CN111461984A - 一种基于压缩感知的负荷预测方法 - Google Patents

一种基于压缩感知的负荷预测方法 Download PDF

Info

Publication number
CN111461984A
CN111461984A CN202010241375.2A CN202010241375A CN111461984A CN 111461984 A CN111461984 A CN 111461984A CN 202010241375 A CN202010241375 A CN 202010241375A CN 111461984 A CN111461984 A CN 111461984A
Authority
CN
China
Prior art keywords
resolution power
training
verification
super
resolution
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
CN202010241375.2A
Other languages
English (en)
Other versions
CN111461984B (zh
Inventor
李富盛
林丹
余涛
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010241375.2A priority Critical patent/CN111461984B/zh
Publication of CN111461984A publication Critical patent/CN111461984A/zh
Application granted granted Critical
Publication of CN111461984B publication Critical patent/CN111461984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of networks
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4046—Scaling the whole image or part thereof using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (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)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于压缩感知的负荷预测方法，通过高分辨率电力数据获得用于训练和用于验证高分辨率电力图像，通过用于训练的高分辨率电力图像得到作为输入样本的用于训练的低分辨率电力图像，用于训练的高分辨率电力图像作为实际样本；生成式对抗网络包括生成器和判别器，用输入样本和实际样本对其进行训练；更新生成器损失函数与判别器损失函数；保存训练结束后的生成器，将用于验证的低分辨率电力图像输入生成器，得到用于验证的超分辨率电力图像，并转化为用于验证的超分辨率电力数据，通过用于验证的高分辨率电力数据得到用于验证的低分辨率电力数据，分别输入基于长短时记忆网络的负荷预测方法，对比二者的预测结果，提高了负荷预测精度。

Description

一种基于压缩感知的负荷预测方法
技术领域
本发明涉及电力系统负荷预测领域，尤其涉及一种基于压缩感知的负荷预测方法。
背景技术
高准确率的负荷预测是电力系统调度和控制的重要前提，随着电网接入大量的柔性负荷以及社会高速发展，负荷变化的不确定性合和波动性也在不断变大，负荷预测的难度也在不断增大。一般而言，高分辨率的电力数据能够反映更高维度的时空特性，更加有利于得到高准确率的负荷预测。然而，智能电表项目在国内外均处于初步发展阶段，短期内难以获得大量的全方位的高分辨率电力数据。
超分辨率重建是图像领域的研究热点，先进的超分辨率重建方法能够还原低分辨率图像的高频细节信息，使得生成的超分辨率图像在分辨率、时空特性以及高频细节上高度接近于真实的高分辨率图像。电力系统是高度复杂的人工系统，电力数据的时空特性复杂度一般高于图像，因此，研究将低分辨率电力数据进行超分辨率重建并研究基于低分辨率电力数据的高准确率负荷预测方法，是电力系统负荷预测领域亟需解决的问题。
发明内容
有鉴于此，本发明的目的是提出一种基于压缩感知的负荷预测方法，将电力数据转化为电力图像可以获得更好的重建效果，引入生成式对抗网络和感知损失可以提高对低分辨率电力数据的高频细节还原能力，引入Wasserstein距离可以增强生成式对抗网络训练过程的稳定性，训练后的生成器可用于对低分辨率电力数据进行高质量的超分辨率重建，并且可以利用超分辨率电力数据通过长短时记忆网络进行负荷预测，可以提高低分辨率电力数据的预测精度。
本发明的目的至少通过如下技术方案之一实现。
一种基于压缩感知的负荷预测方法，包括以下步骤：
S1、将n种不同类型的1维时序数据格式的高分辨率电力数据划分为用于训练的高分辨率电力数据和用于验证的高分辨率电力数据，分别转化为2维n通道的用于训练的高分辨率电力图像和用于验证的高分辨率电力图像，用于训练的高分辨率电力图像通过下采样得到用于训练的低分辨率电力图像，用于训练的低分辨率电力图像作为输入样本，用于训练的高分辨率电力图像作为实际样本；
S2、生成式对抗网络包括生成器和判别器，在训练阶段，将输入样本作为生成器的输入并训练生成器，生成器输出的超分辨率电力图像作为生成样本，将生成样本与实际样本作为判别器的输入并训练判别器，判别器的输出为判别器的输入属于实际样本的概率；
S3、利用判别器的输出更新生成器损失函数与判别器损失函数；
S4、保存训练结束后的生成器，将用于验证的低分辨率电力图像作为训练结束后的生成器的输入，得到用于验证的超分辨率电力图像，将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据；
S5、将用于验证的高分辨率电力数据通过下采样得到用于验证的低分辨率电力数据，用于验证的低分辨率电力数据与用于验证的超分辨率电力数据分别作为基于长短时记忆网络的负荷预测方法的输入，对比二者的预测结果。
进一步地，步骤S1中，所述高分辨率电力数据为电网运行的实际量测数据，所述n种类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据。
进一步地，所述与电力相关的数据包括天气、温度、湿度、风速、光照强度。
进一步地，步骤S1中，所述将n种不同类型的1维时序数据格式的高分辨率电力数据划分为用于训练的高分辨率电力数据和用于验证的高分辨率电力数据，分别转化为2维n通道的为用于训练的高分辨率电力图像和用于验证的高分辨率电力图像，用于训练的高分辨率电力图像通过下采样得到用于训练的低分辨率电力图像包括以下步骤：
S1.1、提取用于训练的第i种类型的高分辨率电力数据，其中i为用于训练的高分辨率电力数据的序号，1≤i≤n，令i＝1；
S1.2、按时间先后顺序将用于训练的第i种类型的高分辨率电力数据的每k×k个数据重新组合成1个行×列为k×k的2维矩阵，其中k为正整数，一般取为k≤100的合数，重新组合的方法为按照时间先后顺序依次填充2维矩阵的第1行的k列，第2行的k列，…，直至填充完第k行的k列。由此形成关于用于训练的第i种类型的高分辨率电力数据的一共m个2维矩阵，其中m为用于训练的第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的数量(用于训练的n种类型高分辨率电力数据的m的大小均相同)，设j为用于训练的第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵。
S1.3、如果i<n，令i＝i+1，重复步骤S1.2，如果i＝n，转到步骤S1.4；
S1.4、令i＝1，j＝1；
S1.5、将用于训练的第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵储存于用于训练的高分辨率电力图像的第j个图像的第i个通道；
S1.6、如果i<n，令i＝i+1，重复步骤S1.5，如果i＝n，转到步骤S1.7；
S1.7、令i＝1且j＝j+1，转到步骤S1.5，如果j＝m，转到步骤S1.8；
S1.8、储存上述步骤所得的用于训练的m个2维n通道的高分辨率电力图像；
S1.9、通过用于训练的m个2维n通道的高分辨率电力图像进行下采样得到用于训练的m个2维n通道的低分辨率电力图像，其中下采样的倍数L取为合数k的因子；
进一步地，步骤S3中，所述生成器损失函数lG为：
lG＝lG′+λlMSE；
其中，λ的取值范围是(0,1)；lG′为引入Wasserstein距离改进后的生成对抗损失；lMSE为感知损失，其利用实际样本与生成样本的像素间的均方根误差MSE表示。
所述生成对抗损失lG′为：
Figure BDA0002431970190000031
其中，G表示生成器，θG表示生成器的参数，xLR为用于训练的低分辨率电力图像，
Figure BDA0002431970190000032
为生成器的生成样本，即超分辨率电力图像xSR，
Figure BDA0002431970190000033
为生成样本通过判别器的输出。
所述感知损失lMSE为：
Figure BDA0002431970190000034
其中，W和H分别为生成样本或实际样本的第i个通道的2维矩阵的宽度和高度，w和h分别为生成样本或实际样本的第i个通道的2维矩阵的元素所在行和所在列，
Figure BDA0002431970190000035
为实际样本的第i个通道的2维矩阵的第w行h列的元素的数值，
Figure BDA0002431970190000036
为生成样本的第i个通道的2维矩阵的第w行h列的元素的数值。
所述判别器损失函数lD为：
lD＝lD′；
其中，lD′为引入Wasserstein距离改进后的判别对抗损失：
Figure BDA0002431970190000041
其中，D表示判别器，θD表示判别器的参数，
Figure BDA0002431970190000042
为实际样本通过判别器的输出，xHR为用于训练的高分辨率电力图像。
进一步地，步骤S4中，所述将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据包括以下步骤：
S4.1、设一共有m′个用于验证的2维n通道的超分辨率电力图像，令j′＝1，令i′＝1，其中1≤j′≤m′，1≤i′≤n；
S4.2、提取第j′个用于验证的2维n通道的超分辨率电力图像，其中超分辨率电力图像与高分辨率电力图像具有相同的结构，即第i′个通道是1个行×列为k×k的2维矩阵且表示第i′种类型的用于验证的超分辨率电气数据；
S4.3、按照第1行的k列，第2行的k列，…，直至填充完第k行的k列的顺序依次读取用于验证的第j′个超分辨率电力图像的第i′通道的行×列为k×k的2维矩阵的元素，并以1维时序数据格式依次存储于第i′种类型的用于验证的超分辨率电力数据中；
S4.4、如果i′＜n，令i′＝i′+1，转到步骤S4.3，如果i′＝n，转到步骤S4.5；
S4.5、令i′＝1且j′＝j′+1，转到步骤S4.2，如果j′＝m′，转到步骤S4.6；
S4.6、储存上述步骤所得的用于验证的n种类型的超分辨率电力数据；
进一步地，步骤S5中，所述基于长短时记忆网络的负荷预测方法包括以下步骤：
S5.1、将用于验证的n种类型的超分辨率电力数据输入长短时记忆网络
S5.2、调整超参数，包括隐层层数、各隐层神经元数量、激活函数、学习率、迭代次数等；
S5.3、利用步骤S5.2所调整的超参数进行训练；
S5.4、如果收敛，转到步骤S5.5，否则转到步骤S5.2；
S5.5、输出预测结果1，计算预测准确度1；
S5.6、将用于验证的n种类型的低分辨率电力数据输入长短时记忆网络
S5.7、调整超参数，包括隐层层数、各隐层神经元数量、激活函数、学习率、迭代次数等；
S5.8、利用步骤S5.7所调整的超参数进行训练；
S5.9、如果收敛，转到步骤S5.10，否则转到步骤S5.7；
S5.10、输出预测结果2，计算预测准确度2；
S5.11、比较预测结果1与预测结果2，比较预测准确度1与预测准确度2。
与现有技术相比，本发明有以下有益效果：
本发明提出的一种基于压缩感知的负荷预测方法，通过将电力数据转化为电力图像，更有利于挖掘电力数据的复杂时空特性，引入生成式对抗网络和感知损失可提高对低分辨率电力数据的高频细节还原能力，从而可使生成样本与实际样本更加接近，引入Wasserstein距离增强生成式对抗网络训练过程的稳定性，训练后的生成器可用于对低分辨率电力数据进行高质量的超分辨率重建，并且利用超分辨率电力数据通过长短时记忆网络进行负荷预测，可以提高低分辨率电力数据的预测精度，可以实现基于压缩感知的负荷预测。
附图说明
图1为本发明提供的一种基于压缩感知的负荷预测方法的流程示意图；
图2为本发明实施例的电力数据转化为电力图像的流程示意图；
图3为本发明实施例的生成式对抗网络示意图；
图4为本发明实施例的电力图像转化为电力数据的流程示意图；
图5为本发明实施例的基于长短时记忆网络的负荷预测方法的流程示意图；
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例以及附图，对本发明的具体实施进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于压缩感知的负荷预测方法，包括以下步骤：
S1、将n种不同类型的1维时序数据格式的高分辨率电力数据划分为训练集和验证集，即分别为用于训练的高分辨率电力数据和用于验证的高分辨率电力数据，然后分别转化为用于2维n通道的用于训练的高分辨率电力图像和2维n通道的用于验证的高分辨率电力图像，用于训练的高分辨率电力图像通过下采样得到用于训练的低分辨率电力图像，用于训练的低分辨率电力图像作为输入样本，用于训练的高分辨率电力图像作为实际样本；用于验证的高分辨率电力图像通过下采样得到用于验证的低分辨率电力图像。
所述高分辨率电力数据为电网运行的实际量测数据，所述n种类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据(如天气、温度、湿度、风速、光照强度等)；
如图2所示，获得用于训练的低分辨率电力图像包括以下步骤：
S1.1、提取用于训练的第i种类型的高分辨率电力数据，其中i为用于训练的高分辨率电力数据的序号，1≤i≤n，令i＝1；
S1.2、按时间先后顺序将用于训练的第i种类型的高分辨率电力数据的每k×k个数据重新组合成1个行×列为k×k的2维矩阵，其中k为正整数，一般取为k≤100的合数，重新组合的方法为按照时间先后顺序依次填充2维矩阵的第1行的k列，第2行的k列，…，直至填充完第k行的k列。由此形成关于用于训练的第i种类型的高分辨率电力数据的一共m个2维矩阵，其中m为用于训练的第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的数量(用于训练的n种类型高分辨率电力数据的m的大小均相同)，设j为用于训练的第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵。
S1.3、如果i<n，令i＝i+1，重复步骤S1.2，如果i＝n，转到步骤S1.4；
S1.4、令i＝1，j＝1；
S1.5、将用于训练的第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵储存于用于训练的高分辨率电力图像的第j个图像的第i个通道；
S1.6、如果i<n，令i＝i+1，重复步骤S1.5，如果i＝n，转到步骤S1.7；
S1.7、令i＝1且j＝j+1，转到步骤S1.5，如果j＝m，转到步骤S1.8；
S1.8、储存上述步骤所得的用于训练的m个2维n通道的高分辨率电力图像；
S1.9、通过用于训练的m个2维n通道的高分辨率电力图像进行下采样得到用于训练的m个2维n通道的低分辨率电力图像，其中下采样的倍数L取为合数k的因子；
S2、如图3所示，生成式对抗网络包括生成器和判别器，在训练阶段，将输入样本作为生成器的输入并训练生成器，生成器输出的超分辨率电力图像作为生成样本，将生成样本与实际样本作为判别器的输入并训练判别器，判别器的输出为判别器的输入属于实际样本的概率；
S3、利用判别器的输出更新生成器损失函数与判别器损失函数；
所述生成器损失函数lG为：
lG＝lG′+λlMSE；
其中，λ的取值范围是(0,1)；lG′为引入Wasserstein距离改进后的生成对抗损失；lMSE为感知损失，其利用实际样本与生成样本的像素间的均方根误差MSE表示。
所述生成对抗损失lG′为：
Figure BDA0002431970190000071
其中，G表示生成器，θG表示生成器的参数，xLR为用于训练的低分辨率电力图像，
Figure BDA0002431970190000072
为生成器的生成样本，即超分辨率电力图像xSR，
Figure BDA0002431970190000073
为生成样本通过判别器的输出。
所述感知损失lMSE为：
Figure BDA0002431970190000074
其中，W和H分别为生成样本或实际样本的第i个通道的2维矩阵的宽度和高度，w和h分别为生成样本或实际样本的第i个通道的2维矩阵的元素所在行和所在列，
Figure BDA0002431970190000075
为实际样本的第i个通道的2维矩阵的第w行h列的元素的数值，
Figure BDA0002431970190000076
为生成样本的第i个通道的2维矩阵的第w行h列的元素的数值。
所述判别器损失函数lD为：
lD＝lD′；
其中，lD′为引入Wasserstein距离改进后的判别对抗损失：
Figure BDA0002431970190000077
其中，D表示判别器，θD表示判别器的参数，
Figure BDA0002431970190000078
为实际样本通过判别器的输出，xHR为用于训练的高分辨率电力图像。
没有引入Wasserstein距离的生成对抗损失和判别对抗损失的计算方式为对判别器的输入属于实际样本的概率先进行对数运算再求和，引入Wasserstein距离改进后的生成对抗损失和判别对抗损失的计算方式为直接判别器的输入属于实际样本的概率进行求和。引入Wasserstein距离可以增强生成式对抗网络训练过程的稳定性。
S4、保存训练结束后的生成器，将用于验证的低分辨率电力图像作为训练结束后的生成器的输入，得到用于验证的超分辨率电力图像，将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据；
如图4所示，将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据包括以下步骤：
S4.1、设一共有m′个用于验证的2维n通道的超分辨率电力图像，令j′＝1，令i′＝1，其中1≤j′≤m′，1≤i′≤n，i′为用于验证的超分辨率电力图像的通道的序号，j′为用于验证的超分辨率电力图像的序号；
S4.2、提取第j′个用于验证的2维n通道的超分辨率电力图像，其中超分辨率电力图像与高分辨率电力图像具有相同的结构，即第i′个通道是1个行×列为k×k的2维矩阵且表示第i′种类型的用于验证的超分辨率电气数据；
S4.3、按照第1行的k列，第2行的k列，…，直至填充完第k行的k列的顺序依次读取用于验证的第j′个超分辨率电力图像的第i′通道的行×列为k×k的2维矩阵的元素，并以1维时序数据格式依次存储于第i′种类型的用于验证的超分辨率电力数据中；
S4.4、如果i′＜n，令i′＝i′+1，转到步骤S4.3，如果i′＝n，转到步骤S4.5；
S4.5、令i′＝1且j′＝j′+1，转到步骤S4.2，如果j′＝m′，转到步骤S4.6；
S4.6、储存上述步骤所得的用于验证的n种类型的超分辨率电力数据；
S5、将用于验证的高分辨率电力数据通过下采样得到用于验证的低分辨率电力数据，用于验证的低分辨率电力数据与用于验证的超分辨率电力数据分别作为基于长短时记忆网络的负荷预测方法的输入，对比二者的预测结果。
如图5所示，基于长短时记忆网络的负荷预测方法包括以下步骤：
S5.1、将用于验证的n种类型的超分辨率电力数据输入长短时记忆网络；
S5.2、调整超参数，包括隐层层数、各隐层神经元数量、激活函数、学习率、迭代次数等；
S5.3、利用步骤S5.2所调整的超参数进行训练；
S5.4、如果收敛，转到步骤S5.5，否则转到步骤S5.2；
S5.5、输出预测结果1，计算预测准确度1；
S5.6、将用于验证的n种类型的低分辨率电力数据输入长短时记忆网络；
S5.7、调整超参数，包括隐层层数、各隐层神经元数量、激活函数、学习率、迭代次数等；
S5.8、利用步骤S5.7所调整的超参数进行训练；
S5.9、如果收敛，转到步骤S5.10，否则转到步骤S5.7；
S5.10、输出预测结果2，计算预测准确度2；
S5.11、比较预测结果1与预测结果2，比较预测准确度1与预测准确度2。
比较中，预测结果1比预测结果2更好并且预测准确度1比预测准确度2更高，则本发明比传统方法的预测准确度有提升，能够实现更优的负荷预测。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于压缩感知的负荷预测方法，其特征在于，包括以下步骤：
S1、将n种不同类型的1维时序数据格式的高分辨率电力数据划分为用于训练的高分辨率电力数据和用于验证的高分辨率电力数据，分别转化为2维n通道的用于训练的高分辨率电力图像和用于验证的高分辨率电力图像，用于训练的高分辨率电力图像通过下采样得到用于训练的低分辨率电力图像，用于训练的低分辨率电力图像作为输入样本，用于训练的高分辨率电力图像作为实际样本，用于验证的高分辨率电力图像通过下采样得到用于验证的低分辨率电力图像；
S2、生成式对抗网络包括生成器和判别器，用输入样本和实际样本训练生成式对抗网络，得到训练后的生成器和判别器输出的判别器的输入属于实际样本的概率；
S3、利用判别器的输出更新生成器损失函数与判别器损失函数；
S4、保存训练结束后的生成器，将用于验证的低分辨率电力图像作为训练结束后的生成器的输入，得到用于验证的超分辨率电力图像，将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据；
S5、将用于验证的高分辨率电力数据通过下采样得到用于验证的低分辨率电力数据，用于验证的低分辨率电力数据与用于验证的超分辨率电力数据分别作为基于长短时记忆网络的负荷预测方法的输入，对比二者的预测结果。
2.根据权利要求1所述的一种基于压缩感知的负荷预测方法，其特征在于：步骤S1中，所述高分辨率电力数据为电网运行的实际量测数据，所述n种不同类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据。
3.根据权利要求2所述的一种基于压缩感知的负荷预测方法，其特征在于：所述与电力相关的数据包括天气、温度、湿度、风速、光照强度。
4.根据权利要求1所述的一种基于压缩感知的负荷预测方法，其特征在于，步骤S1中，所述将n种不同类型的1维时序数据格式的高分辨率电力数据划分为用于训练的高分辨率电力数据和用于验证的高分辨率电力数据，分别转化为2维n通道的为用于训练的高分辨率电力图像和用于验证的高分辨率电力图像，用于训练的高分辨率电力图像通过下采样得到用于训练的低分辨率电力图像包括以下步骤：
S1.1、提取用于训练的第i种类型的高分辨率电力数据，其中i为用于训练的高分辨率电力数据的序号，1≤i≤n，令i＝1；
S1.2、按时间先后顺序将用于训练的第i种类型的高分辨率电力数据的每k×k个数据重新组合成行×列为k×k的2维矩阵，其中k为正整数，取为k≤100的合数，形成关于用于训练的第i种类型的高分辨率电力数据的一共m个2维矩阵，其中m为用于训练的第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的数量，用于训练的n种类型高分辨率电力数据的m的大小均相同，设j为用于训练的第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵；
S1.3、如果i<n，令i＝i+1，重复步骤S1.2，如果i＝n，转到步骤S1.4；
S1.4、令i＝1，j＝1；
S1.5、将用于训练的第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵储存于用于训练的高分辨率电力图像的第j个图像的第i个通道；
S1.6、如果i<n，令i＝i+1，重复步骤S1.5，如果i＝n，转到步骤S1.7；
S1.7、令i＝1且j＝j+1，转到步骤S1.5，如果j＝m，转到步骤S1.8；
S1.8、储存上述步骤所得的用于训练的m个2维n通道的高分辨率电力图像；
S1.9、通过用于训练的m个2维n通道的高分辨率电力图像进行下采样得到用于训练的m个2维n通道的低分辨率电力图像，其中下采样的倍数L取为合数k的因子。
5.根据权利要求4所述的一种基于压缩感知的负荷预测方法，其特征在于：所述重新组合的方法为按照时间先后顺序依次填充2维矩阵的第1行的k列，第2行的k列，…，直至填充完第k行的k列。
6.根据权利要求1所述的一种基于压缩感知的负荷预测方法，其特征在于，步骤S2中，用输入样本和实际样本训练生成式对抗网络，得到训练后的生成器和判别器输出的判别器的输入属于实际样本的概率，具体过程为：
将输入样本作为生成器的输入并训练生成器，生成器输出的超分辨率电力图像作为生成样本，将生成样本与实际样本作为判别器的输入并训练判别器，判别器的输出为判别器的输入属于实际样本的概率。
7.根据权利要求1所述的一种基于压缩感知的负荷预测方法，其特征在于，步骤S3中，所述生成器损失函数lG为：
lG＝lG′+λlMSE；
其中，λ的取值范围是(0,1)；lG′为引入Wasserstein距离改进后的生成对抗损失；lMSE为感知损失，其利用实际样本与生成样本的像素间的均方根误差MSE表示；
所述生成对抗损失lG′为：
Figure FDA0002431970180000031
其中，G表示生成器，θG表示生成器的参数，xLR为用于训练的低分辨率电力图像，
Figure FDA0002431970180000032
为生成器的生成样本，即超分辨率电力图像xSR，
Figure FDA0002431970180000033
为生成样本通过判别器的输出；
所述感知损失lMSE为：
Figure FDA0002431970180000034
其中，W和H分别为生成样本或实际样本的第i个通道的2维矩阵的宽度和高度，w和h分别为生成样本或实际样本的第i个通道的2维矩阵的元素所在行和所在列，
Figure FDA0002431970180000035
为实际样本的第i个通道的2维矩阵的第w行h列的元素的数值，
Figure FDA0002431970180000036
为生成样本的第i个通道的2维矩阵的第w行h列的元素的数值；
所述判别器损失函数lD为：
lD＝lD′；
其中，lD′为引入Wasserstein距离改进后的判别对抗损失：
Figure FDA0002431970180000037
其中，D表示判别器，θD表示判别器的参数，
Figure FDA0002431970180000038
为实际样本通过判别器的输出，xHR为用于训练的高分辨率电力图像。
8.根据权利要求1所述的一种基于压缩感知的负荷预测方法，其特征在于，步骤S4中，所述将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据包括以下步骤：
S4.1、设一共有m′个用于验证的2维n通道的超分辨率电力图像，令j′＝1，令i′＝1，其中1≤j′≤m′，1≤i′≤n，i′为用于验证的超分辨率电力图像的通道的序号，j′为用于验证的超分辨率电力图像的序号；
S4.2、提取第j′个用于验证的2维n通道的超分辨率电力图像，其中超分辨率电力图像与高分辨率电力图像具有相同的结构，即第i′个通道是1个行×列为k×k的2维矩阵且表示第i′种类型的用于验证的超分辨率电气数据；
S4.3、按照第1行的k列，第2行的k列，…，直至填充完第k行的k列的顺序依次读取用于验证的第j′个超分辨率电力图像的第i′通道的行×列为k×k的2维矩阵的元素，并以1维时序数据格式依次存储于第i′种类型的用于验证的超分辨率电力数据中；
S4.4、如果i′＜n，令i′＝i′+1，转到步骤S4.3，如果i′＝n，转到步骤S4.5；
S4.5、令i′＝1且j′＝j′+1，转到步骤S4.2，如果j′＝m′，转到步骤S4.6；
S4.6、储存上述步骤所得的用于验证的n种类型的超分辨率电力数据。
9.根据权利要求1所述的一种基于压缩感知的负荷预测方法，其特征在于，步骤S5中，所述基于长短时记忆网络的负荷预测方法包括以下步骤：
S5.1、将用于验证的n种类型的超分辨率电力数据输入长短时记忆网络；
S5.2、调整超参数；
S5.3、利用步骤S5.2所调整的超参数进行训练；
S5.4、如果收敛，转到步骤S5.5，否则转到步骤S5.2；
S5.5、输出预测结果1，计算预测准确度1；
S5.6、将用于验证的n种类型的低分辨率电力数据输入长短时记忆网络
S5.7、调整超参数；
S5.8、利用步骤S5.7所调整的超参数进行训练；
S5.9、如果收敛，转到步骤S5.10，否则转到步骤S5.7；
S5.10、输出预测结果2，计算预测准确度2；
S5.11、比较预测结果1与预测结果2，比较预测准确度1与预测准确度2。
10.根据权利要求9所述的一种基于压缩感知的负荷预测方法，其特征在于：所述调整超参数包括调整：隐层层数、各隐层神经元数量、激活函数、学习率和迭代次数。
CN202010241375.2A 2020-03-30 2020-03-30 一种基于压缩感知的负荷预测方法 Active CN111461984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010241375.2A CN111461984B (zh) 2020-03-30 2020-03-30 一种基于压缩感知的负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010241375.2A CN111461984B (zh) 2020-03-30 2020-03-30 一种基于压缩感知的负荷预测方法

Publications (2)

Publication Number Publication Date
CN111461984A true CN111461984A (zh) 2020-07-28
CN111461984B CN111461984B (zh) 2022-06-14

Family

ID=71679415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010241375.2A Active CN111461984B (zh) 2020-03-30 2020-03-30 一种基于压缩感知的负荷预测方法

Country Status (1)

Country Link
CN (1) CN111461984B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647468A (zh) * 2012-04-01 2012-08-22 成都静水飞云科技有限责任公司 云计算负载均衡评估系统及评估方法
CN104037810A (zh) * 2014-07-08 2014-09-10 中国南方电网有限责任公司 一种改进的风险评估发电-负荷功率调整方法
CN109144987A (zh) * 2018-08-03 2019-01-04 天津相和电气科技有限公司 基于深度学习的电力系统量测缺失值重建方法及其应用
CN109461120A (zh) * 2018-09-19 2019-03-12 华中科技大学 一种基于srgan的微波遥感亮温图像重构方法
CN109544656A (zh) * 2018-11-23 2019-03-29 南京信息工程大学 一种基于生成对抗网络的压缩感知图像重建方法及系统
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
KR20190099811A (ko) * 2018-02-20 2019-08-28 한국전자통신연구원 순환신경망 기반 시계열 신호 예측 장치 및 방법
CN110580682A (zh) * 2019-09-16 2019-12-17 电子科技大学 一种基于优化生成对抗网络地震数据超分辨率重建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647468A (zh) * 2012-04-01 2012-08-22 成都静水飞云科技有限责任公司 云计算负载均衡评估系统及评估方法
CN104037810A (zh) * 2014-07-08 2014-09-10 中国南方电网有限责任公司 一种改进的风险评估发电-负荷功率调整方法
KR20190099811A (ko) * 2018-02-20 2019-08-28 한국전자통신연구원 순환신경망 기반 시계열 신호 예측 장치 및 방법
CN109144987A (zh) * 2018-08-03 2019-01-04 天津相和电气科技有限公司 基于深度学习的电力系统量测缺失值重建方法及其应用
CN109461120A (zh) * 2018-09-19 2019-03-12 华中科技大学 一种基于srgan的微波遥感亮温图像重构方法
CN109544656A (zh) * 2018-11-23 2019-03-29 南京信息工程大学 一种基于生成对抗网络的压缩感知图像重建方法及系统
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110580682A (zh) * 2019-09-16 2019-12-17 电子科技大学 一种基于优化生成对抗网络地震数据超分辨率重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN LEDIG ET AL.: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 9 November 2017 (2017-11-09), pages 105 - 114 *
吴倩红等: ""人工智能+"时代下的智能电网预测分析", 《上海交通大学学报》, vol. 52, no. 10, 28 October 2018 (2018-10-28), pages 1206 - 1219 *
周念成等: "深度学习在智能电网中的应用现状分析与展望", 《电力系统自动化》, vol. 43, no. 4, 25 February 2019 (2019-02-25), pages 180 - 197 *
蓝新斌等: "基于改进长短时记忆网络的短期负荷预测方法", 《新型工业化》, vol. 9, no. 11, 20 November 2019 (2019-11-20), pages 6 - 9 *

Also Published As

Publication number Publication date
CN111461984B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
Li et al. Combination of manifold learning and deep learning algorithms for mid-term electrical load forecasting
CN115622047B (zh) 基于Transformer模型的电力变压器负荷预测方法
CN112766568B (zh) 一种基于卫星云图的超短期分布式光伏功率预测方法
CN112508246B (zh) 一种基于相似日的光伏发电功率预测方法
CN115660161A (zh) 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
US20230095676A1 (en) Method for multi-task-based predicting massiveuser loads based on multi-channel convolutional neural network
CN114201924A (zh) 基于迁移学习的太阳辐照度预测方法及预测系统
CN115688993A (zh) 一种适用于配电台区的短期电力负荷预测方法
Gao et al. Short-term solar irradiance prediction from sky images with a clear sky model
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN114692981A (zh) 基于Seq2Seq模型的中长期径流预报方法和系统
Khan et al. Adaptive Error Curve Learning Ensemble Model for Improving Energy Consumption Forecasting.
Jønler et al. Probabilistic forecasts of global horizontal irradiance for solar systems
CN111461984B (zh) 一种基于压缩感知的负荷预测方法
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN116629406A (zh) 一种基于改进Prophet模型的用电碳排放预测方法
Wang et al. Ultra-short-term regional PV power forecasting based on fluctuation pattern recognition with satellite images
CN116402194A (zh) 一种基于混合神经网络的多时间尺度负荷预测方法
CN116090635A (zh) 一种气象驱动的新能源发电功率预测方法
Fan et al. Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network
CN111461977B (zh) 基于改进生成式对抗网络的电力数据超分辨率重建方法

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
GR01 Patent grant
GR01 Patent grant