CN111160659B - 一种考虑温度模糊化的电力负荷预测方法 - Google Patents

一种考虑温度模糊化的电力负荷预测方法 Download PDF

Info

Publication number
CN111160659B
CN111160659B CN201911412671.8A CN201911412671A CN111160659B CN 111160659 B CN111160659 B CN 111160659B CN 201911412671 A CN201911412671 A CN 201911412671A CN 111160659 B CN111160659 B CN 111160659B
Authority
CN
China
Prior art keywords
load
data
temperature
layer
time
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.)
Active
Application number
CN201911412671.8A
Other languages
English (en)
Other versions
CN111160659A (zh
Inventor
蔡绍荣
魏明奎
周全
路亮
江栗
王庆
郑瑞骁
张姝
肖先勇
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.)
Southwest Branch of State Grid Corp
Original Assignee
Southwest Branch of State 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 Southwest Branch of State Grid Corp filed Critical Southwest Branch of State Grid Corp
Priority to CN201911412671.8A priority Critical patent/CN111160659B/zh
Publication of CN111160659A publication Critical patent/CN111160659A/zh
Application granted granted Critical
Publication of CN111160659B publication Critical patent/CN111160659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑温度模糊化的电力负荷预测方法，首先采集电网的历史负荷数据、历史温度数据以及相关日期数据并将其处理成15维特征向量，并按比例将其分为训练数据集和测试数据集；再建立三层长短时记忆神经网络，并通过训练数据集对三层长短时记忆神经网络进行迭代训练得到电力负荷预测模型；最后将测试数据集中的预测日数据输入电力负荷预测模型，得到电力负荷预测值。本发明能够计及负荷时序性特性对短期负荷进行精确预测，同时利用隶属度函数将精确温度模糊化处理到[0,1]区间作为预测模型特征向量输入，从而能够有效降低夏季温度多变和不确定带来的随机性影响，提高电力负荷预测模型对温度的泛化性。

Description

一种考虑温度模糊化的电力负荷预测方法
技术领域
本发明属于电力负荷预测技术领域，具体涉及一种考虑温度模糊化的电力负荷预测方法的设计。
背景技术
随着智能电网发展，以智能电表为基础的高级量测体系(AMI)已在实际工程中基本实现，智能电表可以获得15mins为间隔的每天96组数据，为提升短时负荷预测提供更可靠的依据，但实际负荷变化除了可以从负荷时间需要中抽取出变化规律外，实际负荷还很大程度上受所处温度条件影响，因此，在气温多变的夏季研究考虑温度影响的电力短期负荷预测方法，具有重要理论价值和实际意义。
目前，电力短期负荷预测主要面临以下几个方面难点：(1)随着负荷数据量的增长，传统时序预测方法处理非线性数据能力有限；(2)传统机器学习方法对具有时序特性的负荷数据的前后数据关联不能有效学习；(3)面对温度多变的夏季，传统温度因子的输入可能会影响预测的精度。
目前，行业学者对电力负荷预测进行了大量研究，提出了很多方法，但相关方法一部分考虑了深度学习方法，另一部分考虑了相关因子如温度的影响，均未考虑在温度多变的夏季应当如何处理温度变量带给电力负荷预测的影响。
发明内容
本发明的目的是为了解决在温度多变的夏季如何有效对温度变量进行模糊化处理，从而利用深度学习对电力负荷进行有效预测的问题，提出了一种考虑温度模糊化的电力负荷预测方法。
本发明的技术方案为：一种考虑温度模糊化的电力负荷预测方法，包括以下步骤：
S1、采集电网的历史负荷数据、历史温度数据以及相关日期数据。
S2、根据历史负荷数据、历史温度数据以及相关日期数据得到15维特征向量，并按比例将其分为训练数据集和测试数据集。
S3、建立三层长短时记忆神经网络，设置网络相关参数，并使用adam算法对三层长短时记忆神经网络进行梯度优化。
S4、通过训练数据集对三层长短时记忆神经网络进行迭代训练，并将训练好的三层长短时记忆神经网络作为电力负荷预测模型。
S5、将测试数据集中的预测日数据输入电力负荷预测模型，得到电力负荷预测值。
进一步地，步骤S2包括以下分步骤：
S21、对历史负荷数据进行归一化处理，得到归一化历史负荷数据。
S22、根据归一化历史负荷数据得到8维相关负荷特征向量。
S23、对历史温度数据进行模糊化处理，得到6维模糊温度特征向量。
S24、根据相关日期数据得到1维日期属性特征向量。
S25、将8维相关负荷特征向量、6维模糊温度特征向量和1维日期属性特征向量合并为15维特征向量，并按8:2的比例将其分为训练数据集和测试数据集。
进一步地，步骤S21中对历史负荷数据进行归一化处理的公式为：
Figure BDA0002350386590000021
其中Y表示归一化历史负荷数据，Ymax为固定值，取值为1，Ymin为固定值，取值为0，X表示负荷值，Xmax和Xmin分别表示历史负荷数据中的最大值和最小值。
进一步地，步骤S22具体为：从归一化历史负荷数据中选取t时刻的负荷为Lt，通过负荷Lt前一时刻的负荷Lt-1、后一时刻的负荷Lt+1、前一日t时刻的负荷
Figure BDA0002350386590000022
前一日t-1时刻的负荷
Figure BDA0002350386590000023
前一日t+1时刻的负荷
Figure BDA0002350386590000024
前一周t时刻的负荷
Figure BDA0002350386590000025
前一周t-1时刻的负荷
Figure BDA0002350386590000026
以及前一周t+1时刻的负荷
Figure BDA0002350386590000027
构建8维相关负荷特征向量
Figure BDA0002350386590000028
进一步地，步骤S23具体为：从历史温度数据中选取t时刻的温度Tt，将其分别输入低温日隶属度函数、中温日隶属度函数和高温日隶属度函数，得到Tt的模糊化特征向量
Figure BDA0002350386590000029
将t时刻当日的平均温度Tavrg分别输入低温日隶属度函数、中温日隶属度函数和高温日隶属度函数，得到Tavrg的模糊化特征向量
Figure BDA00023503865900000210
将Tt的模糊化特征向量
Figure BDA00023503865900000211
和到Tavrg的模糊化特征向量
Figure BDA00023503865900000212
合并得到6维模糊温度特征向量
Figure BDA00023503865900000213
进一步地，低温日隶属度函数m1的计算公式为：
Figure BDA0002350386590000031
中温日隶属度函数m2的计算公式为：
Figure BDA0002350386590000032
高温日隶属度函数m3的计算公式为：
Figure BDA0002350386590000033
其中T表示输入温度。
进一步地，步骤S24具体为：根据相关日期数据，将工作日的日期属性Dw/r设置为1，将休息日的日期属性Dw/r设置为0，得到1维日期属性特征向量[Dw/r]。
进一步地，步骤S3中建立的三层长短时记忆神经网络包括依次连接的3个隐藏层和一个全连接层，每个隐藏层神经元数设置为25，优化器均为Adam，选取均方根误差RMSE作为三层长短时记忆神经网络的损失函数，网络最大迭代次数设为500；每个隐藏层结构相同，均包括依次连接的遗忘门、输入门和输出门。
遗忘门的计算公式为：
ft＝σ(Wf[Yt-1,Xt]+bf)
其中ft表示t时刻遗忘门的输出，σ(·)表示sigmoid函数，Wf为遗忘门的矩阵权重，Yt-1为t-1时刻的隐藏层输出，Xt为t时刻的隐藏层输入，bf为遗忘门的偏置项。
输入门包括两个部分：首先通过一个sigmoid层对输入的有用信息进行更新，然后通过一个tanh层创建新的候选值状态向量，其计算公式如下：
ut＝σ(Wu[Yt-1,Xt]+bu)
ht＝tanh(Wh[Yt-1,Xt]+bh)
其中ut表示t时刻的输入门状态，Wu表示输入门sigmoid层的矩阵权重，bu表示输入门sigmoid层的偏置项，ht表示t时刻的新增候选值状态向量，Wh表示输入门tanh层的矩阵权重，bh表示输入门tanh层的偏置项。
输出门包括两个部分：首先通过一个sigmoid层对要输出的信息进行过滤，然后将隐藏层状态Ct通过一个tanh层，使之状态范围为[-1,1]，将sigmoid层的输出与tanh层的输出相乘得到隐藏层的期望输出，其计算公式如下：
ot＝σ(Wo[Yt-1,Xt]+bo)
Yt＝ot*tanh(Ct)
其中ot表示t时刻的输出门状态，Wo表示输出门sigmoid层的矩阵权重，bo表示输出门sigmoid层的偏置项，Yt表示t时刻隐藏层的期望输出，Ct表示t时刻的隐藏层状态，其计算公式为：
Ct＝ft*Ct-1+ut*ht
其中Ct-1表示t-1时刻的隐藏层状态。
进一步地，步骤S4包括以下分步骤：
S41、将训练集数据输入至三层长短时记忆神经网络中，得到预测值，并通过损失函数计算误差。
S42、通过Adam算法优化反向传播，更新网络相关参数。
S43、判断是否达到网络相关参数边界条件或最大迭代次数，若是则得到训练好的三层长短时记忆神经网络，并将其作为电力负荷预测模型，进入步骤S5，否则返回步骤S41。
进一步地，步骤S42中的Adam算法在第t轮迭代中的公式为：
Figure BDA0002350386590000051
其中Mdw、Mdb为Momentum算法计算的参数，Rdw、Rdb为RMSProp算法计算的参数，
Figure BDA0002350386590000052
和
Figure BDA0002350386590000053
均为Adam算法做出的偏差修正，
Figure BDA0002350386590000054
为Momentum算法中的梯度指数，
Figure BDA0002350386590000055
为RMSProp算法中的梯度指数，ε为平滑项系数，Wt、Wt-1分别表示t时刻和t-1时刻sigmoid层的矩阵权重，bt、bt-1分别表示t时刻和t-1时刻sigmoid层的偏置项，α为学习率。
本发明的有益效果是：本发明基于Adam优化的三层长短时记忆神经网络，能够计及负荷时序性特性对短期负荷进行精确预测，同时利用隶属度函数将精确温度模糊化处理到[0,1]区间作为预测模型特征向量输入，从而能够有效降低夏季温度多变和不确定带来的随机性影响，提高短期负荷预测模型对温度的泛化性。
附图说明
图1所示为本发明实施例提供的一种考虑温度模糊化的电力负荷预测方法流程图。
图2所示为本发明实施例提供的温度隶属度函数示意图。
图3所示为本发明实施例提供的三层长短时记忆神经网络示意图。
图4所示为本发明实施例提供的隐藏层结构示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种考虑温度模糊化的电力负荷预测方法，如图1所示，包括以下步骤S1～S5：
S1、采集电网的历史负荷数据、历史温度数据以及相关日期数据。
本发明实施例中，历史负荷数据选择一天取样点为96(15mins一个点)的夏季区域负荷数据，历史温度数据选择取样点为96的温度数据，相关日期数据的采集是采集当天为工作日或是为休息日。
S2、根据历史负荷数据、历史温度数据以及相关日期数据得到15维特征向量，并按比例将其分为训练数据集和测试数据集。
步骤S2包括以下分步骤S21～S25：
S21、对历史负荷数据进行归一化处理，得到归一化历史负荷数据。
本发明实施例中，对历史负荷数据进行归一化处理的公式为：
Figure BDA0002350386590000061
其中Y表示归一化历史负荷数据，Ymax为固定值，取值为1，Ymin为固定值，取值为0，X表示负荷值，Xmax和Xmin分别表示历史负荷数据中的最大值和最小值。
S22、根据归一化历史负荷数据得到8维相关负荷特征向量。
考虑负荷数据本身，假设预测t时刻的负荷为Lt，由于负荷曲线具有连续性、不突变性，所以t时刻前后一个时刻的负荷和Lt具有较强相关性；同时由于负荷曲线具有日周期性和周周期性的特性，还应当考虑前一日和前一周t-1、t、t+1时刻的负荷。
因此本发明实施例中，从归一化历史负荷数据中选取t时刻的负荷为Lt，通过负荷Lt前一时刻的负荷Lt-1、后一时刻的负荷Lt+1、前一日t时刻的负荷
Figure BDA0002350386590000062
前一日t-1时刻的负荷
Figure BDA0002350386590000063
前一日t+1时刻的负荷
Figure BDA0002350386590000064
前一周t时刻的负荷
Figure BDA0002350386590000065
前一周t-1时刻的负荷
Figure BDA0002350386590000066
以及前一周t+1时刻的负荷
Figure BDA0002350386590000067
构建8维相关负荷特征向量
Figure BDA0002350386590000068
S23、对历史温度数据进行模糊化处理，得到6维模糊温度特征向量。
本发明实施例中，对历史温度数据构造“等腰三角形”隶属度函数，并将每日平均温度Tavrg和t时刻温度Tt作为模糊变量的输入，从而实现对史温度数据进行模糊化处理，具体方法为：
从历史温度数据中选取t时刻的温度Tt，将其分别输入低温日隶属度函数、中温日隶属度函数和高温日隶属度函数，得到Tt的模糊化特征向量
Figure BDA0002350386590000069
将t时刻当日的平均温度Tavrg分别输入低温日隶属度函数、中温日隶属度函数和高温日隶属度函数，得到Tavrg的模糊化特征向量
Figure BDA0002350386590000071
将T的模糊化特征向量
Figure BDA0002350386590000072
和到Tavrg的模糊化特征向量
Figure BDA0002350386590000073
合并得到6维模糊温度特征向量
Figure BDA0002350386590000074
本发明实施例中，将温度模糊划分为低温日(20℃-26℃)、中温日(23℃-32℃)和高温日(29℃-35℃)，其中，低温日隶属度函数m1的计算公式为：
Figure BDA0002350386590000075
中温日隶属度函数m2的计算公式为：
Figure BDA0002350386590000076
高温日隶属度函数m3的计算公式为：
Figure BDA0002350386590000077
其中T表示输入温度。
隶属度函数的示意图如图2所示，其中阴影区域即代表温度模糊化区域。
S24、根据相关日期数据得到1维日期属性特征向量。
本发明实施例中，根据相关日期数据，将工作日的日期属性Dw/r设置为1，将休息日的日期属性Dw/r设置为0，得到1维日期属性特征向量[Dw/r]。
S25、将8维相关负荷特征向量、6维模糊温度特征向量和1维日期属性特征向量合并为15维特征向量
Figure BDA0002350386590000078
并按8:2的比例将其分为训练数据集和测试数据集。
S3、建立三层长短时记忆神经网络，设置网络相关参数，并使用adam算法对三层长短时记忆神经网络进行梯度优化。
本发明实施例中，利用matlab中lstmlayer()函数建立三层长短时记忆神经网络模型，如图3所示，三层长短时记忆神经网络包括依次连接的3个隐藏层和一个全连接层，每个隐藏层神经元数设置为25，优化器均为Adam，选取均方根误差RMSE作为三层长短时记忆神经网络的损失函数(Lose function)，网络最大迭代次数设为500。
如图4所示，每个隐藏层结构相同，均包括依次连接的遗忘门、输入门和输出门。
其中，遗忘门可以对信息进行选择性遗忘，其计算公式为：
ft＝σ(Wf[Yt-1,Xt]+bf)
其中ft表示t时刻遗忘门的输出，σ(·)表示sigmoid函数，Wf为遗忘门的矩阵权重，Yt-1为t-1时刻的隐藏层输出，Xt为t时刻的隐藏层输入，bf为遗忘门的偏置项。
输入门包括两个部分：首先通过一个sigmoid层对输入的有用信息进行更新，然后通过一个tanh层创建新的候选值状态向量，其计算公式如下：
ut＝σ(Wu[Yt-1,Xt]+bu)
ht＝tanh(Wh[Yt-1,Xt]+bh)
其中ut表示t时刻的输入门状态，Wu表示输入门sigmoid层的矩阵权重，bu表示输入门sigmoid层的偏置项，ht表示t时刻的新增候选值状态向量，Wh表示输入门tanh层的矩阵权重，bh表示输入门tanh层的偏置项。
输出门包括两个部分：首先通过一个sigmoid层对要输出的信息进行过滤，然后将隐藏层状态Ct通过一个tanh层，使之状态范围为[-1,1]，将sigmoid层的输出与tanh层的输出相乘得到隐藏层的期望输出，其计算公式如下：
ot＝σ(Wo[Yt-1,Xt]+bo)
Yt＝ot*tanh(Ct)
其中ot表示t时刻的输出门状态，Wo表示输出门sigmoid层的矩阵权重，bo表示输出门sigmoid层的偏置项，Yt表示t时刻隐藏层的期望输出，Ct表示t时刻的隐藏层状态，其通过添加遗忘门和输入门所控制的信息部分来确定：长时间信息由ft控制；短时间信息由ut和ht控制，其计算公式为：
Ct＝ft*Ct-1+ut*ht
其中Ct-1表示t-1时刻的隐藏层状态。
S4、通过训练数据集对三层长短时记忆神经网络进行迭代训练，并将训练好的三层长短时记忆神经网络作为电力负荷预测模型。
步骤S4包括以下分步骤S41～S43：
S41、将训练集数据输入至三层长短时记忆神经网络中，得到预测值，并通过损失函数计算误差。
S42、通过Adam算法优化反向传播，更新网络相关参数。
本发明实施例中，Adam算法在第t轮迭代中的公式为：
Figure BDA0002350386590000091
其中Mdw、Mdb为Momentum算法计算的参数，Rdw、Rdb为RMSProp算法计算的参数，
Figure BDA0002350386590000092
和
Figure BDA0002350386590000093
均为Adam算法做出的偏差修正，
Figure BDA0002350386590000094
为Momentum算法中的梯度指数，一般取值为0.9，
Figure BDA0002350386590000095
为RMSProp算法中的梯度指数，一般取值为0.999，ε为平滑项系数，一般取值为10-8，Wt、Wt-1分别表示t时刻和t-1时刻sigmoid层的矩阵权重，bt、bt-1分别表示t时刻和t-1时刻sigmoid层的偏置项，α为学习率。
S43、判断是否达到网络相关参数边界条件或最大迭代次数，若是则得到训练好的三层长短时记忆神经网络，并将其作为电力负荷预测模型，进入步骤S5，否则返回步骤S41。
S5、将测试数据集中的预测日数据输入电力负荷预测模型，得到电力负荷预测值。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种考虑温度模糊化的电力负荷预测方法，其特征在于，包括以下步骤：
S1、采集电网的历史负荷数据、历史温度数据以及相关日期数据；
S2、根据历史负荷数据、历史温度数据以及相关日期数据得到15维特征向量，并按比例将其分为训练数据集和测试数据集；
S3、建立三层长短时记忆神经网络，设置网络相关参数，并使用adam算法对三层长短时记忆神经网络进行梯度优化；
S4、通过训练数据集对三层长短时记忆神经网络进行迭代训练，并将训练好的三层长短时记忆神经网络作为电力负荷预测模型；
S5、将测试数据集中的预测日数据输入电力负荷预测模型，得到电力负荷预测值；
所述步骤S2包括以下分步骤：
S21、对历史负荷数据进行归一化处理，得到归一化历史负荷数据；
S22、根据归一化历史负荷数据得到8维相关负荷特征向量；
S23、对历史温度数据进行模糊化处理，得到6维模糊温度特征向量；
S24、根据相关日期数据得到1维日期属性特征向量；
S25、将8维相关负荷特征向量、6维模糊温度特征向量和1维日期属性特征向量合并为15维特征向量，并按8:2的比例将其分为训练数据集和测试数据集；
所述步骤S22具体为：从归一化历史负荷数据中选取t时刻的负荷为Lt，通过负荷Lt前一时刻的负荷Lt-1、后一时刻的负荷Lt+1、前一日t时刻的负荷
Figure FDA0003300288370000011
前一日t-1时刻的负荷
Figure FDA0003300288370000012
前一日t+1时刻的负荷
Figure FDA0003300288370000013
前一周t时刻的负荷
Figure FDA0003300288370000014
前一周t-1时刻的负荷
Figure FDA0003300288370000015
以及前一周t+1时刻的负荷
Figure FDA0003300288370000016
构建8维相关负荷特征向量
Figure FDA0003300288370000017
所述步骤S23具体为：从历史温度数据中选取t时刻的温度Tt，将其分别输入低温日隶属度函数、中温日隶属度函数和高温日隶属度函数，得到Tt的模糊化特征向量
Figure FDA0003300288370000018
将t时刻当日的平均温度Tavrg分别输入低温日隶属度函数、中温日隶属度函数和高温日隶属度函数，得到Tavrg的模糊化特征向量
Figure FDA0003300288370000019
将Tt的模糊化特征向量
Figure FDA00033002883700000110
和到Tavrg的模糊化特征向量
Figure FDA00033002883700000111
合并得到6维模糊温度特征向量
Figure FDA00033002883700000112
所述低温日隶属度函数m1的计算公式为：
Figure FDA0003300288370000021
所述中温日隶属度函数m2的计算公式为：
Figure FDA0003300288370000022
所述高温日隶属度函数m3的计算公式为：
Figure FDA0003300288370000023
其中T表示输入温度。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步骤S21中对历史负荷数据进行归一化处理的公式为：
Figure FDA0003300288370000024
其中Y表示归一化历史负荷数据，Ymax为固定值，取值为1，Ymin为固定值，取值为0，X表示负荷值，Xmax和Xmin分别表示历史负荷数据中的最大值和最小值。
3.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步骤S24具体为：根据相关日期数据，将工作日的日期属性Dw/r设置为1，将休息日的日期属性Dw/r设置为0，得到1维日期属性特征向量[Dw/r]。
4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步骤S3中建立的三层长短时记忆神经网络包括依次连接的3个隐藏层和一个全连接层，每个隐藏层神经元数设置为25，优化器均为Adam，选取均方根误差RMSE作为三层长短时记忆神经网络的损失函数，网络最大迭代次数设为500；每个隐藏层结构相同，均包括依次连接的遗忘门、输入门和输出门；
所述遗忘门的计算公式为：
ft＝σ(Wf[Yt-1,Xt]+bf)
其中ft表示t时刻遗忘门的输出，σ(·)表示sigmoid函数，Wf为遗忘门的矩阵权重，Yt-1为t-1时刻的隐藏层输出，Xt为t时刻的隐藏层输入，bf为遗忘门的偏置项；
所述输入门包括两个部分：首先通过一个sigmoid层对输入的有用信息进行更新，然后通过一个tanh层创建新的候选值状态向量，其计算公式如下：
ut＝σ(Wu[Yt-1,Xt]+bu)
ht＝tanh(Wh[Yt-1,Xt]+bh)
其中ut表示t时刻的输入门状态，Wu表示输入门sigmoid层的矩阵权重，bu表示输入门sigmoid层的偏置项，ht表示t时刻的新增候选值状态向量，Wh表示输入门tanh层的矩阵权重，bh表示输入门tanh层的偏置项；
所述输出门包括两个部分：首先通过一个sigmoid层对要输出的信息进行过滤，然后将隐藏层状态Ct通过一个tanh层，使之状态范围为[-1,1]，将sigmoid层的输出与tanh层的输出相乘得到隐藏层的期望输出，其计算公式如下：
ot＝σ(Wo[Yt-1,Xt]+bo)
Yt＝ot*tanh(Ct)
其中ot表示t时刻的输出门状态，Wo表示输出门sigmoid层的矩阵权重，bo表示输出门sigmoid层的偏置项，Yt表示t时刻隐藏层的期望输出，Ct表示t时刻的隐藏层状态，其计算公式为：
Ct＝ft*Ct-1+ut*ht
其中Ct-1表示t-1时刻的隐藏层状态。
5.根据权利要求4所述的电力负荷预测方法，其特征在于，所述步骤S4包括以下分步骤：
S41、将训练集数据输入至三层长短时记忆神经网络中，得到预测值，并通过损失函数计算误差；
S42、通过Adam算法优化反向传播，更新网络相关参数；
S43、判断是否达到网络相关参数边界条件或最大迭代次数，若是则得到训练好的三层长短时记忆神经网络，并将其作为电力负荷预测模型，进入步骤S5，否则返回步骤S41。
6.根据权利要求5所述的电力负荷预测方法，其特征在于，所述步骤S42中的Adam算法在第t轮迭代中的公式为：
Figure FDA0003300288370000041
其中Mdw、Mdb为Momentum算法计算的参数，Rdw、Rdb为RMSProp算法计算的参数，
Figure FDA0003300288370000042
和
Figure FDA0003300288370000043
均为Adam算法做出的偏差修正，
Figure FDA0003300288370000044
为Momentum算法中的梯度指数，
Figure FDA0003300288370000045
为RMSProp算法中的梯度指数，ε为平滑项系数，Wt、Wt-1分别表示t时刻和t-1时刻sigmoid层的矩阵权重，bt、bt-1分别表示t时刻和t-1时刻sigmoid层的偏置项，α为学习率。
CN201911412671.8A 2019-12-31 2019-12-31 一种考虑温度模糊化的电力负荷预测方法 Active CN111160659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911412671.8A CN111160659B (zh) 2019-12-31 2019-12-31 一种考虑温度模糊化的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911412671.8A CN111160659B (zh) 2019-12-31 2019-12-31 一种考虑温度模糊化的电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN111160659A CN111160659A (zh) 2020-05-15
CN111160659B true CN111160659B (zh) 2021-11-23

Family

ID=70560034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911412671.8A Active CN111160659B (zh) 2019-12-31 2019-12-31 一种考虑温度模糊化的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN111160659B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329983B (zh) * 2020-09-30 2024-07-26 联想(北京)有限公司 一种数据处理方法及装置
CN112200391B (zh) * 2020-11-17 2023-07-04 国网陕西省电力公司经济技术研究院 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法
CN112418560B (zh) * 2020-12-10 2024-05-14 长春理工大学 一种pm2.5浓度预测方法及系统
CN112685900B (zh) * 2020-12-31 2023-09-26 国网浙江省电力有限公司营销服务中心 一种表征冲击负荷功率特性的电力负荷模拟方法
CN115809610B (zh) * 2023-02-08 2023-05-16 广东电网有限责任公司中山供电局 基于多阶跃负荷的直埋三芯电缆载流量预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239859B (zh) * 2017-06-05 2018-05-08 国网山东省电力公司电力科学研究院 基于串联长短期记忆循环神经网络的供热负荷预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN109255505B (zh) * 2018-11-20 2021-09-24 国网辽宁省电力有限公司经济技术研究院 一种多模型融合神经网络的短期负荷预测方法
CN109685265A (zh) * 2018-12-21 2019-04-26 积成电子股份有限公司 一种电力系统短期电力负荷的预测方法
CN110298501B (zh) * 2019-06-21 2022-08-16 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法

Also Published As

Publication number Publication date
CN111160659A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160659B (zh) 一种考虑温度模糊化的电力负荷预测方法
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN108280551A (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN103226741B (zh) 城市供水管网爆管预测方法
CN107622329A (zh) 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN112116147A (zh) 一种基于lstm深度学习的河流水温预测方法
Zhu et al. Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN108711847A (zh) 一种基于编码解码长短期记忆网络的短期风电功率预测方法
CN117977568A (zh) 基于嵌套lstm和分位数计算的电力负荷预测方法
CN114492922A (zh) 一种中长期发电量预测方法
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
Wang et al. An approach of recursive timing deep belief network for algal bloom forecasting
CN110969312A (zh) 基于变分模态分解和极端学习机的短期径流预测耦合方法
CN113722997A (zh) 一种基于静态油气田数据的新井动态产量预测方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN113962454A (zh) 基于双重特征选择+粒子群优化的lstm能耗预测方法
CN117973644A (zh) 一种考虑参考电站优化的分布式光伏功率虚拟采集方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法

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
CB03 Change of inventor or designer information

Inventor after: Cai Shaorong

Inventor after: Wei Mingkui

Inventor after: Zhou Quan

Inventor after: Lu Liang

Inventor after: Jiang Li

Inventor after: Wang Qing

Inventor after: Zheng Ruixiao

Inventor after: Zhang Shu

Inventor after: Xiao Xianyong

Inventor before: Cai Shaorong

Inventor before: Wang Qing

Inventor before: Zhang Shu

Inventor before: Zheng Ruixiao

Inventor before: Xiao Xianyong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant