CN113361801A - 基于gan网络和半监督回归的混合滚动短期负荷预测方法 - Google Patents
基于gan网络和半监督回归的混合滚动短期负荷预测方法 Download PDFInfo
- Publication number
- CN113361801A CN113361801A CN202110717983.0A CN202110717983A CN113361801A CN 113361801 A CN113361801 A CN 113361801A CN 202110717983 A CN202110717983 A CN 202110717983A CN 113361801 A CN113361801 A CN 113361801A
- Authority
- CN
- China
- Prior art keywords
- data
- gan
- layer
- prediction
- load
- 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 49
- 238000005096 rolling process Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004804 winding 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,GAN生成对抗网络由生成层G和判别层D组成,GAN的生成层可生成与真实值近似的虚拟数据样本,判别层接受生成的虚拟样本与真实样本两种输入,通过对两组真实值不一样的数据进行数据处理,生成一簇基于交叉熵的误差判别结果,并通过反向传播算法将误差反馈给生成层和判别层,通过迭代改变GAN模型中的数学参数修正GAN模型,通过训练好的GAN模型对负荷数据进行预测。本发明解决了传统GAN网络拟合不足的问题,并运用滚动自适应方法,解决了历史数据可能不充足的问题,可以实现一步预测和多步预测,并取得了良好的预测效果。
Description
技术领域
本发明属于电力负荷预测技术领域,涉及一种基于GAN生成对抗网络和半监督回归的混合滚动短期负荷预测方法。
背景技术
电力系统的深化发展和环保意识的不断强化,催生出人们对电力负荷需求质量的不断提高。电力系统由于其无法大规模存储电能的特性,对进行电力负荷预测提出了更高的要求。精确的负荷预测对于经济合理地安排电网内部发电机组的启停、保持电网安全稳定运行、降低发电成本提高经济效益等方面起着至关重要的作用。负荷预测根据预测时间的不同可分为超短期、短期、中期和长期预测。我国电力行业标准规定,短期负荷预测主要为次日的负荷预测,可延申到第八日,每日按照96点预测,多运用于机组优化组合、水火电协调控制、电力系统潮流调度等方面。
短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响,在时间序列上表现为非平稳的随机过程,但是影响系统负荷的各因素中大部分具有规律性,从而为实现有效的预测奠定了基础。目前实现短期负荷预测的方法可被大致分类为以下两种:数学统计方法和机器学习算法。数据统计方法使用历史负荷数据和未来预测值之间建立某种数学关系。常见的的有卡尔曼滤波(KF)、自回归移动平均模型(ARIMA)、时间序列模型等。然而,大多数数学统计方法依赖简化的线性函数建模,因此其模型的预测能力收到很大限制。而基于机器学习算法的预测方式在神经网络的构建下,通过多种隐藏层、激活函数的组合,可以实现对数据线性和非线性的映射能力,进而达到更精确的预测效果。典型的机器学习算法包括支持向量机学习(SVM)、人工神经网络(ANN)、卷积神经网络(CNN)、深度信赖神经网络(DBN)等。而传统的基于反向传播误差的神经网络容易导致过拟合、局部最小值等问题,使得预测结果与真实值误差不近相似。
发明内容
为解决现有数学统计方法预测效果缺陷和传统机器学习算法预测性能的局限性,本文提出一种基于GAN生成对抗网络和半监督回归的混合滚动预测模型,模型的生成层和判别层不断相互博弈进而达到纳什平衡,提高了数据处理的泛化能力和预测的精确性。加之带标签的半监督回归学习方法提取数据的线性和非线性特征,进一步增强短期电力负荷预测的准确性。
本发明的技术方案实现如下:一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,包括如下步骤:
步骤一、获取电力系统历史负荷数据,并进行预处理,把电力系统历史负荷数据分解成几组内涵模态分量IMFs,并进行归一化处理,从而得到相应组别的带标签的归一化真实负荷数据序列,作为真实数据样本;
步骤二、构建GAN生成对抗网络,所述GAN生成对抗网络包括GAN生成层G和GAN判别层D;
步骤三、将维度和步骤一中的真实数据样本相同的随机噪声数据输入至GAN生成对抗网络,通过GAN生成层G获得标记的虚拟数据样本,然后将真实数据样本作为训练数据样本和虚拟数据样本一起输入至GAN判别层D;通过半监督回归域获得电力负荷的几组IMFs短期预测结果;
步骤四、根据步骤三中的预测结果和预测误差损失函数对GAN判别层D参数进行迭代更新,并反向传播误差,更新GAN生成层G的参数;最终获得训练完成的GAN生成对抗网络;
步骤五、将当前时刻之前处理后的电力系统历史负荷数据和由生成层G生成的虚拟负荷数据输入到训练完成的判别层D中;并通过半监督回归域获得电力负荷的几组IMFs短期预测结果;
步骤六、利用滚动自适应算法实现电力负荷的多步预测;并将IMFs短期预测结果重构合成电力系统负荷数据预测值,得到电力负荷一步预测和多步预测值。
进一步地,步骤一中,采用下式对内涵模态分量进行归一化处理:
式中,xi(t)为第i个电力负荷数据内涵模态分量IMFs在时间t的真实值,xi'(t)为相应的归一化值,xi,max和xi,min分别为IMFs的最大值和最小值,ymax和ymin分别为归一化后映射空间的最大值和最小值,这里分别取1和0;
进一步地,步骤一中,对归一化后的数据进行标签化处理,设置电力负荷真实数据的标签为1,即生成一组同维度的元素全为1的向量,从而得到一组带标签的归一化真实负荷数据序列Plabeled;
进一步地,步骤四中,预测误差损失函数包括生成层误差函数LG和判别层误差函数LD;所述生成层误差函数如下:
LG=||E·f(Pfake)-E·f(Plabeled)||2
所述判别层误差函数如下:
LD=Lunsup+Lsup
Lunsup=-||E·f(Pfake)-E·f(Plabeled)||2
式中,f(Pfake)和f(Plabeled)表示判别模型中间某层的输出,Pfake为虚拟数据样本,Plabeled带标签的归一化真实负荷数据序列;和分别表示下一时刻电力系统负荷数据的预测值和真实值,Lsup为监督部分误差函数,Lunsup为非监督部分误差函数,E表示期望,||·||2表示2范数的平方。
进一步地,采用基于双目标优化函数式优化GAN生成对抗网络,生成层误差函数LG和判别层误差函数LD形成生成层和判别层的最小最大博弈,使用交替训练方式迭代调整更新GAN生成对抗网络中生成层和判别层中的参数,所述双目标优化函数式如下式所示;
式中,E表示期望;x和Z分别表示真实数据样本和随机噪声数据;D函数和G函数表示判别层D和生成层G的前向作用效果,V表示优化函数。
进一步地,步骤四中,判别层的参数表示为:
其中,下标i为迭代次数;ωi和bi分别表示判别层中的权重向量和偏置向量;mi和vi分别表示一阶矩估计向量和二阶矩估计向量;αi为学习速率;ε为用来防止分母为0的分量;在每次迭代中,mi、vi和αi通过下式更新:
其中,β1和β2为指数衰减率参数,本发明中分别将其值设置为0.9和0,999,初始学习速率α0设置为10-3,参数αi可随迭代次数不断更新,Li生成层或判别层的误差函数。
进一步地,步骤四中,迭代更新的终止条件为,首先判断是否已经遍历了所有样本,若否,返回步骤三,若是,则进一步判断迭代次数达到预设值或预测误差小于某一阈值,若是,则迭代更新终止,获得训练后的GAN生成对抗网络,若否,则返回步骤三。
进一步地,步骤六中,以batch_size为单位分割历史数据和预测数据,每次将新得到的预测数据作为虚拟的数据真值,和原先历史数据组成新的数据序列,输入到GAN生成对抗网络中得到新的预测结果。根据预测值和历史数据的占比不同,可划分为一步预测和多步预测。
与现有短期负荷预测技术相比,本发明的有益成果是:
(1)在GAN模型下,将电力系统负荷预测问题归结为生成层和判别层的最大-最小博弈。有利于从有标记的样本和无标记的虚拟样本中提取电力负荷数据潜在的统计分布特征。传统GAN网络拟合不足问题得以解决;
(2)将GAN模型与半监督回归学习方式相融合,得到一种新型的混合点负荷预测方法。改进后的GAN模型采用生成层扩展训练样本,运用滚动自适应方法,解决了历史数据可能不充足的问题,可以实现一步预测和多步预测,并取得了良好的预测效果。对带有半监督回归层的判别模型进行重新构造,进而提高了短期电力负荷的预测精度。
附图说明
为使本发明的优点更加容易理解,对上述过程中涉及到的某些结构和流程进行附图说明。并将通过附图结合实例,从更加细节的角度描述和解释本发明。
图1是GAN生成对抗网络结构示意图;
图2是本发明方法实现步骤流程图;
图3是GAN生成对抗网络和半监督回归的短期电力负荷混合预测模型生成层G结构示意图;
图4是GAN生成对抗网络和半监督回归的短期电力负荷混合预测模型判别层D结构示意图;
图5是本发明实现一步预测和多步预测的方法示意图;
图6是仿真算例中使用本发明实现一步预测和多步预测的功率折线图;
图7是仿真算例中使用本发明方法和其他预测方法的预测效果对比示意图;
图8是仿真算例中使用本发明方法和其他预测方法的细节放大图;
图9中的(a)图、(b)图、(c)图分别是仿真算例中本发明和其他预测方法使用MAE、MAPE和RMSE进行数据评估的对比结果示意图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1和图2所示,本发明提供了一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,本发明涉及模型主要由GAN生成对抗网络架构和半监督回归学习方法两部分混合组成。GAN生成对抗网络主要由生成层G(generate)和判别层D(discriminate)组成,其结构图如图1所示。GAN的生成层可生成与真实值近似的虚拟数据样本,判别层接受生成的虚拟样本与真实样本两种输入,通过对两组真实值不一样的数据进行数据处理,生成一簇基于交叉熵的误差判别结果,并通过反向传播算法将误差反馈给生成层和判别层,通过迭代改变GAN模型中的数学参数修正GAN模型。在迭代过程中,GAN总是试图生成更加真实的样本,而判别层总是试图能够识别出虚拟样本和真实样本的不同,二者进行相互博弈,最终达到纳什平衡,进而得到良好的模型训练结果。模型训练生成过程中,运用带标签的半监督回归学习方法提取数据的线性和非线性特征,从而增加短期电力负荷预测的准确性。具体步骤如下:
步骤一、电力负荷历史数据的采集,仿真算例中,以1h为时间间隔获取某六节点电力系统历史负荷数据共计1000组,其中前800个数据作为训练用数据样本,后200个数据用于测试用数据样本;
步骤二、整理电力负荷历史数据,即对数据进行预处理,将数据进行VMD分解,把原始负荷数据分解成3组内涵模态分量IMFs,并进行归一化处理,从而得到一组带标签的归一化真实负荷数据序列Plabeled;
步骤2-1、导入1h为时间间隔的电力系统历史负荷数据,并将数据进行VMD分解。
保证分解序列为具有中心频率的有限带宽的模态分量,同时各模态的估计带宽之和最小,约束条件为所有模态之和与原始信号相等,由此将原始负荷数据分解成3组内涵模态分量IMFs,每组IMFs数据格式为:
(xi,1,xi,2,···,xi,n)1×1000,i=1,2,3 (1)
步骤2-2、采用式(2)对数据进行归一化处理,定义为:
式(2)中xi(t)为第i个电力负荷数据内涵模态分量IMFs在时间t的真实值,xi'(t)为相应的归一化值,xi,max和xi,min分别为IMFs的最大值和最小值,ymax和ymin分别为归一化后映射空间的最大值和最小值,这里分别取1和0;
步骤2-3、对数据进行标签化处理,设置电力负荷真实数据的内涵模态分量IMFs的标签为1,即生成一组同维度的元素全为1的向量:
(1,1,···,1)1×1000 (3)
从而得到一组带标签的归一化真实负荷数据序列Plabeled;
步骤三、利用GAN生成对抗网络和半监督回归的短期电力负荷混合预测模型进行数据预测:
步骤3-1:给定一个GAN模型:
如图3所示,GAN生成层G由五层构成,分别是:
(1)输入层;(2)变形层;(3)卷积层;(4)变形层;(5)全连接层和输出层;
输入层分别输入几组分解后的imfs分量;变形层将一维形式的输入向量变化为二维形式向量,供卷积层运算提取特征;在卷积层中不同的卷积核扫过变形之后的输入向量得到数据的特征向量,然后再将这些特征向量重新变形排列为一维向量,经过一个全连接层获得输出。
如图4所示,GAN判别层D由五层构成,分别是:
(1)输入层;(2)变形层(2)卷积层;(3)池化层;(4)变形层;(5)全连接层和输出层;
和G层相似,多了一个池化层,就是用来提取数据特征的一个方法层,池化由平均池化和最大池化,就是提取一定范围内数据的平均值和最大值;
设置GAN模型有关参数:
args=struct('batch_size',args_1,'epoch',args_2,'learning_rate',args_3,'optimizer','args_4');
args_1=50为每次训练选取的数据个数;
args_2=10为GAN模型训练次数;
args_3=0.003为模型学习速率;
args_4为参数更新选用的方法,这里选用adam算法;
步骤3-2、本实例的电力负荷预测值基于9个历史数据得到,生成层的输入层的训练样本采取维度为9×50的噪声数据;
步骤3-3、输入的数据经过生成层获得标记的虚拟数据样本Pfake;
Pfake=(Pf1,Pf2,···,Pf50); (5)
其标签为:
(0,0,···,0)1×50 (6)
步骤3-4、将虚拟数据样本Pfake和对应的训练用数据样本Plabeled及其标签输入到GAN模型的判别层中;
Plabeled=(P1,P2,···,P50) (7)
步骤3-5、通过半监督回归域获得电力负荷的几组IMFs短期预测结果;
步骤3-6、利用式(8)-(11)计算预测误差损失函数;
LG=||E·f(Pfake)-E·f(Plabeled)||2 (8)
LD=Lunsup+Lsup (9)
Lunsup=-||E·f(Pfake)-E·f(Plabeled)||2 (10)
步骤3-7、生成层误差函数LG和判别层误差函数LD形成生成层和判别层的最小最大博弈,使用交替训练方式迭代调整更新GAN生成对抗网络中生成层和判别层中的参数,双目标优化函数式如下式所示;
式中,E表示期望;x和Z分别表示真实数据样本和随机噪声数据;D函数和G函数表示判别层D和生成层G的前向作用效果,V表示优化函数。
步骤3-7-1、通过式(9)-(11)得到的判别层误差,将判别层的参数通过式(13)-(14)更新;
其中,下标i为迭代次数;ωi和bi分别表示权重向量和偏置向量;mi和vi分别表示一阶矩估计向量和二阶矩估计向量;αi为学习速率;ε为用来防止分母为0的分量;在每次迭代中,mi、vi和αi通过式(15)-(17)更新:
其中β1和β2为指数衰减率参数,本发明中分别将其值设置为0.9和0,999,初始学习速率α0设置为10-3,参数αi可随迭代次数不断更新;
步骤3-7-2、按照给定的初始GAN判别模型D,估计回归误差并向生成模型反向传播,使生成模型的参数进行更新;
步骤3-7-3、收集下一批训练样本,重复步骤3-2至3-7-2,直到所有风电原始训练样本遍历一次;
终止条件:当迭代次数达到预设值或预测误差小于某一阈值时,应立即结束备选训练过程。否则,再次重复步骤3-2至3-7-3,更新GAN的模型参数,并通过测试数据进行性能测试。
步骤3-8、将当前时刻之前处理后的电力系统历史负荷数据对应的由生成层G生成的虚拟负荷数据序列输入到判别层D中;
步骤3-9、通过半监督回归域获得电力负荷的几组IMFs短期预测结果;
步骤3-10、利用滚动自适应算法实现电力负荷的多步预测:以每组50为单位分割历史数据和预测数据,每次将新得到的预测数据作为虚拟的数据真值,和原先历史数据组成新的数据序列,输入到GAN预测模型中得到新的预测结果。根据预测值和历史数据的占比不同,可划分为一步预测和多步预测,如图5和图6所示:
步骤3-11、将IMFs短期预测结果重构合成风电预测值,即将三组IMFs相加和,得到GAN电力负荷一步预测和多步预测值;
步骤四、对预测数据进行标准评估。
进一步地,所述步骤四的具体步骤如下:
步骤4-1、绘制GAN模型一步和多步预测图象;
步骤4-2、利用式(18)-(20)计算平均绝对误差MAE(mean absolute error)、平均绝对百分比误差MAPE(mean absolute percentage error)和均方根误差RMSE(root meansquare error),并与其他方法的预测结果进行对。
仿真算例:
将本发明用于短期预测某一六节点电力系统的负荷值,以证明此预测方法的有效性与可行性。
1、VMD是一种有效的信号频域分解技术,尤其适用于处理非线性和非稳态信号。使用VMD分解方法,更能应对预测数值的不规律性与波动性;
2、如图9中的(a)图、(b)图、(c)图所示,在计算各类预测方法结果的平均绝对误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE时,可以明显看到GAN在三种评估标准中均取得了最佳结果;
3、从图7和图8可以看到,在负荷值发生突变的位置,本发明方法有着更强的数据跟随能力;
4、滚动多步预测效果图与真实值对比发现,虽然随着预测步长的增加,预测效果会逐渐趋于恶化,但总体趋势和预测结果仍优于文中列举的其他方法,并且很大程度上解决了历史数据匮乏情况下实现短期负荷预测的现实问题。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,其特征在于,包括如下步骤:
步骤一、获取电力系统历史负荷数据,并进行预处理,把电力系统历史负荷数据分解成几组内涵模态分量IMFs,并进行归一化处理,从而得到相应组别的带标签的归一化真实负荷数据序列,作为真实数据样本;
步骤二、构建GAN生成对抗网络,所述GAN生成对抗网络包括GAN生成层G和GAN判别层D;
步骤三、将维度和步骤一中的真实数据样本相同的随机噪声数据输入至GAN生成对抗网络,通过GAN生成层G获得标记的虚拟数据样本,然后将真实数据样本作为训练数据样本和虚拟数据样本一起输入至GAN判别层D;通过半监督回归域获得电力负荷的几组IMFs短期预测结果;
步骤四、根据步骤三中的预测结果和预测误差损失函数对GAN判别层D参数进行迭代更新,并反向传播误差,更新GAN生成层G的参数;最终获得训练完成的GAN生成对抗网络;
步骤五、将当前时刻之前处理后的电力系统历史负荷数据和由生成层G生成的虚拟负荷数据输入到训练完成的判别层D中;并通过半监督回归域获得电力负荷的几组IMFs短期预测结果;
步骤六、利用滚动自适应算法实现电力负荷的多步预测;并将IMFs短期预测结果重构合成电力系统负荷数据预测值,得到电力负荷一步预测和多步预测值。
3.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,其特征在于,步骤一中,对归一化后的数据进行标签化处理,设置电力负荷真实数据的标签为1,即生成一组同维度的元素全为1的向量,从而得到一组带标签的归一化真实负荷数据序列Plabeled。
4.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,其特征在于,步骤四中,预测误差损失函数包括生成层误差函数LG和判别层误差函数LD;所述生成层误差函数如下:
LG=||E·f(Pfake)-E·f(Plabeled)||2
所述判别层误差函数如下:
LD=Lunsup+Lsup
Lunsup=-||E·f(Pfake)-E·f(Plabeled)||2
7.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,其特征在于,步骤四中,迭代更新的终止条件为,首先判断是否已经遍历了所有样本,若否,返回步骤三,若是,则进一步判断迭代次数达到预设值或预测误差小于某一阈值,若是,则迭代更新终止,获得训练后的GAN生成对抗网络,若否,则返回步骤三。
8.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法,其特征在于,步骤六中,以batch_size为单位分割历史数据和预测数据,每次将新得到的预测数据作为虚拟的数据真值,和原先历史数据组成新的数据序列,输入到GAN生成对抗网络中得到新的预测结果。根据预测值和历史数据的占比不同,可划分为一步预测和多步预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717983.0A CN113361801A (zh) | 2021-06-28 | 2021-06-28 | 基于gan网络和半监督回归的混合滚动短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717983.0A CN113361801A (zh) | 2021-06-28 | 2021-06-28 | 基于gan网络和半监督回归的混合滚动短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361801A true CN113361801A (zh) | 2021-09-07 |
Family
ID=77536742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717983.0A Pending CN113361801A (zh) | 2021-06-28 | 2021-06-28 | 基于gan网络和半监督回归的混合滚动短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361801A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330924A (zh) * | 2022-01-10 | 2022-04-12 | 中国矿业大学 | 基于生成式对抗网络的复杂产品变更强度预测方法 |
CN114925940A (zh) * | 2022-07-20 | 2022-08-19 | 广东电网有限责任公司佛山供电局 | 一种基于负荷分解的节假日负荷预测方法及系统 |
CN116383884A (zh) * | 2023-04-14 | 2023-07-04 | 武汉浪科鑫炫网络科技有限公司 | 一种基于人工智能的数据安全防护方法及系统 |
CN116383883A (zh) * | 2023-04-14 | 2023-07-04 | 于诚优品信息科技(福州)有限责任公司 | 一种基于大数据的数据管理权限处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN111191835A (zh) * | 2019-12-27 | 2020-05-22 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
-
2021
- 2021-06-28 CN CN202110717983.0A patent/CN113361801A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN111191835A (zh) * | 2019-12-27 | 2020-05-22 | 国网辽宁省电力有限公司阜新供电公司 | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
BIN ZHOU等: "Short-term prediction of wind power and its ramp events based on semisupervised generative adversarial network", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 * |
基于GRU-XGBOOST的风电场功率短期预测: "基于GRU-XGBoost的风电场功率短期预测", 《仪表技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330924A (zh) * | 2022-01-10 | 2022-04-12 | 中国矿业大学 | 基于生成式对抗网络的复杂产品变更强度预测方法 |
CN114330924B (zh) * | 2022-01-10 | 2023-04-18 | 中国矿业大学 | 基于生成式对抗网络的复杂产品变更强度预测方法 |
CN114925940A (zh) * | 2022-07-20 | 2022-08-19 | 广东电网有限责任公司佛山供电局 | 一种基于负荷分解的节假日负荷预测方法及系统 |
CN116383884A (zh) * | 2023-04-14 | 2023-07-04 | 武汉浪科鑫炫网络科技有限公司 | 一种基于人工智能的数据安全防护方法及系统 |
CN116383883A (zh) * | 2023-04-14 | 2023-07-04 | 于诚优品信息科技(福州)有限责任公司 | 一种基于大数据的数据管理权限处理方法及系统 |
CN116383883B (zh) * | 2023-04-14 | 2023-12-22 | 水发科技信息(山东)有限公司 | 一种基于大数据的数据管理权限处理方法及系统 |
CN116383884B (zh) * | 2023-04-14 | 2024-02-23 | 天翼安全科技有限公司 | 一种基于人工智能的数据安全防护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
Memarzadeh et al. | A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets | |
CN113361801A (zh) | 基于gan网络和半监督回归的混合滚动短期负荷预测方法 | |
Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
Yin et al. | An effective secondary decomposition approach for wind power forecasting using extreme learning machine trained by crisscross optimization | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
Xiao et al. | A hybrid model based on data preprocessing for electrical power forecasting | |
Mandal et al. | In search of suitable fuzzy membership function in prediction of time series data | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
Ngoc et al. | Support vector regression based on grid search method of hyperparameters for load forecasting | |
CN112650933B (zh) | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
Semero et al. | An accurate very short-term electric load forecasting model with binary genetic algorithm based feature selection for microgrid applications | |
CN111105321A (zh) | 一种基于eemd二次分解的电力负荷预测方法 | |
Samet et al. | Evaluation of neural network-based methodologies for wind speed forecasting | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
He et al. | Similar day selecting based neural network model and its application in short-term load forecasting | |
Handoyo et al. | The fuzzy inference system with rule bases generated by using the fuzzy C-means to predict regional minimum wage in Indonesia | |
CN113554241A (zh) | 一种基于用户用电投诉行为的用户分层方法及预测方法 | |
Sun et al. | Short-term load forecasting model based on multi-label and BPNN | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 |
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: 20210907 |