CN113222281A - 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 - Google Patents
基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 Download PDFInfo
- Publication number
- CN113222281A CN113222281A CN202110598679.9A CN202110598679A CN113222281A CN 113222281 A CN113222281 A CN 113222281A CN 202110598679 A CN202110598679 A CN 202110598679A CN 113222281 A CN113222281 A CN 113222281A
- Authority
- CN
- China
- Prior art keywords
- short
- load prediction
- term load
- model
- term
- 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 109
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000002354 daily effect Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 7
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012733 comparative method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力系统负荷预测技术领域,具体涉及基于改进AlexNet‑GRU模型的配电网短期负荷预测方法及装置,所述短期负荷预测模型的训练方法包括获取样本数据,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及样本时间对应的日类型;将所述样本数据输入短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果;基于所述样本时间对应的短期实际结果以及所述短期预测结果,对所述短期负荷预测模型进行训练,确定目标短期负荷预测模型。在训练过程中结合天气影响因素以及样本时间对应的日类型进行,考虑到了天气及不同日类型对负荷的影响,能够提高短期负荷预测的精度。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,具体涉及一种基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置。
背景技术
随着智能电网技术的迅速发展、人民生活水平的日益提高,社会对电力的需求量与日剧增。负荷预测作为电力系统规划的重要环节,对于确保电网稳定运行、实现电力供需平衡等方面有着十分区大的作用。其中,负荷预测按照时间进行分类,常见的有以下三种:①超短期负荷预测:指未来数十分钟、数分钟甚至数秒内的负荷值的预测,主要用于对电网进行在线控制,合理的调度实时发电容量,使发电成本降到最小;②短期负荷预测:指的是一日到一周的负荷预测,通常以小时为一个单位,主要用于电力的分配跟协调,机组的组合等计划;③中长期负荷预测:指一年以上时间的预测,主要对电力的发展、规模建设,电力调度、资金等的供需平衡提供依据。
现有技术中常采用的短期负荷预测方法是利用卷积神经网络提取出表征负荷变化多维特征向量,构造成时间序列作为模型的输入,然后构建门控循环单元网络预测模型,并利用训练集数据通过改进离子群算法对门控循环单元网络预测模型进行优化,获得两个最优的预测模型参数,以获得最优预测模型参数重新建立门控循环单元网络模型,最后以测试集数据实现电网短期的负荷预测。
然而上述的短期负荷预测方法中,并未考虑到不确定性的因素,例如节假日等对负荷的影响,导致短期预测误差较大。
发明内容
有鉴于此,本发明实施例提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置,以解决短期负荷预测误差较大的问题。
根据第一方面,本发明实施例提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型,所述短期负荷预测模型包括:特征提取模型、门控循环单元及全连接层,其中,
所述特征提取模型用于对待处理数据进行特征提取,得到目标特征,所述特征提取模型为基于AlexNet模型构建的;
所述门控循环单元用于基于所述目标特征进行时序处理,得到时序处理结果;
所述全连接层用于将所述时序处理结果进行转换,得到短期负荷预测结果。
结合第一方面,在第一方面第一实施方式中,所述特征提取模型包括:
输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第三最大池化层及输出层。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述短期负荷预测模型的输出层对应的激活函数为Linear,其他层对应的激活函数为Relu。
根据第二方面,本发明实施例提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,包括:
获取样本数据,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与所述样本时间对应的日类型;
将所述样本数据输入短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果;
基于所述样本时间对应的短期实际结果以及所述短期预测结果,对所述短期负荷预测模型进行训练,确定目标短期负荷预测模型。
本发明实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,在训练过程中结合天气影响因素以与样本时间对应的日类型进行,考虑到了天气及不同日类型对负荷的影响,因此,训练得到的目标短期负荷预测模型能够提高短期负荷预测的精度。
结合第二方面,在第二方面第一实施方式中,所述将所述样本数据输入配电网短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果,包括:
将所述样本数据输入所述配电网短期负荷预测模型中的特征提取模型,对所述样本数据进行特征提取,得到样本特征;
将所述样本特征输入时序处理模型中,得到时序处理结果;
将所述时序处理结果输入全连接层,得到所述短期负荷预测结果。
本发明实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,利用特征提取模块对输入的样本数据进行特征提取,并利用时序处理模型对样本特征进行时序处理,使得训练得到的目标短期负荷预测模型能够结合时序特征进行预测,进一步提高了短期负荷预测的准确性。
结合第二方面第一实施方式,在第二方面第二实施方式中,所述特征提取模型为基于AlexNet模型构建的,所述时序处理模型为门控循环单元,所述将所述样本数据输入配电网短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果,包括:
利用所述特征提取模型中的一维卷积层对所述样本数据进行特征提取,得到所述样本特征;
将所述样本特征输入所述门控循环单元中,得到所述时序处理结果;
将所述时序处理结果输入所述全连接层,得到所述短期负荷预测结果。
本发明实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,基于改进的AlexNet模型与门控循环单元结合,形成配电网短期负荷预测模型,在保证样本特征精度的基础上,结合时序处理,提高了短期负荷预测的精度。
结合第二方面,在第二方面第三实施方式中,所述获取样本数据,包括:
获取历史日负荷样本数据及其对应的天气数据;
利用所述历史日负荷与各个所述天气数据的相关性,确定所述天气影响因素。
本发明实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,利用历史日负荷与各个天气数据的相关性,可以确定出与日负荷最相关的几个天气数据,即天气影响因素,提高了天气影响因素确定的效率。
结合第二方面第三实施方式,在第二方面第四实施方式中,所述利用所述历史日负荷与各个所述天气数据的相关性,确定所述天气影响因素,包括:
计算全年每日的日负荷与各个所述天气数据的相关性,得到第一相关系数;
计算各个季节每日的日负荷与各个所述天气数据的相关性,得到第二相关系数;
利用所述第一相关系数以及所述第二相关系数的大小,确定所述天气影响因素。
本发明实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,利用全年以及各个季节分别进行相关性的计算,一方面能够减少数据处理量,另一方面从长短期角度分别进行相关性的处理,提高了天气影响因素确定的准确性。
结合第二方面,在第二方面第五实施方式中,所述获取样本数据,还包括:
对所有所述负荷样本数据进行聚类分析,得到所述至少一种日类型,以确定与所述样本时间对应的日类型。
根据第三方面,本发明实施例还提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测方法,包括:
获取待处理数据,所述待处理数据包括天气影响因素、待预测时间的历史负荷样本数据以及与所述待预测时间对应的日类型;
将所述待处理数据输入目标短期负荷预测模型中,得到所述待预测时间对应的短期负荷预测结果,所述目标短期负荷预测模型是根据本发明第二方面任一项所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法训练得到的。
本发明实施例提供的配电网短期负荷预测方法,在预测过程中结合天气影响因素以及与待预测时间对应的日类型,考虑到了天气及不同日类型对负荷的影响,提高了短期负荷预测的精度。
根据第四方面,本发明实施例提供一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置,包括:
第一获取模块,用于获取样本数据,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与所述样本时间对应的日类型;
第一预测模块,用于将所述样本数据输入配电网短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果;
训练模块,用于基于所述样本时间对应的短期实际结果以及所述短期预测结果,对所述配电网短期负荷预测模型进行训练,确定目标短期负荷预测模型。
根据第五方面,本发明实施例还提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测装置,包括:
第二获取模块,用于获取待处理数据,所述待处理数据包括天气影响因素、待预测时间的历史负荷样本数据以及与所述待预测时间对应的日类型;
第二预测模块,用于将所述待处理数据输入目标短期负荷预测模型中,得到所述待预测时间对应的短期负荷预测结果,所述目标短期负荷预测模型是根据本发明第二方面,或第二方面中任一项所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法训练得到的。
根据第六方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第二方面或者第二方面的任意一种实施方式中所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,或执行第三方面或第三方面任意一种实施方式中所述的基于改进AlexNet-GRU模型的配电网短期负荷预测方法。
根据第七方面,本发明实施例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计算机指令,所述计算机指令用于使所述计算机执行第二方面或者第二方面的任意一种实施方式中所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,或执行第三方面或第三方面任意一种实施方式中所述的基于改进AlexNet-GRU模型的配电网短期负荷预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的流程图;
图2是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的流程图;
图3是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的示意图;
图4a及图4b是根据本发明实施例的目标短期负荷预测模型的结构示意图;
图5是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的示意图;
图6是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测方法的示意图;
图7a-图7e是根据本发明实施例的配电网短期负荷预测方法与其他预测方法的预测结果对比示意图;
图8是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置的结构框图;
图9是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测装置的结构框图;
图10是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
根据本发明实施例,提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,可用于电子设备,如电脑、手机、平板电脑等,图1是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取样本数据。
其中,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与样本时间对应的日类型。
所述的天气影响因素用于表示对电力负荷影响较大的气象因素,例如,温度、湿度、降雨量以及风速等等。具体地,若天气炎热,配电网负荷就会较大;若天气潮湿,配电网负荷也会相应提高。
对于不同的日类型而言,其对应配电网负荷也相应不同。所述的日类型的种类可以依据不同的地区进行划分,例如,对于地区A,所划分的日类型可以为2个种类;对于地区B,所划分的日类型可以为6个种类,等等。所述的日类型可以包括周末、工作日、节假日、节假日的前后两天等等,日类型的种类并不限于上文所述,具体可以根据聚类结果得到,且具体类型可以根据实际需求进行相应设置。
此外,需要说明的是,节假日中又可以分为节假日的前后几天等等,在此对节假日并不做严格意义上的限定,其可以包括节假日的前后几天,具体可以根据聚类结果得到,且可以根据实际需求进行相应设置。
进一步地,对于地区A,其日类型划分为2个类型,分别为节假日以及工作日,那么,用于训练配电网短期负荷预测模型的与样本时间对应的日类型可以利用日类型向量表示,具体可以表示为[节假日标识,工作日标识],其中,每个元素均为预设维数的向量,预设维数可以根据实际需求进行相应的设置。若进行的是日96点的预测,那么预设维数就为96。
在训练过程中,各个元素的具体取值与样本时间所属的日类型对应。若样本时间为节假日,那么就可以将节假日标识设置为1,工作日标识设置为0;若样本时间为工作日,那么就可以将节假日标识设置为0,工作日标识设置为1。由此,所述的日类型向量中各个元素的具体取值是与样本时间对应的。
样本时间的历史负荷样本数据,表示对应于不同样本时间的历史负荷样本数据。例如,样本时间为5月10日,其对应的历史负荷样本数据可以为5月10日的前一周(5月3日)同一时刻及其前后时刻与前一天(5月9日)同一时刻及其前后时刻的负荷数据。此处需要说明的是,样本时间并不定指一个时间,也表示样本数据中的多个样本时间,不同样本时间对应于不同的历史负荷样本数据。
样本数据的获取可以是电子设备从外界获取到的,也可以是事先存储在电子设备中的,在此对样本数据的来源并不做任何限制,具体可以根据实际情况进行相应的设置。
S12,将样本数据输入配电网短期负荷预测模型中,得到样本时间对应的短期负荷预测结果。
配电网短期负荷预测模型的输入为样本数据,输出为短期负荷的预测结果。具体地,配电网短期负荷预测模型对输入的样本数据进行特征提取,并基于提取出的特征进行短期负荷的预测。
配电网短期负荷预测模型可以是基于特征提取模型构建的,也可以是在特征提取模型的基础上再结合其他模型对提取出的特征进行再处理构建的。具体可以根据实际需求进行相应的设置,在此对其并不做任何限制。
S13,基于样本时间对应的短期实际结果以及短期预测结果,对配电网短期负荷预测模型进行训练,确定目标短期负荷预测模型。
电子设备在得到短期预测结果之后,提取样本时间对应的短期实际结果,对两者进行损失函数的计算,并利用计算结果对配电网短期负荷预测模型进行训练,最终确定目标短期负荷预测模型。
本实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,在训练过程中结合天气影响因素以及与样本时间对应的日类型进行,考虑到了天气及不同日类型对负荷的影响,因此,训练得到的目标短期负荷预测模型能够提高短期负荷预测的精度。
在本实施例中提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,可用于电子设备,如电脑、手机、平板电脑等,图2是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取样本数据。
其中,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与样本时间对应的日类型。
详细请参见图1所示实施例的S11,在此不再赘述。
S22,将样本数据输入配电网短期负荷预测模型中,得到样本时间对应的短期负荷预测结果。
本实施例中,所述的配电网短期负荷预测模型包括特征提取模型以及时序处理模型。其中,特征提取模型用于提取输入的样本数据的特征,时序处理模型用于处理所提取出的样本特征的时序信息,以便更好地进行结果预测。
具体地,上述S22可以包括:
S221,将样本数据输入配电网短期负荷预测模型中的特征提取模型,对样本数据进行特征提取,得到样本特征。
电子设备将S21中获取到的样本数据输入到特征提取模型中,利用特征提取模型对样本数据进行特征提取,得到样本特征。
具体地,所述特征提取模型为基于AlexNet模型构建的,可以在此基础上进行改进。例如,缩减卷积层输出节点和部分卷积核大小,通过减少冗余参数的方式,可以加快收敛的速度,缩短训练时间。
可选地,所述的特征提取模型省去了AlexNet模型中对负荷特征泛化能力较弱的局部响应归一化层,使得该特征提取模型更容易并行化。
进一步可选地,利用一维卷积替换原始AlexNet模型中的二维卷积层,以使得该特征提取模型能够更好地处理序列模型。
S222,将样本特征输入时序处理模型中,得到时序处理结果。
电子设备在利用特征提取模型提取出样本特征之后,将其输入到时序处理模型中进行时序处理,输出相应的时序处理结果。其中,所述时序处理模型可以为门控循环单元(GRU)。
S223,将时序处理结果输入全连接层,得到短期负荷预测结果。
电子设备将时序处理结果输入全连接层进行预测,得到短期负荷预测结果。
S23,基于样本时间对应的短期实际结果以及短期预测结果,对配电网短期负荷预测模型进行训练,确定目标短期负荷预测模型。
详细请参见图1所示实施例的S13,在此不再赘述。
所述的配电网短期负荷预测模型也可以称之为改进AlexNet-GRU模型,将两者进行结合,并利用AlexNet网络善于提取特征的特点与GRU网络结合。同时,将二维AlexNet改为一维AlexNet,以更利于处理时序数据。
进一步地,针对激活函数、网络结构和优化器进行改进。具体地,激活函数的改进:
将最后一层全连接层的激活函数替换为线性(linear)激活函数。linear激活函数为:a(x)=x,即,每个神经元与上一层所有神经元相连实现对前一层的线性组合。
作为特征提取模型的一个具体实施方式:缩减卷积层输出节点和部分卷积核大小,将卷积层的输出节点都减少到32个,卷积核大小均为3,最大池化层都减小为2,第1个全连接层的输出节点减少至192个,第2个全连接层的输出节点减少至96个,第3个全连接层的输出节点减少至96个。通过减少冗余参数,可以加快收敛的速度,缩短训练时间。
对于优化器的改进:采用Adam(Adaptive Moment Estimation)优化算法,其优点主要在于实现简单,计算高效。
本实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,利用特征提取模块对输入的样本数据进行特征提取,并利用时序处理模型对样本特征进行时序处理,使得训练得到的目标短期负荷预测模型能够结合时序特征进行预测,进一步提高了短期负荷预测的准确性。
图4a及图4b示出了目标短期负荷预测模型的结构示意图,作为本实施例的一个可选实施方式,该模型主要包括:特征提取模型41、门控循环单元42及全连接层43,其中,特征提取模型41用于对待处理数据进行特征提取,得到目标特征,该特征提取模型41为基于AlexNet模型构建的;门控循环单元42用于基于该特征提取模型所提取的目标特征进行时序处理,得到时序处理结果;全连接层43则用于将该时序处理结果进行转换,得到短期负荷预测结果。
作为本实施例的一个可选实施方式,该目标短期负荷预测模型一共包含13层结构,包括:输入层;卷积层1(Conv1D,kernel_size=3*1),池化层1(pool_size=2),卷积层2(Conv1D,kernel_size=3),池化层2(pool_size=2),卷积层3(Conv1D,kernel_size=3),卷积层4(Conv1D,kernel_size=3),卷积层5(Conv1D,kernel_size=3),池化层3(pool_size=2),门控循环单元GRU层(96),全连接层1(192),全连接层2(96),最后一层是输出层(96)。因为要对日96点负荷数据进行预测,因此神经元的数目为96。在整个模型中,输出层的激活函数为Linear,其余所有的激活函数都为Relu。模型训练的优化器为Adam,学习率默认为0.001。
在本实施例中提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,可用于电子设备,如电脑、手机、平板电脑等,图5是根据本发明实施例的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法的流程图,如图5所示,该流程包括如下步骤:
S31,获取样本数据。
其中,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与样本时间对应的日类型。
具体地,上述S31可以包括:
S311,获取历史日负荷样本数据及其对应的天气数据。
采集电网历史负荷、实时天气因素、日期信息作为特征数据,利用线性归一化方法对采集到的特征数据进行归一化预处理。
S312,利用历史日负荷与各个天气数据的相关性,确定天气影响因素。
利用上述S311中的历史负荷和天气因素数据,通过相关系数定量分析历史负荷数据与温度、湿度、降雨量、风速和风向各天气因素的相关性程度,选取相关系数较大的主要影响因素,即确定天气影响因素。
具体地,利用线性归一化方法对采集到的特征数据进行归一化预处理,将其映射到[0,1]之间,归一化公式如式(1)所示:
作为本实施例的一个可选实施方式,上述S32可以包括:
(1)计算全年每日的日负荷与各个天气数据的相关性,得到第一相关系数。
(2)计算各个季节每日的日负荷与各个天气数据的相关性,得到第二相关系数。
(3)利用第一相关系数以及第二相关系数的大小,确定天气影响因素。
具体地,利用Pearson相关系数计算某市2012年全年和春、夏、秋、冬四个季节每日的日96点负荷与温度、湿度、降雨、风速、和风向各气象影响因素之间的相关系数,选取相关系数较大的影响因素作为配电网短期负荷预测模型输入的一部分特征量,相关系数如公式(2)所示:
利用相关系数计算某市2012年全年和春、夏、秋、冬四个季节每日的日96点负荷与温度、湿度、降雨量、风速和风向各天气影响因素之间的相关系数,计算结果如表1、表2、表3、表4、表5所示。
表1 2012年全年负荷与各影响因素之间的相关系数
表2 2012年春季负荷与各影响因素之间的相关系数
表3 2012年夏季负荷与各影响因素之间的相关系数
表4 2012年秋季负荷与各影响因素之间的相关系数
表5 2012年冬季负荷与各影响因素之间的相关系数
以上5个表中可以看出,温度、湿度与负荷的相关性较大,尤其在夏季温度、湿度与负荷的相关系数较大,说明负荷的变化受温度、湿度的影响较大。因此,考虑将温度、湿度作为主要影响因素。
S313,对所有负荷样本数据进行聚类分析,得到至少一种日类型,以确定与样本时间对应的日类型。
具体地,采用层次聚类方法对所有日负荷样本数据进行聚类,观察不同类别的日负荷曲线发现可以将聚类结果分为不同日类型,分别为春节及其前后三天、除春节以外的法定节假日节日当天、法定节假日中除去节日当天的假期、夏(冬)季用电高峰日、常规工作日和周末。
例如,针对春节及其前后三天,用春节变量Spr_Fest标识;针对除春节以外的法定节假日节日当天,用节日变量Fest标识;针对法定节假日中除去节日当天的假期,用假期变量Hol标识;针对夏(冬)季用电高峰日,用夏(冬)日变量标识Sum_or_Win标识;针对常规工作日和周末,无需特殊标识;此外,以星期变量Week标识日负荷曲线所属星期类型。采用不同的标识表示不同日类型的负荷样本数据,便于后续区分不同的日类型。
S32,将样本数据输入配电网短期负荷预测模型中,得到样本时间对应的短期负荷预测结果。
详细请参见图2所示实施例的S22,在此不再赘述。
S33,基于样本时间对应的短期实际结果以及短期预测结果,对配电网短期负荷预测模型进行训练,确定目标短期负荷预测模型。
详细请参见图2所示实施例的S23,在此不再赘述。
本实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,利用历史日负荷与各个天气数据的相关性,可以确定出与日负荷最相关的几个天气数据,即天气影响因素,提高了天气影响因素确定的效率。
作为本实施例的一个具体应用实例,图3示出了目标短期负荷预测模型的训练过程。具体地,输入配电网短期负荷预测模型的数据分为三部分:(1)聚类处理后的不同日类型的负荷样本数据;(2)相关性分析后得到的主要天气影响因素;(3)样本时间的历史负荷样本数据。将这三部分输入至配电网短期负荷预测模型中,输出为短期负荷的预测结果。
根据本发明实施例,提供了一种配电网短期负荷预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测方法,可用于电子设备,如电脑、手机、平板电脑等,图6是根据本发明实施例的配电网短期负荷预测方法的流程图,如图6所示,该流程包括如下步骤:
S41,获取待处理数据。
其中,所述待处理数据包括天气影响因素、待预测时间的历史负荷样本数据以及待预测时间对应的日类型。
天气影响因素以及待预测时间对应的日类型可以是存储在电子设备中的,也可以是电子设备从外界获取到的,在此对其来源并不做任何限制。
待预测时间的历史负荷样本数据,可以包括待预测时间的前一周同一时刻及其前后时刻与前一天同一时刻及其前后时刻的负荷数据,具体可以根据聚类结果得到,且可以根据实际需求进行相应的设置。
S42,将待处理数据输入目标短期负荷预测模型中,得到待预测时间对应的短期负荷预测结果。
其中,所述目标短期负荷预测模型是根据上述任一项所述的基于改进AlexNet-GRU模型的训练方法训练得到的。
电子设备将S41中的待处理数据输入到目标短期负荷预测模型中,利用目标短期负荷预测模型的处理,就可得到待预测时间对应的短期负荷预测结果。
本实施例提供的基于改进AlexNet-GRU模型的配电网短期负荷预测方法,在预测过程中结合天气影响因素以及待预测时间的日类型进行,考虑到了天气及不同日类型对负荷的影响,提高了短期负荷预测的精度。
具体地,不同日类型的负荷样本数据采用不同的标识区分。记前1周同一时刻的前一时刻负荷变量为Lw-,前1周同一时刻负荷变量为Lw,前1周同一时刻的后一时刻负荷变量为Lw+,前1天同一时刻的前一时刻负荷变量为Ld-,前1天同一时刻负荷变量为Ld,前1天同一时刻的后一时刻负荷变量为Ld+,温度变量为T,湿度变量为H,连同上述聚类分析中形成的夏(冬)季用电高峰变量Sum_or_Win、假期变量Hol、节日变量Fest、春节变量Spr_Fest、星期变量Week共同构成短期负荷预测的输入变量。对于每一组日负荷曲线,以上每一单独变量均为一个96*1的向量,13个输入变量形成96*13的输入矩阵,输出则为96*1的对应日负荷向量,即日96点的预测结果。
为了更好地体现本实施例所述的基于改进AlexNet-GRU模型的配电网短期负荷预测方法的预测精度,将本实施例所述的预测方法与其他预测方法进行比较。其中,其他预测方法包括对比方法1、对比方法2以及对比方法3。对比方法1的网络结构与本实施例的网络结构相同,不同的是,对比方法1仅考虑天气影响因素,而未结合日类型的负荷样本数据;对比方法2的网络结构与本实施例的网络结构相同,不同的是,对比方法2未考虑天气影响因素以及日类型的负荷样本数据;对比方法3的网络结构为SVR模型,且未考虑天气影响因素以及日类型的负荷样本数据。
本实施例的预测方法与其他方法的对比,如表6所示:
表6本实施例的预测方法与对比方法
具体地,以某市2012年的日96点负荷数据、天气影响因素以及不同日类型的负荷数据作为样本数据,训练得到目标短期负荷预测模型。并利用目标短期负荷预测模型对2013的日96点负荷进行预测,与表6所示的对比方法相比,其预测精度有所提高。
采用本实施例提出的负荷预测模型针对工作日进行日96点负荷预测,对2013年5月15日的日96点负荷进行预测,与对比方法进行比较,对比结果如图7a所示。其中,横坐标表示96个采样点,纵坐标表示负荷值。平均绝对百分比误差MAPE从原来的2.56%降低到现在的0.95%,降低了1.61%。从图7a不同曲线的对比可知,无论是整体负荷曲线的平滑度,还是单个负荷点的预测值,本实施例所提出的配电网短期负荷预测方法比表6所述的对比方法效果好。
采用本实施例提出的负荷预测模型针对国家法定节假日节日当天进行日96点负荷预测,对2013年5月1日的日96点负荷进行预测,与对比方法进行比较,对比结果如图7b所示,其中横坐标表示96个采样点,纵坐标表示负荷值。平均绝对百分比误差MAPE从原来的22.99%降低到现在的2.43%,降低了20.56%。从图7b不同曲线的对比可知,无论是整体负荷曲线的平滑度,还是单个负荷点的预测值,本实施例所提出的负荷预测方法比表6所述的对比方法效果好。
采用本实施例提出的负荷预测模型针对国家法定节假日假期进行日96点负荷预测,对2013年4月30日的日96点负荷进行预测,与对比方法进行比较,对比结果如图7c所示,其中横坐标表示96个采样点,纵坐标表示负荷值。平均绝对百分比误差MAPE从原来的7.01%降低到现在的1.48%,降低了4.53%。从图7c不同曲线的对比可知,无论是整体负荷曲线的平滑度,还是单个负荷点的预测值,本实施例所提出的负荷预测方法比表6所述的对比方法效果好。
采用本实施例提出的负荷预测模型针对夏(冬)季高峰用电日进行日96点负荷预测,对2013年7月11日的日96点负荷进行预测,与对比方法进行比较,对比结果如图7d所示,其中横坐标表示96个采样点,纵坐标表示负荷值。平均绝对百分比误差MAPE从原来的11.34%降低到现在的2.62%,降低了8.72%。从图7d不同曲线的对比可知,无论是整体负荷曲线的平滑度,还是单个负荷点的预测值,本实施例所提出的负荷预测方法比表6所述的对比方法效果好。
采用本实施例提出的负荷预测模型针对春节及其前后三天进行日96点负荷预测,对2013年2月9日的日96点负荷进行预测,与对比方法进行比较,对比结果如图7e所示,其中横坐标表示96个采样点,纵坐标表示负荷值。平均绝对百分比误差MAPE从原来的26.55%降低到现在的8.26%,降低了18.29%。从图7e不同曲线的对比可知,无论是整体负荷曲线的平滑度,还是单个负荷点的预测值,本实施例所提出的负荷预测方法比表6所述的对比方法效果好。
表7本实施例的预测方法与对比方法的平均绝对百分比误差MAPE
MAPE(%) | 2013.5.15 | 2013.5.1 | 2013.4.30 | 2013.7.11 | 2013.2.9 |
本实施例 | 0.95 | 2.43 | 1.48 | 2.62 | 8.26 |
对比方法2 | 0.98 | 5.59 | 3.90 | 3.66 | 10.74 |
对比方法1 | 1.53 | 11.88 | 5.33 | 6.60 | 14.50 |
对比方法3 | 2.56 | 22.99 | 7.01 | 11.34 | 26.55 |
以上算例能够有效提高负荷预测的精度,验证了本实施例提出的配电网短期负荷预测方法的有效性。
在本实施例中还提供了一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置,或基于改进AlexNet-GRU模型的配电网短期负荷预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置,如图8所示,包括:
第一获取模块51,用于获取样本数据,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与所述样本时间对应的日类型;
第一预测模块52,用于将所述样本数据输入配电网短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果;
训练模块53,用于基于所述样本时间对应的短期实际结果以及所述短期预测结果,对所述配电网短期负荷预测模型进行训练,确定目标短期负荷预测模型。
本实施例提供一种基于改进AlexNet-GRU模型的配电网短期负荷预测装置,如图9所示,包括:
第二获取模块61,用于获取待处理数据,所述待处理数据包括天气影响因素、待预测时间的历史负荷样本数据以及与待预测时间对应的日类型;
第二预测模块62,用于将所述待处理数据输入目标短期负荷预测模型中,得到所述待预测时间对应的短期负荷预测结果,所述目标短期负荷预测模型是根据本发明第一方面任一项所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法训练得到的。
本实施例中的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置或基于改进AlexNet-GRU模型的配电网短期负荷预测装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图8所示的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置,或图9所示的配电网配电网短期负荷预测装置。
请参阅图10,图10是本发明可选实施例提供的一种电子设备的结构示意图,如图10所示,该电子设备可以包括:至少一个处理器71,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口73,存储器74,至少一个通信总线72。其中,通信总线72用于实现这些组件之间的连接通信。其中,通信接口73可以包括显示屏(Display)、键盘(Keyboard),可选通信接口73还可以包括标准的有线接口、无线接口。存储器74可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。其中处理器71可以结合图8或9所描述的装置,存储器74中存储应用程序,且处理器71调用存储器74中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线72可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器74可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器74还可以包括上述种类的存储器的组合。
其中,处理器71可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器74还用于存储程序指令。处理器71可以调用程序指令,实现如本申请图1、2以及5实施例中所示的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,或如本申请图6实施例中所示的基于改进AlexNet-GRU模型的配电网短期负荷预测方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,或基于改进AlexNet-GRU模型的配电网短期负荷预测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型,其特征在于,所述短期负荷预测模型包括:特征提取模型、门控循环单元及全连接层,其中,
所述特征提取模型用于对待处理数据进行特征提取,得到目标特征,所述特征提取模型为基于AlexNet模型构建的;
所述门控循环单元用于基于所述目标特征进行时序处理,得到时序处理结果;
所述全连接层用于将所述时序处理结果进行转换,得到短期负荷预测结果。
2.根据权利要求1所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型,其特征在于,所述特征提取模型包括:
输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第三最大池化层及输出层;
优选地,所述短期负荷预测模型的输出层对应的激活函数为Linear,其他层对应的激活函数为Relu。
3.一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,其特征在于,包括:
获取样本数据,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与所述样本时间对应的日类型;
将所述样本数据输入短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果;
基于所述样本时间对应的短期实际结果以及所述短期预测结果,对所述短期负荷预测模型进行训练,确定目标短期负荷预测模型。
4.根据权利要求3所述的训练方法,其特征在于,所述将所述样本数据输入短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果,包括:
将所述样本数据输入所述短期负荷预测模型中的特征提取模型,对所述样本数据进行特征提取,得到样本特征;
将所述样本特征输入时序处理模型中,得到时序处理结果;
将所述时序处理结果输入全连接层,得到所述短期负荷预测结果;
优选地,所述特征提取模型为基于AlexNet模型构建的,所述时序处理模型为门控循环单元,所述将所述样本数据输入短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果,包括:
利用所述特征提取模型中的一维卷积层对所述样本数据进行特征提取,得到所述样本特征;
将所述样本特征输入所述门控循环单元中,得到所述时序处理结果;
将所述时序处理结果输入所述全连接层,得到所述短期负荷预测结果;
优选地,所述获取样本数据,包括:
获取历史日负荷样本数据及其对应的天气数据;
利用所述历史日负荷与各个所述天气数据的相关性,确定所述天气影响因素;
优选地,所述利用所述历史日负荷与各个所述天气数据的相关性,确定所述天气影响因素,包括:
计算全年每日的日负荷与各个所述天气数据的相关性,得到第一相关系数;
计算各个季节每日的日负荷与各个所述天气数据的相关性,得到第二相关系数;
利用所述第一相关系数以及所述第二相关系数的大小,确定所述天气影响因素;
优选地,所述方法还包括:
对所有所述负荷样本数据进行聚类分析,得到至少一种日类型,以确定与所述样本时间对应的日类型;
优选地,所述目标短期负荷预测模型的训练所采用的优化器为Adam,学习率为0.001。
5.一种基于改进AlexNet-GRU模型的配电网短期负荷预测方法,其特征在于,包括:
获取待处理数据,所述待处理数据包括天气影响因素、待预测时间的历史负荷样本数据以及与所述待预测时间对应的日类型;
将所述待处理数据输入目标短期负荷预测模型中,得到所述待预测时间对应的短期负荷预测结果,所述目标短期负荷预测模型是根据权利要求1-5中任一项所述的基于改进AlexNet-GRU模型的短期负荷预测模型的训练方法训练得到的。
6.根据权利要求5所述的配电网短期负荷预测方法,其特征在于,所述将所述待处理数据输入目标短期负荷预测模型中,得到所述待预测时间对应的短期负荷预测结果,包括:
利用所述目标短期负荷预测模型的特征提取模型中的一维卷积层对所述待处理数据进行特征提取,得到目标特征,所述特征提取模型为基于AlexNet模型构建的;
将所述目标特征输入所述门控循环单元中,得到所述时序处理结果;
将所述时序处理结果输入至少一个全连接层,得到所述短期负荷预测结果;
优选地,所述利用所述目标短期负荷预测模型的特征提取模型中的一维卷积层对所述待处理数据进行特征提取,得到目标特征,包括:
将所述待处理数据依次输入到第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层以及第三最大池化层进行处理,得到所述目标特征;
优选地,所述目标短期负荷预测模型的输出层对应的激活函数为Linear,其他层对应的激活函数为Relu。
7.一种基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练装置,其特征在于,包括:
第一获取模块,用于获取样本数据,所述样本数据包括天气影响因素、样本时间的历史负荷样本数据以及与所述样本时间对应的日类型;
第一预测模块,用于将所述样本数据输入短期负荷预测模型中,得到所述样本时间对应的短期负荷预测结果;
训练模块,用于基于所述样本时间对应的短期实际结果以及所述短期预测结果,对所述短期负荷预测模型进行训练,确定目标短期负荷预测模型。
8.一种基于改进AlexNet-GRU模型的配电网短期负荷预测装置,其特征在于,包括:
第二获取模块,用于获取待处理数据,所述待处理数据包括天气影响因素、待预测时间的历史负荷样本数据以及与所述待预测时间对应的日类型;
第二预测模块,用于将所述待处理数据输入目标短期负荷预测模型中,得到所述待预测时间对应的短期负荷预测结果,所述目标短期负荷预测模型是根据权利要求3或4所述的基于改进AlexNet-GRU模型的短期负荷预测模型的训练方法训练得到的。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求3或4所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,或,执行权利要求5或6所述的基于改进AlexNet-GRU模型的配电网短期负荷预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求3或4所述的基于改进AlexNet-GRU模型的配电网短期负荷预测模型的训练方法,或,执行权利要求5或6所述的基于改进AlexNet-GRU模型的配电网短期负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598679.9A CN113222281A (zh) | 2021-05-31 | 2021-05-31 | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598679.9A CN113222281A (zh) | 2021-05-31 | 2021-05-31 | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222281A true CN113222281A (zh) | 2021-08-06 |
Family
ID=77081817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598679.9A Pending CN113222281A (zh) | 2021-05-31 | 2021-05-31 | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375002A (zh) * | 2022-07-12 | 2022-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、系统、存储介质及计算设备 |
CN115936264A (zh) * | 2023-02-22 | 2023-04-07 | 北京师范大学 | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
WO2019231516A1 (en) * | 2018-05-29 | 2019-12-05 | The Trustees Of Princeton University | System and method for compact, fast, and accurate lstms |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN112232483A (zh) * | 2020-10-15 | 2021-01-15 | 昆明理工大学 | 一种结合cnn和lstm的航班平均票价预测方法 |
-
2021
- 2021-05-31 CN CN202110598679.9A patent/CN113222281A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
WO2019231516A1 (en) * | 2018-05-29 | 2019-12-05 | The Trustees Of Princeton University | System and method for compact, fast, and accurate lstms |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN112232483A (zh) * | 2020-10-15 | 2021-01-15 | 昆明理工大学 | 一种结合cnn和lstm的航班平均票价预测方法 |
Non-Patent Citations (5)
Title |
---|
CHENF0: "卷积神经网络CNN与深度卷积神经网络DCNN", 《CSDN》 * |
姚程文 等: "基于 CNN-GRU 混合神经网络的负荷预测方法", 《电网技术》 * |
席雅雯: "融合历史数据和实时影响因素的精细化短期负荷预测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
张世勇 等 译: "《Scala机器学习:构建现实世界机器学习和深度学习项目》", 31 October 2019, 机械工业出版社 * |
黄倩 等 译: "《R语言深度学习》", 31 March 2021, 机械工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375002A (zh) * | 2022-07-12 | 2022-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、系统、存储介质及计算设备 |
CN115936264A (zh) * | 2023-02-22 | 2023-04-07 | 北京师范大学 | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN112819246A (zh) | 基于布谷鸟算法优化神经网络的能源需求预测方法 | |
CN111311025A (zh) | 一种基于气象相似日的负荷预测方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN106960260B (zh) | 一种便于电力调度的风电功率预测系统 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN115375014A (zh) | 一种源荷组合概率预测方法、装置及存储介质 | |
CN114139803A (zh) | 一种风电场站短期功率的预测方法、系统、设备和介质 |
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: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |