSTM的输入变量；

Attention-LSTM负荷预测：基于Attention-LSTM的神经网络对CNN提取得到的特征进行建模预测，得到最终的预测结果；

预测结果输出：将目标日期的预测结果传输到数据库中进行存储，以备后续调用。

与现有技术相比，本发明基于CNN-LSTM-Attention的电力负荷预测系统及方法可以较为准确的预测相关电力数据，保证电力系统安全可靠运行，实现社会经济效益最大化。

附图说明

图1为本发明的基于CNN-LSTM-Attention的电力负荷预测系统的结构图。

图2为基于CNN-LSTM-Attention的电力负荷预测方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明公开了一种基于CNN-LSTM-Attention的电力负荷预测系统及方法，主要使用基于CNN-LSTM-Attention的电力负荷预测方法对目标日期进行负荷预测。

如图1，本系统主要包括数据采集模块、数据处理模块、负荷预测模块、数据库、专家库以及数据管理模块。其中数据采集模块主要采集气象信息、日期信息以及历史负荷数据信息，并将采集到的信息存储到数据库中，同时系统进行预测时将数据采集模块从数据库中调取所需信息，并将信息传输到数据处理模块中进行相关操作。

数据处理模块对数据采集模块中的数据进行处理，主要进行缺失值和异常值的查找，并对缺失值进行填补，对异常值进行修正，并将处理好的数据传输到负荷预测模块进行预测。

负荷预测模块主要根据从数据处理模块中得到的相关预测信息对目标日期进行预测，并将预测结果存储到数据库中。

数据库主要用于存储数据采集模块采集到的气象、日期、历史负荷数据，以及负荷预测模块预测得到的目标日期的预测数据。同时受数据采集模块、专家库以及数据管理模块的调用。专家库中主要记录不同时期出现不同电力负荷值时管理人员相关的经验及措施，通过调用数据库中负荷预测结果及历史负荷数据值，来匹配专家库中的相关规则，从而管理者相关的管理建议。数据管理模块主要实现对数据库中数据的调用，根据不同操作要求完成对对气象、日期、负荷数据的修改、比较以及显示等功能，同时查询专家库中专家意见与建议。

如图2，基于CNN-LSTM-Attention的负荷预测方法主要包括读取数据、数据预处理、CNN提取特征、Attention-LSTM负荷预测和预测结果输出五个步骤。

读取数据：从数据处理模块中读取经处理过的无缺失值无异常值的气象、日期以及历史负荷数据；

数据预处理：由于气象数据、日期数据以及历史负荷数据都是相互独立的时间序列，利用词向量的表示方法来耦合这些数据的特征信息，将其串联成向量表示，形成一个新的时间序列数据，以便于CNN进行特征提取；

CNN提取特征：利用CNN在特征提取方面的优势，对得到的新的时间序列做特征提取，并将去作为Attention-LSTM的输入变量；

Attention-LSTM负荷预测：基于Attention-LSTM的神经网络对CNN提取得到的特征进行建模预测，得到最终的预测结果。

预测结果输出：将目标日期的预测结果传输到数据库中进行存储，以备后续调用。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种电力负荷预测系统，其特征在于，包括数据采集模块、数据处理模块、负荷预测模块、数据库、专家库以及数据管理模块，所述的括数据采集模块、数据处理模块、负荷预测模块、数据库依次连接，所述的数据库分别与数据采集模块、专家库以及数据管理模块连接，所述的负荷预测模块采用基于CNN-LSTM-Attention的预测技术对电力负荷进行预测。

2.根据权利要求1所述的一种电力负荷预测系统，其特征在于，所述的数据采集模块用于采集气象信息、日期信息以及历史负荷数据信息，并将采集到的信息存储到数据库中，同时系统进行预测时将数据采集模块从数据库中调取所需信息，并将信息传输到数据处理模块中进行相关操作。

3.根据权利要求1所述的一种电力负荷预测系统，其特征在于，所述的数据处理模块对数据采集模块中的数据进行处理，包括进行缺失值和异常值的查找，并对缺失值进行填补，对异常值进行修正，并将处理好的数据传输到负荷预测模块进行预测。

4.根据权利要求1所述的一种电力负荷预测系统，其特征在于，所述的负荷预测模块根据从数据处理模块中得到的相关预测信息对目标日期进行预测，并将预测结果存储到数据库中。

5.根据权利要求1所述的一种电力负荷预测系统，其特征在于，所述的数据库用于存储数据采集模块采集到的气象、日期、历史负荷数据，以及负荷预测模块预测得到的目标日期的预测数据，同时受数据采集模块以及数据管理模块的调用。

6.根据权利要求1所述的一种电力负荷预测系统，其特征在于，所述的专家库中用于记录不同时期出现不同电力负荷值时管理人员相关的经验及措施，通过调用数据库中负荷预测结果及历史负荷数据值，来匹配专家库中的相关规则，从而给出管理者相关的管理建议。

7.根据权利要求1所述的一种电力负荷预测系统，其特征在于，所述的数据管理模块用于实现对数据库中数据的调用，根据不同操作要求完成对数据的修改、比较以及显示功能，同时在专家库中查询参考相关建议。

8.一种采用权利要求1所述的电力负荷预测系统的预测方法，其特征在于，包括以下步骤：

读取数据：从数据处理模块中读取经处理过的无缺失值无异常值的气象、日期以及历史负荷数据；

数据预处理：由于气象数据、日期数据以及历史负荷数据都是相互独立的时间序列，利用词向量的表示方法来耦合这些数据的特征信息，将其串联成向量表示，形成一个新的时间序列数据，以便于CNN进行特征提取；

CNN提取特征：利用CNN在特征提取方面的优势，对得到的新的时间序列做特征提取，并将去作为Attention-LSTM的输入变量；

Attention-LSTM负荷预测：基于Attention-LSTM的神经网络对CNN提取得到的特征进行建模预测，得到最终的预测结果；

预测结果输出：将目标日期的预测结果传输到数据库中进行存储，以备后续调用。

Images