CN112365098A - 电力负荷的预测方法、装置、设备和存储介质 - Google Patents

电力负荷的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112365098A
CN112365098A CN202011419563.6A CN202011419563A CN112365098A CN 112365098 A CN112365098 A CN 112365098A CN 202011419563 A CN202011419563 A CN 202011419563A CN 112365098 A CN112365098 A CN 112365098A
Authority
CN
China
Prior art keywords
power load
data
encoder
noise reduction
load data
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
Application number
CN202011419563.6A
Other languages
English (en)
Inventor
王世君
袁绍军
张航
夏革非
陈广宇
卢志刚
张华东
李文龙
李佳骥
于宝鑫
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.)
Yanshan University
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Original Assignee
Yanshan University
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
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 Yanshan University, Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd filed Critical Yanshan University
Priority to CN202011419563.6A priority Critical patent/CN112365098A/zh
Publication of CN112365098A publication Critical patent/CN112365098A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种电力负荷的预测方法、装置、设备和存储介质，适用于电力技术领域，该方法包括：获取预设时段内目标用户的历史电力负荷数据，历史电力负荷数据包括预设时段内每个时刻的电力负荷；确定与目标用户的历史电力负荷数据对应的目标聚类；根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据。通过本发明可以提高电力负荷的预测准确度。

Description

电力负荷的预测方法、装置、设备和存储介质
技术领域
本发明属于电力技术领域，尤其涉及一种电力负荷的预测方法、装置、设备和存储介质。
背景技术
电力负荷，又称用电负荷，是指电力用户的用电设备在某一时刻向电力系统取用的电功率的总和。根据电力用户的不同负荷特征，电力负荷可划分为工业负荷、农业负荷、交通运输业负荷和人民生活用电负荷等。电力负荷的负荷预测对电力网络的可靠性有重大影响，如果负荷预测被低估，不仅供应的能源成本增加，还可能出现电力供应不足的情况；如果负荷预测过高，将造成发电资源的浪费。
现有的电力负荷的负荷预测方法存在预测准确度较低的问题，亟需一种准确度较高的负荷预测方法。
发明内容
有鉴于此，本发明实施例提供了一种电力负荷的预测方法、装置、设备和存储介质，以解决现有技术中电力负荷的预测准确度较低的问题。为实现上述目的，本发明采用的技术方案是：
本发明实施例的第一方面提供了一种电力负荷的预测方法，该方法包括：
获取预设时段内目标用户的历史电力负荷数据，历史电力负荷数据包括预设时段内每个时刻的电力负荷；
确定与目标用户的历史电力负荷数据对应的目标聚类；
根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据；
其中，电力负荷预测模型根据预设训练样本对长短期记忆神经网络模型进行训练得到，预设训练样本为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征，堆叠降噪自编码器包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。
可选的，在获取预设时段内目标用户的历史电力负荷数据之前，电力负荷的预测方法还包括：
获取预设时段内多个用户的电力负荷数据；
确定出多个用户的电力负荷数据中的最大的电力负荷；
将多个用户的电力负荷数据中的每个电力负荷除以最大的电力负荷，得到归一化后的电力负荷数据；
根据最大最小K均值聚类算法对归一化后的电力负荷数据进行分类，得到多个聚类；
根据堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征；
分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练，得到每个聚类的电力负荷预测模型。
可选的，根据堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征，包括：
在目标聚类的电力负荷数据中加入预设高斯噪声，得到第一输入数据；
将第一输入数据输入到第一降噪自编码器，得到第一输出数据；
将第一输出数据输入到第二降噪自编码器，得到第二输出数据；
将第二输出数据输入到第三降噪自编码器，得到目标聚类对应的负荷特征。
可选的，第一降噪自编码器采用如下降噪模型：
y＝S(ωx+b)
z＝S(ω'y+b')
Figure BDA0002821689060000031
其中，x为第一输入数据，z为第一输出数据，S为第一Sigmoid函数，ω为权重矩阵，b为偏移向量，ω'为重建权重矩阵，b'为重建偏移向量。
可选的，电力负荷预测模型包括：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)
Ct＝ft·Ct-1+it·C′t
Ot＝σ(Wo[ht-1,xt]+bo)
ht＝Ot·tanhCt
其中，ft为遗忘门向量，it为输入门向量，Ot为输出门向量，σ为第二Sigmoid函数，Wi、Wc和Wo为随机初始化的权重值矩阵，xt为t时刻的输入向量，ht为t时刻的循环输出向量。
本发明实施例的第二方面提供了一种电力负荷的预测装置，该装置包括：
获取模块，用于获取预设时段内目标用户的历史电力负荷数据，历史电力负荷数据包括预设时段内每个时刻的电力负荷；
确定模块，用于确定与目标用户的历史电力负荷数据对应的目标聚类；
预测模块，用于根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据；
其中，电力负荷预测模型根据预设训练样本对长短期记忆神经网络模型进行训练得到，预设训练样本为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征，堆叠降噪自编码器包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。
可选的，电力负荷的预测装置还包括模型生成模块，用于：
获取预设时段内多个用户的电力负荷数据；
确定出多个用户的电力负荷数据中的最大的电力负荷；
将多个用户的电力负荷数据中的每个电力负荷除以最大的电力负荷，得到归一化后的电力负荷数据；
根据最大最小K均值聚类算法对归一化后的电力负荷数据进行分类，得到多个聚类；
根据堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征；
分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练，得到每个聚类的电力负荷预测模型。
可选的，模型生成模块，还用于：
在目标聚类的电力负荷数据中加入预设高斯噪声，得到第一输入数据；
将第一输入数据输入到第一降噪自编码器，得到第一输出数据；
将第一输出数据输入到第二降噪自编码器，得到第二输出数据；
将第二输出数据输入到第三降噪自编码器，得到目标聚类对应的负荷特征。
可选的，第一降噪自编码器采用如下降噪模型：
y＝S(ωx+b)
z＝S(ω'y+b')
Figure BDA0002821689060000041
其中，x为第一输入数据，z为第一输出数据，S为第一Sigmoid函数，ω为权重矩阵，b为偏移向量，ω'为重建权重矩阵，b'为重建偏移向量。
可选的，电力负荷预测模型包括：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)
Ct＝ft·Ct-1+it·C′t
Ot＝σ(Wo[ht-1,xt]+bo)
ht＝Ot·tanhCt
其中，ft为遗忘门向量，it为输入门向量，Ot为输出门向量，σ为第二Sigmoid函数，Wi、Wc和Wo为随机初始化的权重值矩阵，xt为t时刻的输入向量，ht为t时刻的循环输出向量。
本发明实施例的第三方面提供了一种电力设备，包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
与现有技术相比，本发明实施例可以获取预设时段内目标用户的历史电力负荷数据，进而可以确定出与目标用户的历史电力负荷数据对应的目标聚类，从而可以根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据。由于电力负荷预测模型是根据预设训练样本对长短期记忆神经网络模型进行训练得到，且预设训练样本为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征，因此，可以利用真实的训练样本对具有预测特性的长短期记忆神经网络模型进行训练，得到预测准确度较高的适用于目标用户的电力负荷预测模型，从而可以提高电力负荷的预测准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种训练电力负荷的预测模型的流程图；
图2为本发明实施例提供的一种自编码器示意图；
图3为本发明实施例提供的一种降噪自编码器示意图；
图4为本发明实施例提供的一种堆叠降噪自编码器示意图；
图5为本发明实施例提供的一种长短期记忆神经网络模型的示意图；
图6为本发明实施例提供的一种电力负荷的预测方法的步骤流程图；
图7为本发明实施例提供的一种电力负荷的预测装置的示意图；
图8为本发明实施例提供的一种电力设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
现有的电力负荷的负荷预测方法，通常基于向量自回归模型或自回归平移模型，然而，如果时间序列数据过多或者时间序列预测不理想，则基于历史数据的回归分析效果将被削弱，存在负荷预测的准确度较低的问题。
为了解决现有技术问题，本发明实施例提供了一种电力负荷的预测方法、装置、设备和存储介质。下面首先对本发明实施例所提供的电力负荷的预测方法进行介绍。
电力负荷的预测方法的执行主体，可以是电力系统中的具备数据处理能力的任意电力设备，该电力设备可以是移动电子设备或者非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digitalassistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network AttachedStorage，NAS)、个人计算机(personal computer，PC)等，本发明实施例不作具体限定。
在介绍本发明实施例提供的电力负荷的预测方法之前，先对电力负荷的预测方法中所涉及的电力负荷预测模型的训练过程进行介绍，如图1所示，包括以下步骤：
S110，获取预设时段内多个用户的电力负荷数据。
在一些实施例中，多个用户可以是多个电力用户，预设时段可以是当前时刻之前的任意用电时段，例如，在当前时刻之前的24小时。电力负荷数据，可以是电力负荷曲线，其可以包括预设时段内每个时刻的电力负荷，例如预设时段内每秒钟的电力负荷。
S120，确定出多个用户的电力负荷数据中的最大的电力负荷。
在一些实施例中，在获取到预设时段内多个用户的电力负荷数据后，电力设备可以确定出多个用户的电力负荷数据中的最大的电力负荷。
S130，将多个用户的电力负荷数据中的每个电力负荷除以最大的电力负荷，得到归一化后的电力负荷数据。
在一些实施例中，归一化的目的是消除电力负荷数据中特殊值的影响，突出电力负荷趋势的相似性。例如，可以使用公式Xi＝pi/maxpi，计算用户i的归一化后的电力负荷数据Xi，其中，pi为用户i的任意一个电力负荷，maxpi为用户i所有电力负荷中最大的电力负荷。
S140，根据最大最小K均值聚类算法对归一化后的电力负荷数据进行分类，得到多个聚类。
在一些实施例中，最大最小K均值聚类算法的过程可以如下：
(1)初始化。计算任意两个对象之间的欧氏距离，选择距离最长的对象X1和X2作为初始聚类中心。
(2)根据下面的公式计算各点到确定的聚类中心的距离：
Figure BDA0002821689060000081
其中，c代表聚类中心的集合，选择距离最长的对象dc(x)作为新的初始聚类中心cj+1。
(3)数据分类，对所有数据进行分类，并以最近的聚类中心放入聚类。
(4)更新聚类中心，根据之前的分类结果更新所有聚类中心。
(5)判断是否满足收敛条件。具体的，用下式判断收敛条件：
Figure BDA0002821689060000082
其中，J代表收敛条件。
(6)重复上述(2)、(3)和(4)，直到所有的J都小于预设阈值。
S150，根据堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征。
其中，该堆叠降噪自编码器可以包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。
可选的，根据堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征的处理，具体可以包括：
在目标聚类的电力负荷数据中加入预设高斯噪声，得到第一输入数据；
将第一输入数据输入到第一降噪自编码器，得到第一输出数据；
将第一输出数据输入到第二降噪自编码器，得到第二输出数据；
将第二输出数据输入到第三降噪自编码器，得到目标聚类对应的负荷特征。
在一些实施例中，降噪自编码器的原理如下：通过在原始数据样本中加入一定量的噪声，然后将噪声数据样本输入到自编码器中进行隐藏层训练，最后输出学习到数据样本信息。下面对堆叠降噪自编码器进行介绍。
首先对自编码器进行介绍。如图2所示，自编码器由三种类别的层组成：输入层x、隐藏层y和输出层z，其可以将输入数据x压缩到隐藏层y中，形成更高层次的表示，因此，隐藏层的神经元数量要少于输入层的神经元数量，这使得输出层和网络可以很容易地学习输入数据的隐藏特征，其中，x1至xk均表示输入层，y1至yk均表示隐藏层，z1至zk均表示输出层。在自编码器中，通过自编码器中的编码器将输入数据的维度降低到隐藏层，然后根据自编码器中的解码器进行重构。
具体的，编码器由输入层和隐藏层组成。编码器在接收到输入层的输入x∈[0,1]k后，可以通过如下映射公式，将该输入映射到隐藏层：
y＝S(ωx+b)
其中，x为第一输入数据，S为第一Sigmoid函数，ω为权重矩阵，b为偏移向量。具体的，x为k×i阶矩阵，k为x的向量维数，i为一次输入的向量的个数。
解码器由隐藏层和输出层组成，可以使用如下映射公式，将上述映射到隐藏层的y，再映射到输出层，以得到z：
z＝S(ω'y+b')
其中，z为第一输出数据，ω'为重建编码器的权重矩阵，b'为重建m维偏移向量。
为了使输入层和输出层的差值最小，可以通过如下损失函数对上述参数ω、ω'、b和b'进行优化：
Figure BDA0002821689060000091
接着，对降噪自编码器进行介绍。如图3所示，在降噪自编码器中，原始数据样本中被加入一定量的噪声，然后将噪声数据样本输入到自编码器架构中进行隐藏层训练，最后输出学习到数据样本信息。在实际应用中，可以通过如下公式，在输入数据样本x中加入高斯噪声，形成噪声样本：
x'～qD(x'|x)
其中，x'表示含有噪声的数据样本，qD表示二项式随机隐藏噪声。
降噪自编码器通过在训练样本中加入随机噪声，可以提高系统的泛化能力，避免过拟合问题。
之后，对堆叠降噪自编码器进行介绍。如图4所示，降噪自编码器可以堆叠成多层，形成深层结构以获得高级特征，即堆叠降噪自编码器。堆叠降噪自编码器可以由三个子网络组成，每个子网络都采用多层降噪自编码器(简称为DAE)。其中，第一个DAE(即DAE1)的输出数据，被视为第二个DAE(即DAE2)的输入数据，第二个DAE的输出数据，被视为第三个DAE(即DAE3)的输入数据。
堆叠降噪自编码器的处理过程可以包括两个步骤：无监督学习和监督微调。在无监督学习步骤中，无监督预训练步骤是通过对输入数据进行逐层变换来实现的，以便提取高维特征。预训练结束后，将分类器作为输出层，采用误差回传算法对整个网络进行微调，优化所有权值和偏差参数。预训练后，以分类器为输出层，采用误差回传算法对整个网络进行微调，以优化所有权重和偏差参数。当整个网络的误差达到最小时，网络的训练过程结束。
S160，分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练，得到每个聚类的电力负荷预测模型。
在一些实施例中，长短期记忆神经网络模型包括输入层、循环层和输出层，其中，循环层由三个乘法单元组成，即输入门、遗忘门和输出门。如图5所示，遗忘门可以接收t-1和xt，并将结果ft输出到Ct-1中，所采用的公式如下：
ft＝σ(Wf·[ht-1,xt]+bf)
在输入门中，第二Sigmoid函数σ的结果it决定是否将更新后的值存储到存储器中，tanh函数C′t用于生成一个新的候选向量，它们的定义如下：
it＝σ(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)
然后，输出门可以通过以下公式计算出更新后的值Ct：
Ct＝ft·Ct-1+it·C′t
同样，输出门决定输出值。通过计算变量Ot，利用第二Sigmoid函数σ，可以决定单元状态的哪一部分作为输出。最后，用tanh函数对单元格状态进行处理，并与第二Sigmoid函数的输出值相乘，可以采用如下公式：
Ot＝σ(Wo[ht-1,xt]+bo)
ht＝Ot·tanhCt
其中，ft为遗忘门向量，it为输入门向量，Ot为输出门向量，σ为第二Sigmoid函数，Wi、Wc和Wo为随机初始化的权重值矩阵，xt为t时刻的输入向量，ht为t时刻的循环输出向量。需要说明的是，上述第一Sigmoid函数和第二Sigmoid函数均为激活函数。
综上所述，三个门单元具有不同的激活功能。当输入门激活时，输入的信息将被存储在记忆单元中。当输出门激活时，存储在记忆单元中的信息将被释放给下一个神经元。如果遗忘门激活，则信息将从记忆单元中删除。
如此，经过训练之后，可以得到各个聚类对应的电力负荷预测模型。
如图6所示，本发明实施例提供的电力负荷的预测方法包括以下步骤：
S610、获取预设时段内目标用户的历史电力负荷数据。
其中，历史电力负荷数据包括预设时段内每个时刻的电力负荷。
在一些实施例中，目标用户可以是任意的电力用户，预设时段可以是当前时刻之前的任意用电时段，例如，在当前时刻之前的24小时。
具体的，电力设备可以对目标用户在预设时段内的历史电力负荷数据进行获取，例如从用电数据库中查找该历史电力负荷数据。
S620、确定与目标用户的历史电力负荷数据对应的目标聚类。
在一些实施例中，电力设备在获取到历史电力负荷数据之后，可以确定出历史电力负荷数据对应的目标聚类。
S630、根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据。
在一些实施例中，电力负荷预测模型可以根据预设训练样本对长短期记忆神经网络模型进行训练得到，该预设训练样本可以为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征。
在一些实施例中，电力设备在确定出与目标用户的历史电力负荷数据对应的目标聚类后，可以根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据。
在本发明实施例中，可以获取预设时段内目标用户的历史电力负荷数据，进而可以确定出与目标用户的历史电力负荷数据对应的目标聚类，从而可以根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据。由于电力负荷预测模型是根据预设训练样本对长短期记忆神经网络模型进行训练得到，且预设训练样本为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征，因此，可以利用真实的训练样本对具有预测特性的长短期记忆神经网络模型进行训练，得到预测准确度较高的适用于目标用户的电力负荷预测模型，从而可以提高电力负荷的预测准确度。
基于上述实施例提供的电力负荷的预测方法，相应地，本发明还提供了应用于该电力负荷的预测方法的电力负荷的预测装置的具体实现方式。请参见以下实施例。
如图7所示，提供了一种电力负荷的预测装置，该装置包括：
获取模块710，用于获取预设时段内目标用户的历史电力负荷数据，历史电力负荷数据包括预设时段内每个时刻的电力负荷；
确定模块720，用于确定与目标用户的历史电力负荷数据对应的目标聚类；
预测模块730，用于根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据；
其中，电力负荷预测模型根据预设训练样本对长短期记忆神经网络模型进行训练得到，预设训练样本为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征，堆叠降噪自编码器包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。
可选的，电力负荷的预测装置还包括模型生成模块，用于：
获取预设时段内多个用户的电力负荷数据；
确定出多个用户的电力负荷数据中的最大的电力负荷；
将多个用户的电力负荷数据中的每个电力负荷除以最大的电力负荷，得到归一化后的电力负荷数据；
根据最大最小K均值聚类算法对归一化后的电力负荷数据进行分类，得到多个聚类；
根据堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征；
分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练，得到每个聚类的电力负荷预测模型。
可选的，模型生成模块，还用于：
在目标聚类的电力负荷数据中加入预设高斯噪声，得到第一输入数据；
将第一输入数据输入到第一降噪自编码器，得到第一输出数据；
将第一输出数据输入到第二降噪自编码器，得到第二输出数据；
将第二输出数据输入到第三降噪自编码器，得到目标聚类对应的负荷特征。
可选的，第一降噪自编码器采用如下降噪模型：
y＝S(ωx+b)
z＝S(ω'y+b')
Figure BDA0002821689060000141
其中，x为第一输入数据，z为第一输出数据，S为第一Sigmoid函数，ω为权重矩阵，b为偏移向量，ω'为重建权重矩阵，b'为重建偏移向量。
可选的，电力负荷预测模型包括：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)
Ct＝ft·Ct-1+it·C′t
Ot＝σ(Wo[ht-1,xt]+bo)
ht＝Ot·tanhCt
其中，ft为遗忘门向量，it为输入门向量，Ot为输出门向量，σ为第二Sigmoid函数，Wi、Wc和Wo为随机初始化的权重值矩阵，xt为t时刻的输入向量，ht为t时刻的循环输出向量。
在本发明实施例中，可以获取预设时段内目标用户的历史电力负荷数据，进而可以确定出与目标用户的历史电力负荷数据对应的目标聚类，从而可以根据目标聚类的电力负荷预测模型，对目标用户的历史电力负荷数据进行预测，得到目标用户的预测电力负荷数据。由于电力负荷预测模型是根据预设训练样本对长短期记忆神经网络模型进行训练得到，且预设训练样本为根据堆叠降噪自编码器对属于目标聚类的电力负荷数据进行提取后的负荷特征，因此，可以利用真实的训练样本对具有预测特性的长短期记忆神经网络模型进行训练，得到预测准确度较高的适用于目标用户的电力负荷预测模型，从而可以提高电力负荷的预测准确度。
图8为实现本发明各个实施例的一种电力设备的硬件结构示意图。
电力设备可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地，上述处理器801可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关容灾设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。在特定实施例中，存储器802包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种电力负荷的预测方法实施例。
在一个示例中，电力设备还可包括通信接口803和总线810。其中，如图3所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。
通信接口803，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线810包括硬件、软件或两者，将电力设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
本发明实施例还提供一种计算机可读存储介质，该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述电力负荷的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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。

Claims (10)

1.一种电力负荷的预测方法，其特征在于，包括：
获取预设时段内目标用户的历史电力负荷数据，所述历史电力负荷数据包括所述预设时段内每个时刻的电力负荷；
确定与所述目标用户的历史电力负荷数据对应的目标聚类；
根据所述目标聚类的电力负荷预测模型，对所述目标用户的历史电力负荷数据进行预测，得到所述目标用户的预测电力负荷数据；
其中，所述电力负荷预测模型根据预设训练样本对长短期记忆神经网络模型进行训练得到，所述预设训练样本为根据堆叠降噪自编码器对属于所述目标聚类的电力负荷数据进行提取后的负荷特征，所述堆叠降噪自编码器包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。
2.如权利要求1所述的电力负荷的预测方法，其特征在于，在所述获取预设时段内目标用户的历史电力负荷数据之前，所述方法还包括：
获取预设时段内多个用户的电力负荷数据；
确定出所述多个用户的电力负荷数据中的最大的电力负荷；
将所述多个用户的电力负荷数据中的每个电力负荷除以所述最大的电力负荷，得到归一化后的电力负荷数据；
根据最大最小K均值聚类算法对所述归一化后的电力负荷数据进行分类，得到多个聚类；
根据所述堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征；
分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练，得到每个聚类的电力负荷预测模型。
3.如权利要求2所述的电力负荷的预测方法，其特征在于，所述根据所述堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征，包括：
在目标聚类的电力负荷数据中加入预设高斯噪声，得到第一输入数据；
将所述第一输入数据输入到所述第一降噪自编码器，得到第一输出数据；
将所述第一输出数据输入到所述第二降噪自编码器，得到第二输出数据；
将所述第二输出数据输入到所述第三降噪自编码器，得到所述目标聚类对应的负荷特征。
4.如权利要求3所述的电力负荷的预测方法，其特征在于，所述第一降噪自编码器采用如下降噪模型：
y＝S(ωx+b)
z＝S(ω'y+b')
Figure FDA0002821689050000021
其中，x为所述第一输入数据，z为所述第一输出数据，S为第一Sigmoid函数，ω为权重矩阵，b为偏移向量，ω'为重建权重矩阵，b'为重建偏移向量。
5.如权利要求4所述的电力负荷的预测方法，其特征在于，所述电力负荷预测模型包括：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)
Ct＝ft·Ct-1+it·C′t
Ot＝σ(Wo[ht-1,xt]+bo)
ht＝Ot·tanh Ct
其中，ft为遗忘门向量，it为输入门向量，Ot为输出门向量，σ为第二Sigmoid函数，Wi、Wc和Wo为随机初始化的权重值矩阵，xt为t时刻的输入向量，ht为t时刻的循环输出向量。
6.一种电力负荷的预测装置，其特征在于，包括：
获取模块，用于获取预设时段内目标用户的历史电力负荷数据，所述历史电力负荷数据包括所述预设时段内每个时刻的电力负荷；
确定模块，用于确定与所述目标用户的历史电力负荷数据对应的目标聚类；
预测模块，用于根据所述目标聚类的电力负荷预测模型，对所述目标用户的历史电力负荷数据进行预测，得到所述目标用户的预测电力负荷数据；
其中，所述电力负荷预测模型根据预设训练样本对长短期记忆神经网络模型进行训练得到，所述预设训练样本为根据堆叠降噪自编码器对属于所述目标聚类的电力负荷数据进行提取后的负荷特征，所述堆叠降噪自编码器包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。
7.如权利要求6所述的电力负荷的预测装置，其特征在于，所述装置还包括模型生成模块，用于：
获取预设时段内多个用户的电力负荷数据；
确定出所述多个用户的电力负荷数据中的最大的电力负荷；
将所述多个用户的电力负荷数据中的每个电力负荷除以所述最大的电力负荷，得到归一化后的电力负荷数据；
根据最大最小K均值聚类算法对所述归一化后的电力负荷数据进行分类，得到多个聚类；
根据所述堆叠降噪自编码器对每个聚类的电力负荷数据进行提取，得到每个聚类对应的负荷特征；
分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练，得到每个聚类的电力负荷预测模型。
8.如权利要求7所述的电力负荷的预测装置，其特征在于，所述模型生成模块，还用于：
在目标聚类的电力负荷数据中加入预设高斯噪声，得到第一输入数据；
将所述第一输入数据输入到所述第一降噪自编码器，得到第一输出数据；
将所述第一输出数据输入到所述第二降噪自编码器，得到第二输出数据；
将所述第二输出数据输入到所述第三降噪自编码器，得到所述目标聚类对应的负荷特征。
9.一种电力设备，其特征在于，包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5任一项所述方法的步骤。
CN202011419563.6A 2020-12-07 2020-12-07 电力负荷的预测方法、装置、设备和存储介质 Pending CN112365098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011419563.6A CN112365098A (zh) 2020-12-07 2020-12-07 电力负荷的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011419563.6A CN112365098A (zh) 2020-12-07 2020-12-07 电力负荷的预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112365098A true CN112365098A (zh) 2021-02-12

Family

ID=74536289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011419563.6A Pending CN112365098A (zh) 2020-12-07 2020-12-07 电力负荷的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112365098A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837596A (zh) * 2021-09-22 2021-12-24 广东电网有限责任公司 一种故障确定方法、装置、电子设备及存储介质
CN115148361A (zh) * 2022-07-15 2022-10-04 深圳大学 疾病亚型确定系统及方法
CN117318055A (zh) * 2023-12-01 2023-12-29 山东理工昊明新能源有限公司 电力负荷预测模型处理方法、装置、电子设备和存储介质
CN117955095A (zh) * 2024-01-11 2024-04-30 国网湖北省电力有限公司信息通信公司 电力负荷预测方法、装置、电子设备及存储介质
CN118590549A (zh) * 2024-08-02 2024-09-03 湖南长银五八消费金融股份有限公司 一种分布式系统服务调度优化方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN109754113A (zh) * 2018-11-29 2019-05-14 南京邮电大学 基于动态时间规整与长短时间记忆的负荷预测方法
CN110674999A (zh) * 2019-10-08 2020-01-10 国网河南省电力公司电力科学研究院 基于改进聚类和长短期记忆深度学习的小区负荷预测方法
CN110991774A (zh) * 2019-12-31 2020-04-10 新奥数能科技有限公司 一种电量负荷预测方法及装置
CN111027716A (zh) * 2019-12-03 2020-04-17 新奥数能科技有限公司 一种负荷预测的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN109754113A (zh) * 2018-11-29 2019-05-14 南京邮电大学 基于动态时间规整与长短时间记忆的负荷预测方法
CN110674999A (zh) * 2019-10-08 2020-01-10 国网河南省电力公司电力科学研究院 基于改进聚类和长短期记忆深度学习的小区负荷预测方法
CN111027716A (zh) * 2019-12-03 2020-04-17 新奥数能科技有限公司 一种负荷预测的方法及装置
CN110991774A (zh) * 2019-12-31 2020-04-10 新奥数能科技有限公司 一种电量负荷预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴琼等: "基于变压器特性数据聚类的电力负荷分布式预测", 《广东电力》 *
陈巧特 等: "基于WRF数值模式的SDAE-SVR风速预测模型研究", 《宁波大学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837596A (zh) * 2021-09-22 2021-12-24 广东电网有限责任公司 一种故障确定方法、装置、电子设备及存储介质
CN113837596B (zh) * 2021-09-22 2024-04-02 广东电网有限责任公司 一种故障确定方法、装置、电子设备及存储介质
CN115148361A (zh) * 2022-07-15 2022-10-04 深圳大学 疾病亚型确定系统及方法
CN115148361B (zh) * 2022-07-15 2023-10-10 深圳大学 疾病亚型确定系统及方法
CN117318055A (zh) * 2023-12-01 2023-12-29 山东理工昊明新能源有限公司 电力负荷预测模型处理方法、装置、电子设备和存储介质
CN117318055B (zh) * 2023-12-01 2024-03-01 山东理工昊明新能源有限公司 电力负荷预测模型处理方法、装置、电子设备和存储介质
CN117955095A (zh) * 2024-01-11 2024-04-30 国网湖北省电力有限公司信息通信公司 电力负荷预测方法、装置、电子设备及存储介质
CN118590549A (zh) * 2024-08-02 2024-09-03 湖南长银五八消费金融股份有限公司 一种分布式系统服务调度优化方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112365098A (zh) 电力负荷的预测方法、装置、设备和存储介质
US11803744B2 (en) Neural network learning apparatus for deep learning and method thereof
CN110472675B (zh) 图像分类方法、图像分类装置、存储介质与电子设备
EP4167130A1 (en) Neural network training method and related device
Sugiartawan et al. Prediction by a hybrid of wavelet transform and long-short-term-memory neural network
CN109919364A (zh) 基于自适应降噪和集成lstm的多变量时间序列预测方法
He et al. A hybrid data-driven method for rapid prediction of lithium-ion battery capacity
TWI667576B (zh) 機器學習方法及機器學習裝置
WO2021012263A1 (en) Systems and methods for end-to-end deep reinforcement learning based coreference resolution
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN114239945A (zh) 短期电力负荷预测方法、装置、设备及存储介质
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN117621875A (zh) 基于低温补偿的电动汽车充电管理系统及方法
Qin et al. Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction
CN115512693B (zh) 音频识别方法、声学模型训练方法、装置和存储介质
CN113822689B (zh) 广告转化率预估方法及装置、存储介质、电子设备
Pei et al. Deep neural network and switching Kalman filter based continuous affect recognition
CN115496175A (zh) 新建边缘节点接入评估方法、装置、终端设备及产品
WO2019220008A1 (en) A method for neural networks
CN111563684A (zh) 负荷识别方法、装置和终端
CN117725454B (zh) 一种输电线路缺陷特征分布学习方法
CN117713238B (zh) 光伏发电和储能微电网结合的随机优化运行策略
CN117852624B (zh) 时序信号预测模型的训练方法、预测方法、装置及设备
US11995152B2 (en) Bipolar morphological neural networks
Xuemei et al. Agriculture irrigation water demand forecasting based on rough set theory and weighted LS-SVM

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

Application publication date: 20210212

RJ01 Rejection of invention patent application after publication