CN112348287A - 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 - Google Patents
基于lstm分位数回归的电力系统短期负荷概率密度预测方法 Download PDFInfo
- Publication number
- CN112348287A CN112348287A CN202011366594.XA CN202011366594A CN112348287A CN 112348287 A CN112348287 A CN 112348287A CN 202011366594 A CN202011366594 A CN 202011366594A CN 112348287 A CN112348287 A CN 112348287A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- max
- external influence
- data sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002354 daily effect Effects 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 33
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法及装置,包括:采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化的序列分为测试组序列和训练组序列;将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。本发明能够在保障较高预测精度的同时,考虑到负荷的不确定性,获取用户在未来某段时间内负荷的概率分布情况,使预测结果包含更多的信息。
Description
技术领域
本发明涉及电力系统短期负荷预测技术领域,特别是涉及一种基于LSTM分位数回归的日前电力负荷概率密度预测方法及装置。
背景技术
电力系统负荷预测是在考虑电力用户用电特性以及一些外部影响因素的条件下,预测未来某时刻用户的用电负荷数据。预测的结果需要满足一定的精度才能有效的为电力系统的运行和规划提供参考。传统的负荷预测只能对未来每一时刻的负荷提供一个预测值。但是一方面,以电动汽车、空调为代表的柔性负荷在用户侧逐渐普及,不同用户的用电行为以及用户特征存在不同,其负荷曲线通常波动性较大且难以预测;另一方面,分布式发电在用户侧的比例也越来越高,因此电力负荷表现出更强的不确定性。传统的确定值负荷预测已经不能满足电网的运行要求。若负荷预测值比实际值高,即预测误差为正,则会承担额外发电机组的投入运行费用,进而增加电力系统的运行调度成本。若负荷预测值比实际值低,即预测误差为负,则会承担由于调度方案的功率不足和缺电率造成的调度风险。而概率性负荷预测相比与传统的确定值负荷预测,可以通过概率密度、分位数或置信区间的方式,预测结果更能包含不确定性信息。便于电力调度中心根据源荷两侧的实际运行情况选择不同的负荷预测曲线,进一步减小电力系统的运行成本。
人工神经网络由于具备自适应、自学习和自组织能力而被广泛应用于电力负荷预测领域。现有的应用于电力负荷预测领域的神经网络种类繁多,如BP神经网络、ELMAN神经网络、RBF神经网络等等。其中,长短期记忆网络(LSTM)是一种循环神经网络,可以解决传统神经网络不能持续记忆的问题,在学习序列数据的非线性特征方面具有优势,更适用于超短期负荷预测。大量的学者基于LSTM实现了较好的负荷预测精度,然而单一的点负荷预测并不能考虑负荷的不确定性。此外,传统的概率分布模型无法描述分布式可再生能源和负荷的概率密度分布的实际特征,如峰值、粗尾、不对称和多个高峰。因此如何在保证较高负荷预测精度的情况下,同时考虑到电力负荷的不确定性,使预测结果包含更多的信息是必须考虑的问题。
发明内容
本发明的目的是:提供基于LSTM分位数回归的电力系统短期负荷概率密度预测方法及装置,能够在保障较高预测精度的同时,考虑到负荷的不确定性,获取用户在未来某段时间内负荷的概率分布情况,使预测结果包含更多的信息。
为了实现上述目的,本发明提供了一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法,包括:
采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;其中,所述外部影响因素数据包括:日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型;
将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵;
将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。
进一步地,所述采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;具体为:
以每天M个采样点的采样率对N天历史负荷数据进行采样,得到N个历史负荷序列矩阵L:
分别获得所述N天中每一天的外部影响因素数据序列,并获得所述待预测日的外部影响因素数据序列W:
其中,G为一天中外部影响因素的个数。
进一步地,,所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理;具体为:
对历史负荷数据进行归一化处理,采用如下公式:
Dmin=Lmin-α|Lmax-Lmin|
Dmax=Lmax+α|Lmax-Lmin|
其中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子;
对外部影响因素数据进归一化处理,采用如下公式:
Dmin=Wmin-α|Wmax-Wmin|
Dmax=Wmax+α|Wmax-Wmin|
其中,Wn(i)是第n天中第i时刻的外部影响因素序列,是归一化后的外部影响因素序列;Wmax和Wmin是外部影响因素矩阵W中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Wmax和Wmin之外,α=0.2为比例因子。
进一步地,所述预设的LSTM分位数回归预测模型;具体公式如下:
本发明实施例还提供一种基于LSTM分位数回归的电力系统短期负荷概率密度预测装置,包括:包括:数据采样模块、数据处理模块和负荷预测模块;其中,
所述数据采样模块,用于采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;其中,所述外部影响因素数据包括:日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型;
所述数据处理模块,用于将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵;
所述负荷预测模块,用于将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。
进一步地,,所述采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;具体为:
以每天M个采样点的采样率对N天历史负荷数据进行采样,得到N个历史负荷序列矩阵L:
分别获得所述N天中每一天的外部影响因素数据序列,并获得所述待预测日的外部影响因素数据序列W:
其中,G为一天中外部影响因素的个数。
进一步地,所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理;具体为:
对历史负荷数据进行归一化处理,采用如下公式:
Dmin=Lmin-α|Lmax-Lmin|
Dmax=Lmax+α|Lmax-Lmin|
其中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子;
对外部影响因素数据进归一化处理,采用如下公式:
Dmin=Wmin-α|Wmax-Wmin|
Dmax=Wmax+α|Wmax-Wmin|
其中,Wn(i)是第n天中第i时刻的外部影响因素序列,是归一化后的外部影响因素序列;Wmax和Wmin是外部影响因素矩阵W中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Wmax和Wmin之外,α=0.2为比例因子。
进一步地,所述预设的LSTM分位数回归预测模型;具体公式如下:
本发明实施例还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法。
本发明实施例还提供一种一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法。
本发明实施例一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法及装置与现有技术相比,其有益效果在于:
LSTM作为一种循环神经网络,可以解决传统神经网络不能持续记忆的问题,在学习序列数据的非线性特征方面具有优势,更适用于超短期负荷预测,预测准确率更高。同时考虑到气象和日期类型等外部数据,可以进一步的提高预测精度。在LSTM的基础上结合分位数回归,可以考虑到负荷的不确定性,在不同的分位数下得到不同的负荷预测曲线,实现概率型预测。LSTM分位数回归预测模型能够获取用户在未来某段时间内负荷的概率分布情况,使预测结果包含更多的信息,便于电力调度中心根据实际运行情况选择不同的负荷预测曲线,进一步减小电力系统的运行成本,因而具有重要的现实意义和良好的应用前景。
附图说明
图1为本发明某一实施例提供的一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法的流程示意图;
图2为现有的LSTM网络示意图;
图3为本发明某一实施例提供的某地区某一典型日的不同分位数下日电力负荷预测结果示意图;
图4为本发明某一实施例提供的某地区某一典型日的0.5分位数下日电力负荷预测结果示意图;
图5为本发明实施例提供的某地区某一典型日的不同概率下负荷预测值的系统调度成本示意图。
图6为本发明某一实施例提供的一种基于LSTM分位数回归的电力系统短期负荷概率密度预测装置的结构示意图。
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,所描述的实施例仅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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1-图5所示,本发明实施例提供的一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法,所述方法至少包括如下步骤:
S101、采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;其中,所述外部影响因素数据包括:日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型;
需要说明的是,对于步骤S101,采集数据的步骤具体为:
以每天M个采样点的采样率对N天历史负荷数据进行采样,得到N个历史负荷序列矩阵L:
分别获得所述N天中每一天的外部影响因素数据序列,并获得所述待预测日的外部影响因素数据序列W:
其中,G为一天中外部影响因素的个数。
S102、将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵;
需要说明的是,所述归一化处理是一种把把数变为(0,1)之间的小数,主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,应该归到数字信号处理范畴之内。
例如:{2.5 3.5 0.5 1.5}归一化后变成了{0.3125 0.4375 0.0625 0.1875}解:2.5+3.5+0.5+1.5=8,
2.5/8=0.3125,3.5/8=0.4375,0.5/8=0.0625,1.5/8=0.1875。
这个归一化就是将括号里面的总和变成1.然后写出每个数的比例。
归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。
需要说明的是,构建好测试数据序列后,需要把序列数据分为训练组数据和测试组数据,对于输入负荷序列和影响因素序列数据按照实际需求比例分为训练组和测试组;
S103、将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。
需要说明的是,所述LSTM指的是长短期记忆网络,长短期记忆网络(LSTM,LongShort-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。
长短期记忆网络(Long-Short Term Memory,LSTM)论文首次发表于1997年。由于独特的设计结构,LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
LSTM的表现通常比时间递归神经网络及隐马尔科夫模型(HMM)更好,比如用在不分段连续手写识别上。2009年,用LSTM构建的人工神经网络模型赢得过ICDAR手写识别比赛冠军。LSTM还普遍用于自主语音识别,2013年运用TIMIT自然演讲数据库达成17.7%错误率的纪录。作为非线性模型,LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。
需要说明的是,针对待预测日中的某一具体时刻i,传统的LSTM负荷预测模型采用均方误差作为损失函数,如下式。通过使损失函数最小得到时刻i的最优预测值。每个时刻对应一个最优预测值。
引入分位数的概念可以以条件概率的形式描述预测结果。LSTM分位数回归模型中的参数估计可以将损失函数由均方误差改为分位数加权均方误差,如下式,可实现LSTM分位数回归终构建LSTM分位数回归预测模型。
分位数τ在区间(0,1)连续取值时,可基于LSTM分位数回归预测模型直接得到不同分位数下的最终负荷概率密度预测结果。
需要说明的是,本发明采用单模型多变量的预测方法进行短期负荷概率密度预测,也就是一个LSTM分位数回归预测模型预测一天多个时刻的负荷值。假设预测第d天M个时刻的负荷序列为Ld,使用得到的归一化后的负荷序列矩阵以及外部影响因素矩阵构成LSTM分位数回归预测模型的输入。
为预测第d天的负荷序列Ld,选取LSTM分位数回归预测模型的输入为第d-1天、d-2天以及d-7天对应M个时刻的负荷序列,此外,选取第d天、第d-1天、d-2天以及d-7天的有效外部影响因素,神经网络的输入序列Sd由下式构成:
Sd(i)=[Ld-1,Ld-2,Ld-7,Wd-1,Wd-2,Wd-7,Wd]
LSTM分位数回归预测模型的输出为Ld。
利用训练组的数据对LSTM分位数回归预测模型进行训练,用测试集的数据对训练完成的预测模型进行预测精度检验。
在本发明的某一个实施例中,所述采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;具体为:
以每天M个采样点的采样率对N天历史负荷数据进行采样,得到N个历史负荷序列矩阵L:
分别获得所述N天中每一天的外部影响因素数据序列,并获得所述待预测日的外部影响因素数据序列W:
其中,G为一天中外部影响因素的个数。
在本发明的某一个实施例中,所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理;具体为:
对历史负荷数据进行归一化处理,采用如下公式:
Dmin=Lmin-α|Lmax-Lmin|
Dmax=Lmax+α|Lmax-Lmin|
其中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子;
对外部影响因素数据进归一化处理,采用如下公式:
Dmin=Wmin-α|Wmax-Wmin|
Dmax=Wmax+α|Wmax-Wmin|
其中,Wn(i)是第n天中第i时刻的外部影响因素序列,是归一化后的外部影响因素序列;Wmax和Wmin是外部影响因素矩阵W中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Wmax和Wmin之外,α=0.2为比例因子。
在本发明的某一个实施例中,所述预设的LSTM分位数回归预测模型;具体公式如下:
为了更好的了解本发明,可以由以下例子具体理解:
例如:已知某地区从2016年1月1日至2018年12月31日的负荷数据,负荷采样频率为60min,即每天有24个负荷数据采样点,除此以外,还有该地区2016年至2018年每天的气象因素数据,包括日最高温度、日平均温度、日最低温度、相对湿度和降雨量,以及每天的日期类型数据。现预测该地区2018年8月8日的24小时负荷数据。该预测方法的步骤如下:
步骤1.1:采集历史负荷信息,构造负荷序列矩阵;
以每天M个采样点的采样率对N天历史负荷数据进行采样,以得到N个负荷序列;在本实施例中,采样频率为60分钟,即M=24;
在本实施例中,待预测日的序号为d,所选择的N天具体为第d-1天、第d-2天以及第d-7天;由于在时间维度上,第d-1天和第d-2天与第d天相隔较近,这两天的日电力负荷数据与第d天的日电力负荷数据存在较大的关联性,在预测第d天的电力负荷值时,考虑前两天,即第d-1天和第d-2天的日电力负荷数据可以有效提高预测精度;由于电力系统中,负荷数据除了日周期性以外,还呈现出较为明显的周周期性,因此在预测第d天中某一时刻的电力负荷值时,考虑一周之前,即第d-7天的日电力负荷数据,能够有效提高预测精度;
步骤1.2:采集外部影响因素信息并构造影响因素矩阵;
采集一天中的外部影响因素数据,建立S天中第i天的初始影响因素序列Wi,Wi=[Wi(1),Wi(2),Wi(3),…,Wi(P)],其中,P为一天中外部影响因素的个数,在本实例中P=6。采集纵向维度为N天的初始影响因素序列,得到影响因素序列矩阵W:
步骤2:对所有样本数据进行线性归一化预处理,构建输入特征矩阵。并将输入数据划分为训练集和测试集。
步骤2.1:线性归一化处理负荷序列和外部影响因素序列。
获得历史负荷和影响因素的数据矩阵以后,需要对数据进行预处理。LSTM预测模型中的激活函数具有易于饱和的特性,如果直接将原始数据导入LSTM预测模型,LSTM预测模型将会趋于饱和而导致预测结果出现较大的偏差,因此,数据预处理的主要作用是将原始数据等效变化为满足LSTM预测模型输入的数据,即归一化。归一化的公式如下:
Dmin=Lmin-α|Lmax-Lmin| (2)
Dmax=Lmax+α|Lmax-Lmin| (3)
在(1)中,所有的原始数据被转化到(0,1)中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,(2)和(3)中Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子,避免了LSTM激活函数在数据映射时带来的精确度不高等问题。
步骤2.2:输入序列数据分为训练组和测试组。
对输入负荷序列和影响因素序列数据按照8:2的比例分为训练组和测试组。训练组的数据用于对预测模型进行训练,确定预测模型的内部参数。测试组数据用于检测训练完成的预测模型的精度。
步骤3:建立LSTM分位数回归预测模型,在预测模型中导入步骤2中归一化特征矩阵,并对未来负荷进行不同分位数预测。
步骤3.1:构建LSTM分位数回归预测模型;
LSTM是一种循环神经网络,其中典型一个模块结构如图1所示。LSTM通过3个控制门单元(输入门、遗忘门、输出门)选择保留或者忘记信息。多个LSTM模块串联组成LSTM网络。
针对待预测日的某一具体时刻i,传统的LSTM负荷预测模型采用均方误差作为损失函数,如式(4)。通过使损失函数最小得到时刻i的最优预测值。每个时刻对应一个最优预测值。
引入分位数的概念可以以条件概率的形式描述预测结果。LSTM分位数回归模型中的参数估计可以将损失函数由均方误差改为分位数加权均方误差,如式(5)所示,可实现LSTM分位数回归终构建LSTM分位数回归预测模型。
分位数τ在区间(0,1)连续取值时,可基于LSTM分位数回归预测模型直接得到不同分位数下的最终负荷概率密度预测结果。
在本实施例中,分位数τ取值范围为0.01到0.99。
步骤3.2:确定LSTM分位数回归预测模型的输入和输出;
本实施例采用单模型多变量的预测方法进行短期负荷概率密度预测,也就是一个LSTM分位数回归预测模型预测一天多个时刻的负荷值。假设预测第d天M个时刻的负荷序列为Ld,使用得到的归一化后的负荷序列矩阵以及外部影响因素矩阵构成LSTM分位数回归预测模型的输入。
为预测第d天的负荷序列Ld,则将预测日的负荷序列Ld作为输出数据。
选取LSTM分位数回归预测模型的输入为第d-1天、d-2天以及d-7天对应M个时刻的负荷序列,此外,选取第d天、第d-1天、d-2天以及d-7天的有效外部影响因素作为输入数据,神经网络的输入序列Sd由下式构成:
Sd(i)=[Ld-1,Ld-2,Ld-7,Wd-1,Wd-2,Wd-7,Wd]
在本实施例中,预测日选取为2018年8月8日,也就是预测该日的24小时负荷序列。选取LSTM分位数回归预测模型的负荷数据输入为2018年8月7日,2018年8月6日以及2018年8月1日三日中各24小时的负荷数据。此外选取2018年8月8日,2018年8月7日,2018年8月6日以及2018年8月1日的日最高温度、日平均温度、日最低温度、相对湿度,降雨量和日期类型的数据作为外部影响因素序列输入。分别设置不同的分位数τ,τ的取值范围为0.01-0.99。
利用已经训练好的LSTM分位数回归预测模型预测不同分位数下的负荷曲线。
图3是本发明实施例提供的地区2018年8月8日的不同分位数下日电力负荷预测结果图。图3是本发明实施例提供的地区2018年8月8日的0.5分位数下日电力负荷预测结果图。
从图3可以看出,随着分位数的增加,预测的负荷曲线增大,说明预测的负荷水平较松弛。特别是当分位数超过0.6时,负荷曲线整体迅速上升。从图4可以看到,当分位数为0.5时,负荷预测曲线最接近实际曲线,可以实现很高的预测精度。
结合图3和图4,可以得到,不同的分位数下,预测的负荷曲线不同。分位数越大,预测的负荷曲线包含的负荷不确定信息越多。分位数越小则包含的不确定性信息较少。因此多个分位数下的负荷预测曲线相比于传统的单一负荷预测可以包含更多的信息。电力调度中心可以根据不同需求下的调度计划,合理选择不同分位数下的负荷预测曲线。
图5是本发明实施例提供的某地区某一典型日的不同概率下负荷预测值的系统调度成本示意图。从图5可以看出,当分位数越小时,负荷预测值比实际值小的概率越大,因此电力系统由于调度方案的功率不足和缺电率造成的调度风险较大,造成的缺电惩罚也相应增加,进而增加了调度成本。而当分位数越大时,负荷预测值比实际值大的概率越大,因此电力系统会额外增加大量发电机组的运行,进而增加系统的运行调度成本。总之,不同分位数下负荷预测值的系统调度成本不同,相比于传统的负荷预测,可以对电力系统的调度提供更多的信息。电力调度中心可以结合实际中电源和负荷的预测情况,合理的选择不同分位数下负荷预测曲线。
本发明实施例一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法与现有技术相比,其有益效果在于:
LSTM作为一种循环神经网络,可以解决传统神经网络不能持续记忆的问题,在学习序列数据的非线性特征方面具有优势,更适用于超短期负荷预测,预测准确率更高。同时考虑到气象和日期类型等外部数据,可以进一步的提高预测精度。在LSTM的基础上结合分位数回归,可以考虑到负荷的不确定性,在不同的分位数下得到不同的负荷预测曲线,实现概率型预测。LSTM分位数回归预测模型能够获取用户在未来某段时间内负荷的概率分布情况,使预测结果包含更多的信息,便于电力调度中心根据实际运行情况选择不同的负荷预测曲线,进一步减小电力系统的运行成本,因而具有重要的现实意义和良好的应用前景。
本发明第二实施例:
如图6所示,本发明实施例还提供一种基于LSTM分位数回归的电力系统短期负荷概率密度预测装置200,包括:数据采样模块201、数据处理模块201和负荷预测模块203;其中,
所述数据采样模块201,用于采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;其中,所述外部影响因素数据包括:日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型;
所述数据处理模块202,用于将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵;
所述负荷预测模块203,用于将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。
在本发明的某一个实施例中,所述采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;具体为:
以每天M个采样点的采样率对N天历史负荷数据进行采样,得到N个历史负荷序列矩阵L:
分别获得所述N天中每一天的外部影响因素数据序列,并获得所述待预测日的外部影响因素数据序列W:
其中,G为一天中外部影响因素的个数。
在本发明的某一给实施例中,所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理;具体为:
对历史负荷数据进行归一化处理,采用如下公式:
Dmin=Lmin-α|Lmax-Lmin|
Dmax=Lmax+α|Lmax-Lmin|
其中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子;
对外部影响因素数据进归一化处理,采用如下公式:
Dmin=Wmin-α|Wmax-Wmin|
Dmax=Wmax+α|Wmax-Wmin|
其中,Wn(i)是第n天中第i时刻的外部影响因素序列,是归一化后的外部影响因素序列;Wmax和Wmin是外部影响因素矩阵W中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Wmax和Wmin之外,α=0.2为比例因子。
在本发明的某一个实施例中,所述预设的LSTM分位数回归预测模型;具体公式如下:
本发明第三实施例:
本发明实施例还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法。
本发明第四实施例:
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法,其特征在于,包括:
采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;其中,所述外部影响因素数据包括:日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型;
将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵;
将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。
3.根据权利要求1所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法,其特征在于,所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理;具体为:
对历史负荷数据进行归一化处理,采用如下公式:
Dmin=Lmin-α|Lmax-Lmin|
Dmax=Lmax+α|Lmax-Lmin|
其中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子;
对外部影响因素数据进归一化处理,采用如下公式:
Dmin=Wmin-α|Wmax-Wmin|
Dmax=Wmax+α|Wmax-Wmin|
5.一种基于LSTM分位数回归的电力系统短期负荷概率密度预测装置,其特征在于,包括:数据采样模块、数据处理模块和负荷预测模块;其中,
所述数据采样模块,用于采集负荷预测地区的历史负荷数据和外部影响因素数据,并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵;其中,所述外部影响因素数据包括:日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型;
所述数据处理模块,用于将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理,并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵;
所述负荷预测模块,用于将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型,得到短期负荷概率密度的预测结果。
7.根据权利要求5所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测装置,其特征在于,所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理;具体为:
对历史负荷数据进行归一化处理,采用如下公式:
Dmin=Lmin-α|Lmax-Lmin|
Dmax=Lmax+α|Lmax-Lmin|
其中,Ln(i)是第n天中第i时刻的负荷值,是归一化后的负荷值;Lmax和Lmin是负荷序列矩阵L中的最大值和最小值,Dmax和Dmin将归一化的上下范围扩大到Lmax和Lmin之外,α=0.2为比例因子;
对外部影响因素数据进归一化处理,采用如下公式:
Dmin=Wmin-α|Wmax-Wmin|
Dmax=Wmax+α|Wmax-Wmin|
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011366594.XA CN112348287A (zh) | 2020-11-26 | 2020-11-26 | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011366594.XA CN112348287A (zh) | 2020-11-26 | 2020-11-26 | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348287A true CN112348287A (zh) | 2021-02-09 |
Family
ID=74366217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011366594.XA Pending CN112348287A (zh) | 2020-11-26 | 2020-11-26 | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348287A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
CN113112092A (zh) * | 2021-05-07 | 2021-07-13 | 国网四川省电力公司经济技术研究院 | 一种短期概率密度负荷预测方法、装置、设备和存储介质 |
CN113591926A (zh) * | 2021-07-02 | 2021-11-02 | 华中科技大学 | 一种基于lstm网络的空调开关状态预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365560A1 (en) * | 2017-06-19 | 2018-12-20 | International Business Machines Corporation | Context aware sensitive information detection |
CN110009140A (zh) * | 2019-03-20 | 2019-07-12 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
CN110851959A (zh) * | 2019-10-18 | 2020-02-28 | 天津大学 | 一种融合深度学习和分位数回归的风速区间预测方法 |
CN111028100A (zh) * | 2019-11-29 | 2020-04-17 | 南方电网能源发展研究院有限责任公司 | 考虑气象因素的精细化短期负荷预测方法、装置及介质 |
CN111027772A (zh) * | 2019-12-10 | 2020-04-17 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
-
2020
- 2020-11-26 CN CN202011366594.XA patent/CN112348287A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365560A1 (en) * | 2017-06-19 | 2018-12-20 | International Business Machines Corporation | Context aware sensitive information detection |
CN110009140A (zh) * | 2019-03-20 | 2019-07-12 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
CN110851959A (zh) * | 2019-10-18 | 2020-02-28 | 天津大学 | 一种融合深度学习和分位数回归的风速区间预测方法 |
CN111028100A (zh) * | 2019-11-29 | 2020-04-17 | 南方电网能源发展研究院有限责任公司 | 考虑气象因素的精细化短期负荷预测方法、装置及介质 |
CN111027772A (zh) * | 2019-12-10 | 2020-04-17 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
彭曙蓉等: "基于深度学习分位数回归模型的充电桩负荷预测", 《电力系统保护与控制》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
CN113112092A (zh) * | 2021-05-07 | 2021-07-13 | 国网四川省电力公司经济技术研究院 | 一种短期概率密度负荷预测方法、装置、设备和存储介质 |
CN113591926A (zh) * | 2021-07-02 | 2021-11-02 | 华中科技大学 | 一种基于lstm网络的空调开关状态预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN110895773A (zh) | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 | |
Kim et al. | Probabilistic solar power forecasting based on bivariate conditional solar irradiation distributions | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
Johannesen et al. | Comparing recurrent neural networks using principal component analysis for electrical load predictions | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |