CN112613641A - 一种基于特征分解的短期电负荷组合预测方法 - Google Patents

Abstract

本发明为一种基于特征分解的短期电负荷组合预测方法，包括以下内容：获取用户侧智能电表的电负荷数据，并进行预处理；将预处理后电负荷数据通过小波变化分解为高频序列和多个低频序列；对高频序列和多个低频序列采用相关度分析并筛选特征，筛选能够表征影响因子的子序列构成保留序列，并记录保留序列中各子序列所对应的相关度系数；将预处理后电负荷数据减去保留序列生成残差序列，将所有序列归一化处理；对残差序列和保留序列中的高频序列采用LSTM模型进行电负荷预测，对保留序列中的低频序列采用时间卷积模型进行电负荷预测；将各频段预测值按照权值求和，得到预测结果。该方法能深入挖掘影响电负荷变化的特征，提高预测精度。

Description

一种基于特征分解的短期电负荷组合预测方法

技术领域

本发明涉及一种电负荷预测方法，具体说是一种基于特征分解的短期电负荷组合预测模型研究方法。

背景技术

人口增长和经济发展促使能源使用量大幅度增加，供电公司在满足用户日常需求的同时，为保证电量供给正常，还会提升20％的发电量用来满足可能发生5％潜在高峰用电，用电供需不平衡造成了剩余电力的浪费，势必会对电力资源和生态环境造成影响。随着智能电网的出现和大量智能电表的安装，降低了数据获取难度，使用户侧电力负荷预测具有可行性和现实意义。因此针对用电供需问题，可以通过准确预测用户的用电需求，从而做到精准供电，减少资源浪费。

短期负荷预测作为负荷预测的重要组成部分，在国内外不断探索的情况下，产生了许多优秀的负荷预测方法，其中，深度学习模型因具有较高的预测精度从而被广泛应用于最近的电力预测当中。将循环神经网络模型运用到电负荷预测上，尽管在预测效果上有所提升，但由于特征较少、模型单一，导致预测精度无法进一步提升。现有模型对于电力数据特征挖掘的不够全面，且单一类型的神经网络一般只擅于预测数据的某一类特征，而对于电力数据，影响耗电的因素不止是功率、电流、电压等，也与季节、天气、地理等多类特征有关，预测模型不仅要具有挖掘数据多方面特征的能力，还要克服分解过程中产生的误差，同时要挖掘特征适合使用的预测方法才能达到有效提高预测精度，降低误差的目的。针对这些问题，提供一种适用于用户侧电力数据的特征分解方法，在分解过程中引入残差序列，并针对分解后的特征及残差使用不同的预测模型，组合各特征预测值得到最终的预测结果，实现在现有的水平上提升预测精度，具有现实意义。

发明内容

本发明主要立足于短期用户侧耗电预测领域，针对电力数据特征挖掘不全面的问题，提供一种能够深入挖掘影响电负荷变化的特征，并针对不同特征采用不同的预测模型的短期电负荷组合预测方法。

本发明解决其技术问题是采取以下的技术方案实现的：

一种基于特征分解的短期电负荷组合预测方法，该方法包括以下内容：

S1.数据采集及预处理：

获取用户侧智能电表的电负荷数据，并进行预处理，获得预处理后电负荷数据；

S2.特征分解：

将预处理后电负荷数据通过小波变化分解为高频序列和多个低频序列，高频序列视为高峰因子，低频序列的数量为所需考虑的影响因子的数量减一，多个低频序列代表除高峰因子外的需要考虑的影响耗电的影响因子；对高频序列和多个低频序列采用相关度分析并筛选特征，去除无关特征或相关度低的特征，筛选能够表征影响因子的子序列构成保留序列，并记录保留序列中各子序列所对应的相关度系数；将预处理后电负荷数据减去保留序列生成残差序列，将所有序列(保留序列和残差序列)归一化处理；

S3.组合模型：

对残差序列和保留序列中的高频序列采用LSTM模型进行电负荷预测，对保留序列中的低频序列采用时间卷积模型进行电负荷预测，得到各频段预测值；

S4.分权求和：

将各频段预测值按照权值求和，得到最终的预测结果；所述保留序列的权值为对应的相关度系数，残差序列的权值为保留序列的权值之和减去一的值。

所述步骤S1采集住宅智能电表采集到用户侧的电负荷数据，即电功率的值，对于原始电力数据预处理，包括对于缺失值插补，这里采用的是均值插补，再使用高斯滤波去噪获得预处理后电负荷数据。

所述步骤S2中所需考虑的影响因子的数量是通过分析影响用电数据的特征而确定的，引入影响因子，如高峰因子、季节因子、地理因子等用来捕捉少量剧烈变化和季节以及地理环境造成的影响。影响因子的数量根据实际场景进行设置，包括高峰因子，还可以包括趋势因子、季节因子、地理因子、故障因子、随机因子中的至少一种。

通过小波分解手段使单一的电负荷数据特征多样化，将用电数据分解为高频序列A和低频序列D。在小波分解后引入了特征筛选和残差序列最终得到符合影响电负荷数据变化的关键性特征，并保留了产生误差的残差序列。

步骤S4中，分析各频段数据变化特点，发现低频信号在短时间内变化平缓；高频信号在短时间内变化剧烈；选择擅长捕捉时序数据前后关联性的时间卷积网络预测低频信号，擅长捕捉数据随机性和非线性特性的长短时记忆网络LSTM预测高频信号和残差序列。

优选地，所述时间卷积模型为基于循环滑窗策略的TCN预测模型，避免了当历史时间较长时会出现较大的误差积累，而导致预测精度下降的问题的出现，提高预测精度。

与现有技术相比，本发明的有益效果是：

1)本发明预测方法首先全方位分析了影响电负荷变化因素，深入挖掘了用电特征，引入影响因子用来捕捉特征变化(趋势因子、高峰因子、季节因子、地理因子、故障因子、随机因子等)；在确定了影响因子数量后使用小波分解技术将原始电负荷数据分解为多频段子序列，在小波分解后引入特征筛选过程和残差序列，通过计算相关度系数筛选出相关度较高的子序列，并记录各保留子序列的对应相关度系数，确保各影响因素对于预测结果的影响权重的准确性，同时考虑残差，该特征分解方式既能排除低线性相关的信号又能克服特征分解所造成的误差，能最大程度的实现对单一电力数据特征的充分挖掘。

2)针对不同频段数据特点，分别使用带循环滑窗策略的TCN模型和LSTM模型进行预测，保证对于不同数据变化趋势均能准确捕捉；最后对预测结果按照相关度分权求和，降低不同特征对于预测造成权重影响，提高预测精度，确保实验结果的准确性。该预测方法在现有采集到的数据单一的情况下取得的MAE为0.32,其值越小，说明预测模型拥有更好的精确度；MAPE为2.59％，其值越小，误差越小，模型越优秀，对比于最新提出的预测结果最优的EMD-VMD-PSO-BPNN组合模型MAPE降低了0.41％，可见本方法在高精度的同时，还降低了误差。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。

图1为本发明实施例中的一个基于特征分解的短期电负荷组合预测方法流程图；

图2为本发明实施例中的一个基于高斯滤波效果图；

图3为本发明实施例中的一个小波分解方法图；

图4为本发明实施例中的一个小波分解后得到的各频段信号图；

图5为本发明实施例中的一个基于CSTCN和LSTM的各频段信号预测效果图；

图6为本发明实施例中的一个基于LSTM的残差信号预测效果图；

图7为本发明实施例中的一个基于组合预测方法效果图；

图8为本发明实施例中的一个单一模型预测效果对比图；

图9为本发明实施例中的一个不同分解方法的组合模型预测效果对比图。

具体实施方式

需要说明的是，以下将以实施方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述任意分解得到的特征，仍然可在这些特征(或其等同物)之间继续进行任意组合或筛选，从而获得可能未在本文中提及的本发明的更多其他实施例。

本发明实施例所述的一种基于特征分解的短期电负荷组合预测方法流程图如图1所示，具体实施步骤如下：

S1：数据采集自春季北方某一住宅内智能电表显示用电数据，每一分钟采集一条记录。本实验使用的用电数据是“分钟平均有功功率P”，对P进行预测；这里随机选取一天用电数据，记录共1440条构成数据集，其中1205条记录作为训练集，235条记录用于测试集。

S2：对于采集到的电负荷数据进行预处理，包括对于缺失值插补，这里采用的是均值插补；再使用高斯滤波去噪，使用的是以下高斯公式滤波：

其中，x为滤波前的值，f是滤波后的值，μ是x的均值，σ是x的方差。经过高斯滤波得到分钟平均有功功率的数据效果图如图2所示。

S3：深入挖掘电负荷变化的影响因素，运用小波分解将使特征多样化，经过相关度分析进行特征筛选，在分解中引入“影响因子”用来提高预测精度，和引入“残差序列”用来降低误差，具体步骤如下：

S3.1：一般用电数据变化都具有趋势性，但存在某时用电急剧增加的情况，因此高峰时刻用电是必须考虑的因素；由于季节不同、地理位置的不同也会对用电量产生不同的影响；采集器故障、供电故障、正常检修等特殊情况也需要考虑其中，针对特殊情况发生，还需要考虑到事件的随机性。通过综合分析实际用电情况，本实施例将影响电负荷变化的特征归纳为六种：趋势因子、高峰因子、季节因子、地理因子、故障因子、随机因子。

S3.2：小波分解方法是一种非平稳信号分析和处理的方法，将原始信号分解为高频信号和低频信号两部分。高频信号在短时间内变化剧烈，从波形上看表现为波长尖锐剧烈的变化；低频信号在短时间内变化平缓，从波形上表现为平滑的大波长变化。

S3.3：分解采用Symlets5小波基函数，初始信号C被分解为高频信号A1和低频信号D1，高频信号A1继续分解产生两个信号：一个是新的低频信号D2，另一个是高频信号A2，进一步分解高频信号，直到获得一系列噪声干扰信号为止。

本实施例中所需考虑的影响因子的数量为6个，经过五次小波分解，获得一个高频信号A5和五个低频信号D1-D5，分解过程如图3所示，分解公式如下：

A_m-1＝H′·A_m+G′·D_m

其中，D为低频信号，A为高频信号。H’为高通滤波器，G'为低通滤波器。A_m是在分辨率为2m下的高频分量部分，D_m是在分辨率为2m下的低频分量部分。分钟平均有功功率经过小波分解得到各频段信号结果图如图4所示。

S3.4：考虑影响电力消耗的因素众多，使用皮尔逊相关系数，来衡量特征值与预测值的相关度，皮尔逊相关系数计算公式如下：

其中，ρ_X,Y为X,Y之间的相关度，cov为协方差，σ为标准差，E为数学期望，X为特征值即经小波分解后获得的各频段序列，Y为预测值。结果范围为-1到1之间，负值为负相关，正值为正相关，绝对值越接近1，相关度越高，相关度系数r与相关性的关系见表1。

表1 相关度系数与相关度

经过相关度筛选后的特征频段及其相关度系数，筛选的原则是去除不存在线性相关的频段，经过相关度筛选去除不存在线性相关的D1，最终保留低频信号D2～D5和高频信号A5构成保留序列，保留信号的相关度系数作为各特征的权值，各特征与权值的对应数据见表2。

表2 各特征与权值的对应数据

S3.5：通过图4中各频段信号特点，这里使用高频信号表示高峰因子，原因是高峰因子反应短时内用电的极端变化，从波形上看通常就是小波长变化；由分析本实施例中的用电数据可知并没有机器故障现象发生，因此通过特征筛选后获得的四个低频序列可以认为代表了趋势因子、季节因子、地理因子、随机因子，用低频信号表示，因为这四类影响因子均短时间内变化平缓，从波形上看是大波长变化。将预处理后的原始数据减去保留序列生成残差序列，并将所有序列(保留序列和残差序列)归一化处理。

S4：预测模型可以在小波分解处理的多个频带内建立，针对步骤S3得到的序列，根据数据变化特点，对高频序列和残差序列采用LSTM模型，对于低频序列采用CSTCN模型，将各频段和残差预测结果按照权值求和，得到最终的预测值。具体步骤如下：

S4.1：分析高低频信号特点，低频信号适合使用时间卷积网络，因为其捕获长期时序依赖关系的的能力胜过其他深度学习模型，被证明更适用于时序数据预测。而LSTM在捕捉数据随机性和非线性特性表现良好适用于高频信号。

S4.2：这里采用的时间卷积网络是一种能够处理时间序列数据的卷积神经网络。为了实现长期有效的历史大小，膨胀因果卷积可以通过选择更大的滤波器尺寸来增加TCN的接受域。但是当历史时间较长时，TCN会出现较大的误差积累，导致预测精度下降的问题。针对上述TCN算法存在的问题，提出一种基于循环滑窗策略的TCN预测模型，通过不断调整滤波器尺寸，循环迭代预测，保证每次预测的精度，基于循环滑窗策略的TCN预测模型的步骤如下：

S4.2.1：设置滤波器初始尺寸M，预测长度L初始设为1；

S4.2.2：设置TCN模型参数，将长度为l的训练集使用TCN模型迭代训练，根据损失函数MSE最小化，使用随机梯度下降法找到最优参数，如果迭代次数满足预设迭代参数，则得到最终TCN模型；

S4.2.3：使用得到的TCN模型，对t+1时刻电负荷进行预测，保留预测值到pre[]，并将预测值输入训练集末端，同时L+1；

S4.2.4：当滤波器长度M>预测长度L，停止循环，预测结果为此时pre[]的值。否则将训练集向右滑动一个窗口，长度不变，重复步骤4.2.3过程。

上述方法能保证每次预测结果的误差较小，同时预测精度较高，实施例中最终使用的L＝5，通过找到最合适的预测长度L从而提升预测精度。对高频信号和残差序列使用LSTM模型预测，经过CSTCN模型和LSTM模型预测后的各低频段信号效果图如5所示，残差序列预测结果如图6所示。

S4.3：使用得到的预测结果按照各特征的权值作为系数分权求和，得到组合模型的最终预测结果，确保各影响因素对于预测结果的影响权重的准确性，最终预测结果效果图如图7所示。

S5：对于数据集进行划分，其中1205条记录作为训练集，235条记录用于测试集，进行实验。本文使用的评价指标为均方根误差(Root Mean Square Error，RMSE)、平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)、绝对平均误差(MeanAbsolute Error，MAE)、决定系数(R-square，R2)，如下方法：

其中，其中，n为的个数，y_i表示真实电力值，x_i表示预测电力值，

表示真实电力值平均值。RMSE范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型，误差越大，其值越大。MAPE范围[0,+∞)，MAPE为0％表示完美模型，MAPE大于100％则表示劣质模型，其值越小，误差越小，模型越优秀。MAE范围[0,+∞)，其值越小，说明预测模型拥有更好的精确度。R²取值范围为[0,1]，R²越大，表示模型拟合效果越好。

S6：经过反复实验，得到各频段信号和最终结果各项评价指标结果，见表3：

表3 评价指标结果

同时，对常用的深度学习单一模型TCN、LSTM、ANN、GRU与本发明改进的CSTCN模型使用相同数据集；这里的数据集为预处理后电负荷数据，进行实验，各评价指标见表4，预测效果图如图8所示。

表4 单一模型预测评价指标

通过图8和表3可以看出TCN模型善于捕捉时序数据整体变化趋势,拟合度较好，而CSTCN在预测精度上表现出较好的性能；LSTM在捕捉峰值上更为准确。根据各频段信号变化特点，得到以下结论：CSTCN适合预测低频信号，LSTM适合预测高频信号和残差序列。

表5对比了不同分解方法，对于组合预测方法的影响，这里对比了EMD分解方法和VMD下的预测模型，从表5和图9可以看出，三种方法拟合度均表现良好，而使用WD分解方法的模型在预测精度上明显高于其他方法，同时引入残差序列也能使误差降到最低。

表5 不同分解方法预测评价指标结果

本方法分别对工作日、休息日、第一季度、第二季度、第三季度和第四季度六种情况中随机选取一天作为典型日进行相同实验，应用本申请的预测方法进行预测，预测结果见表6所示。可以看出，面对不同的耗电量、高峰时段、用电趋势以及季节影响等因素影响下，MAPE能稳定在3.86％以内，从而证明了方法具有较高的泛化能力。

表6 各典型日评价指标结果

本发明未述及之处适用于现有技术。

Claims (5)

1.一种基于特征分解的短期电负荷组合预测方法，该方法包括以下内容：

S1.数据采集及预处理：

获取用户侧智能电表的电负荷数据，并进行预处理，获得预处理后电负荷数据；

S2.特征分解：

将预处理后电负荷数据通过小波变化分解为高频序列和多个低频序列，高频序列视为高峰因子，低频序列的数量为所需考虑的影响因子的数量减一，多个低频序列代表除高峰因子外的需要考虑的影响耗电的影响因子；对高频序列和多个低频序列采用相关度分析并筛选特征，去除无关特征或相关度低的特征，筛选能够表征影响因子的子序列构成保留序列，并记录保留序列中各子序列所对应的相关度系数；将预处理后电负荷数据减去保留序列生成残差序列，将所有序列归一化处理；

S3.组合模型：

对残差序列和保留序列中的高频序列采用LSTM模型进行电负荷预测，对保留序列中的低频序列采用时间卷积模型进行电负荷预测，得到各频段预测值；

S4.分权求和：

将各频段预测值按照权值求和，得到最终的预测结果；所述保留序列的权值为对应的相关度系数，残差序列的权值为保留序列的权值之和减去一的值。

2.根据权利要求1所述的短期电负荷组合预测方法，其特征在于，所述步骤S1采集住宅智能电表采集到用户侧的电负荷数据，包括分钟平均有功功率P，所述预处理包括采用均值插补方式对于缺失值差补、再使用高斯滤波去噪。

3.根据权利要求1所述的短期电负荷组合预测方法，其特征在于，所述步骤S2中所需考虑的影响因子的数量是通过分析影响用电数据的特征而确定的，所述影响因子包括高峰因子，还包括趋势因子、季节因子、地理因子、故障因子、随机因子中的至少一种。

4.根据权利要求1所述的短期电负荷组合预测方法，其特征在于，所述时间卷积模型为基于循环滑窗策略的TCN预测模型，通过不断调整滤波器尺寸，循环迭代预测，保证每次预测的精度，具体步骤是：

1)设置滤波器初始尺寸M，预测长度L初始设为1；以所有预处理后电负荷数据为数据集，将数据集划分为训练集和测试集；

2)设置TCN模型参数，将长度为l的训练集使用TCN模型迭代训练，根据损失函数MSE最小化，使用随机梯度下降法找到最优参数，如果迭代次数满足预设迭代参数，则得到最终TCN模型；

3)使用得到的最终TCN模型，对t+1时刻电负荷进行预测，保留预测值到pre[]，并将预测值输入训练集末端，同时L+1；

4)当滤波器长度M>预测长度L，停止循环，预测结果为此时pre[]的值。否则将训练集向右滑动一个窗口，长度不变，重复步骤3)过程。

5.根据权利要求1所述的短期电负荷组合预测方法，其特征在于，相关度系数r为皮尔逊相关系数，来衡量特征值与预测值的相关度，结果范围为-1到1之间，负值为负相关，正值为正相关，绝对值越接近1，相关度越高，相关度系数r的绝对值不大于0.3则认为不存在线性相关性。

Images