CN113675844A - 一种多节点电力负荷预测方法 - Google Patents
一种多节点电力负荷预测方法 Download PDFInfo
- Publication number
- CN113675844A CN113675844A CN202110898421.0A CN202110898421A CN113675844A CN 113675844 A CN113675844 A CN 113675844A CN 202110898421 A CN202110898421 A CN 202110898421A CN 113675844 A CN113675844 A CN 113675844A
- Authority
- CN
- China
- Prior art keywords
- node
- load
- power load
- predicted
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 239000004576 sand Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多节点电力负荷预测方法,包括以下步骤:步骤一,电力负荷数据采集:获取电力系统中待预测负荷节点及其上层节点的历史负荷数据,构建多节点电力负荷原始数据集;步骤二,数据预处理:构建多节点负荷样本数据集;步骤三,构建多节点电力负荷预测模型;步骤四,多节点电力负荷预测:将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测,一次性得到多节点电力负荷的预测结果。本发明增加了上层节点负荷与待预测节点负荷相关性的考虑,并通过多个节点网络的组成的多节点电力负荷预测模型对多节点时间序列数据进行挖掘,同时预测多个节点的负荷,采用同时预测每个节点的方式替代传统的逐一单点预测方法,使得预测更为高效。
Description
技术领域
本发明涉及电力负荷预测技术领域,特别涉及一种多节点电力负荷预测方法。
背景技术
精准的电力负荷预测是电力系统调度、实时控制、运行规划的关键,是保持电力系统供需平衡的基础。随着电力负荷总量的大幅提高、电网结构不断变化,涉及潮流分析和紧急情况的供电恢复等系统分析需要更详尽的负荷数据支撑,这需要对结构规模快速变化的电力系统进行多节点负荷预测。如果不了解电力系统多个节点的电力负荷变化,就不能对系统进行各种动态和静态分析来确定能源供应质量和稳定性,例如角度稳定、电压稳定等。事实上,短期的多节点负荷预测对于电力系统运行优化具有重要意义,它是系统精细化控制和紧急状态处理的基础。
现有的短期负荷预测方法更多的是对于单一节点的负荷预测,忽略它的上层节点与它的时空相关性,导致多节点电力负荷预测精度不高。目前处理多节点电力负荷预测问题大多是基于单一预测任务出发,主要分为两种:
第一:单点预测:单点预测集中在从节点本身的负荷序列角度上挖掘自身的负荷变化特性,忽视系统其他节点对它的影响,例如上层节点和待预测节点间的时空相关性。通过单点预测实现多节点电力负荷预测需要训练多个预测模型并且难以做到一次性预测,这也会导致预测效率低下和多节点预测系统维护难度增加。
第二:两阶段预测,将电力系统割裂为上层负荷节点和待预测负荷节点,首先进行上层节点负荷预测,然后利用待预测节点负荷在上层节点负荷中的占比即负荷因子,与预测的上层节点负荷相乘实现对待预测节点负荷的预测。这种方法利用负荷因子解释总负荷与子节点法线性耦合关系,将具有较强规律的上层节点负荷特性拓展到待预测节点。这种两阶段预测方法不能获取节点间的非线性耦合关系和产生误差积累,导致多节点负荷预测的精度不高。
虽然上述两类方法都可以达到多节点负荷预测的目标,但是由于不能很好地挖掘节点间的相互关系,往往预测的精度和自适应能力不高。实际上根据网络物理法则,每个负载节点不是相互独立的,并且各层之间存在紧密的物理关系,要得到精度更高的多节点负荷预测结果,就需要深度挖掘节点间的相关特征。
发明内容
为了解决上述技术问题,本发明提供一种算法简单、预测精度高的多节点电力负荷预测方法。
本发明解决上述问题的技术方案是:一种多节点电力负荷预测方法,包括以下步骤:
步骤一,电力负荷数据采集:获取电力系统中待预测负荷节点及其上层节点的历史负荷数据,构建多节点电力负荷原始数据集;
步骤二,数据预处理:对多节点电力负荷原始数据中的缺失数据进行填充并归一化,构建多节点负荷样本数据集;
步骤三,构建多节点电力负荷预测模型:由对应各个节点的神经网络构成多节点电力负荷预测模型,每个节点神经网络包含特征融合层和学习层,特征融合层自动将上层节点和待预测节点的负荷特征融合作为学习层的输入特征,学习层再对输入特征进行深度时序特征挖掘实现节点负荷预测,采用多任务学习对预测模型进行训练;
步骤四,多节点电力负荷预测:将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测,一次性得到多节点电力负荷的预测结果。
上述多节点电力负荷预测方法,所述步骤一中,多节点负荷样本数据集S表示为{D1,D2,…,Di,Dn,Ds},其中n为电力系统中待预测节点的数目,Di代表节点i的负荷样本数据集,Ds代表上层节点负荷样本数据集。
上述多节点电力负荷预测方法,所述步骤二中,采用滑动窗口法构建多节点负荷样本数据集,具体步骤为:
2-1)确定模型的输入长度l和输出长度r,即用l个历史采样点数据,预测未来r个采样点数据,l通过自相关性分析法产生,r根据实际应用需求设定,对于时刻t,节点i有其中表示节点i的t时刻往前l个时刻对应电力负荷值组成的预测序列,表示节点i在t-l+m时刻的电力负荷值,其中m的取值范围为[1,l],是节点i的t时刻往后r个时刻对应电力负荷值组成的真实值序列,作为模型的标签,是节点i在t+e时刻的电力负荷值,其中e的取值范围为[1,r];同理,表示上层节点的t时刻往前l个时刻对应电力负荷值组成的预测序列,表示上层节点在t-l+m时刻的电力负荷值,其中m的取值范围为[1,l],表示上层节点的t时刻往后r个时刻对应电力负荷值组成的真实值序列,表示上层节点在t+e时刻的电力负荷值,其中e的取值范围为[1,r];
2-3)按设定迭代次数对上层节点负荷序列和待预测节点负荷序列重复2-2)操作,达到设定迭代次数则进入步骤2-4);
2-4)由2-3)生成的负荷样本构成整个负荷序列的样本表示,多节点负荷样本数据集S表示为{D1,D2,…,Di,Dn,Ds},节点负荷样本数据矩阵表示为:
其中Di代表节点i的样本数据集,xi(k,j)代表的是节点i的第k个样本中预测时刻往前提前j时刻的负荷值,yi(k,j)是节点i的第k个样本的第j个目标值;同理上层节点负荷样本数据矩阵表示为:
其中xs(k,j)代表上层节点的第k个样本中预测时刻往前提前j时刻的负荷值,ys(k,j)是上层节点负荷的第k个样本的的第j个目标值。
上述多节点电力负荷预测方法,所述步骤三具体步骤为:
3-1)建立对应待预测节点i的神经网络,由所有待预测节点的神经网络组成多节点电力负荷预测模型;
3-2)将节点样本数据集Di拆分为负荷样本特征矩阵Xi和负荷样本标签矩阵Yi,Xi包含Di中的1到l列,Yi为Di中的l+1到l+r列;Xi和Yi的维度分别为(N,l)和(N,r),N代表样本数,同理将上层节点样本数据集Ds拆分成维度为(N,l)和(N,r)的负荷特征样本矩阵Xs和负荷样本标签矩阵Ys,其中Xi和Xs分别表示对应节点i和上层节点的预测模型输入,Yi和Ys分别表示待预测节点及其上层节点的样本矩阵Xi和Xs对应的标签矩阵;
3-3)将Xs和Xi拼接后的向量作为待预测节点神经网络的输入,所有节点完成拼接后向量表示为X′={X′1,X′2,…,X′i,X′n}及其标签向量为Y′={Y1,Y2,…,Yi,Yn},其中X′i=(Xs,Xi)代表节点i的融合特征向量,X′i的维度为(N,l,2);
3-4)利用X′和Y′对多节点电力负荷预测模型进行训练;使用多任务学习机制将所有节点网络的均方误差求和,根据求和后的均方误差迭代更新多节点电力负荷预测模型参数。
上述多节点电力负荷预测方法,所述步骤3-1)中,待预测节点的神经网络为:
第一层为输入层;第二层是由4个使用不同卷积核的并行时间卷积网络构成的融合特征提取层;第三层和第五层为门控循环单元网络层;第四层和第六层为Dropout层;最后一层为输出层。
上述多节点电力负荷预测方法,所述步骤四具体步骤为:
4-1)采集当前时间上层节点的电力负荷和所有待预测节点的电力负荷,并归一化;
4-2)当前时刻的上层节点归一化负荷与上层节点过去l-1个归一化负荷组合形成上层节点特征样本;
4-3)当前时刻所有的待预测节点归一化负荷分别与对应节点过去l-1个归一化负荷组合形成节点特征样本;
4-4)将上层节点特征样本与节点特征样本组合形成融合样本,构建多节点电力负荷预测样本;
4-5)将多节点电力负荷预测样本输入训练好的多节点电力负荷预测模型进行在线预测,一次性输出多个节点下个时间段的负荷值。
本发明的有益效果在于:
1、本发明提供了一种新的多节点负荷预测方法,它增加了上层节点负荷与待预测节点负荷相关性的考虑,并通过多个节点网络的组成的多节点电力负荷预测模型对多节点时间序列数据进行挖掘,同时预测多个节点的负荷,采用同时预测每个节点的方式替代传统的逐一单点预测方法,使得预测更为高效。
2、本发明的多节点预测模型中,上层节点负荷样本与待预测节点样本进行自动组合形成融合样本,通过融合特征提取层提取上层节点负荷和待预测节点负荷间的多模态融合特征,提高多节点电力负荷预测模型对上层节点负荷和待预测节点负荷的耦合关系辨识能力,然后利用深度门控循环单元网络对提取的多模态融合特征进行学习映射得到节点的预测值;最后利用多任务学习对上述的待预测节点神经网络组成的多节点预测模型训练,最终实现多节点短期负荷的高精度预测。
附图说明
图1为本发明的流程图。
图2为上层节点与待预测节点的结构示意图。
图3为本发明的多节点预测模型的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1-图3所示,一种多节点电力负荷预测方法,包括以下步骤:
步骤一,电力负荷数据采集:获取电力系统中待预测负荷节点及其上层节点的历史负荷数据,构建多节点电力负荷原始数据集。
多节点负荷样本数据集S表示为{D1,D2,…,Di,Dn,Ds},其中n为电力系统中待预测节点的数目,Di代表节点i的负荷样本数据集,Ds代表上层节点负荷样本数据集。
步骤二,数据预处理:对多节点电力负荷原始数据中的缺失数据进行填充并归一化,构建多节点负荷样本数据集。
采用滑动窗口法构建多节点负荷样本数据集,具体步骤为:
2-1)确定模型的输入长度l和输出长度r,即用l个历史采样点数据,预测未来r个采样点数据,l通过自相关性分析法产生,r根据实际应用需求设定,对于时刻t,节点i有其中表示节点i的t时刻往前l个时刻对应电力负荷值组成的预测序列,表示节点i在t-l+m时刻的电力负荷值,其中m的取值范围为[1,l],是节点i的t时刻往后r个时刻对应电力负荷值组成的真实值序列,作为模型的标签,是节点i在t+e时刻的电力负荷值,其中e的取值范围为[1,r];同理,表示上层节点的t时刻往前l个时刻对应电力负荷值组成的预测序列,表示上层节点在t-l+m时刻的电力负荷值,其中m的取值范围为[1,l],表示上层节点的t时刻往后r个时刻对应电力负荷值组成的真实值序列,表示上层节点在t+e时刻的电力负荷值,其中e的取值范围为[1,r];
2-3)按设定迭代次数对上层节点负荷序列和待预测节点负荷序列重复2-2)操作,达到设定迭代次数则进入步骤2-4);
2-4)由2-3)生成的负荷样本构成整个负荷序列的样本表示,多节点负荷样本数据集S表示为{D1,D2,…,Di,Dn,Ds},节点负荷样本数据矩阵表示为:
其中Di代表节点i的样本数据集,xi(k,j)代表的是节点i的第k个样本中预测时刻往前提前j时刻的负荷值,yi(k,j)是节点i的第k个样本的第j个目标值;同理上层节点负荷样本数据矩阵表示为:
其中xs(k,j)代表上层节点的第k个样本中预测时刻往前提前j时刻的负荷值,ys(k,j)是上层节点负荷的第k个样本的的第j个目标值。
步骤三,构建多节点电力负荷预测模型:由对应各个节点的神经网络构成多节点电力负荷预测模型,每个节点神经网络包含特征融合层和学习层,特征融合层自动将上层节点和待预测节点的负荷特征融合作为学习层的输入特征,学习层再对输入特征进行深度时序特征挖掘实现节点负荷预测,采用多任务学习对预测模型进行训练,即将节点网络均方误差求和作为多节点预测模型的均方误差,然后使用Adam算法减小求和后的均方误差进而优化所有节点网络的参数。具体的训练参数设置为批量16,学习率设为0.01,训练150轮。
具体步骤为:
3-1)建立对应待预测节点i的神经网络,由所有待预测节点的神经网络组成多节点电力负荷预测模型;
待预测节点的神经网络为:
第一层为输入层;第二层是由4个使用不同卷积核的并行时间卷积网络构成的融合特征提取层;第三层和第五层为门控循环单元网络层;第四层和第六层为Dropout层;最后一层为输出层。
3-2)将节点样本数据集Di拆分为负荷样本特征矩阵Xi和负荷样本标签矩阵Yi,Xi包含Di中的1到l列,Yi为Di中的l+1到l+r列;Xi和Yi的维度分别为(N,l)和(N,r),N代表样本数,同理将上层节点样本数据集Ds拆分成维度为(N,l)和(N,r)的负荷特征样本矩阵Xs和负荷样本标签矩阵Ys,其中Xi和Xs分别表示对应节点i和上层节点的预测模型输入,Yi和Ys分别表示待预测节点及其上层节点的样本矩阵Xi和Xs对应的标签矩阵;
3-3)将Xs和Xi拼接后的向量作为待预测节点神经网络的输入,所有节点完成拼接后向量表示为X′={X′1,X′2,…,X′i,X′n}及其标签向量为Y′={Y1,Y2,…,Yi,Yn},其中X′i=(Xs,Xi)代表节点i的融合特征向量,X′i的维度为(N,l,2);
3-4)利用X′和Y′对多节点电力负荷预测模型进行训练;使用多任务学习机制将所有节点网络的均方误差求和,根据求和后的均方误差迭代更新多节点电力负荷预测模型参数。
融合特征提取层用来提取上层节点负荷和待预测节点负荷间的融合特征。融合特征提取层有两个模块即特征提取模块和特征输出控制模块,两个模块的网络结构和超参数相同,区别在于网络输出时的激活函数。两个模块结构都含有4个卷积核大小分别为1×2、1×3、1×6和1×7且扩张因子为2的时间卷积网络层,不同的是特征提取模块的输出激活函数为Tanh,特征输出控制模块的输出激活函数为Sigmoid。为保持四个卷积结果长度相同,根据模型输入长度l对输出进行截断,假设给定负荷序列Z∈RT,滤波器尺寸为F1×3∈R3、F1×6∈R6和F1×7∈R7,融合特征提取模块定义为:
Z=Concatatenate(z1,z2,z3,z4)
然后将融合特征提取层的输出作为融合特征学习层的输入进行时序深度挖掘,最后由全连接网络输出节点的预测结果。
步骤四,多节点电力负荷预测:将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测,一次性得到多节点电力负荷的预测结果。具体步骤为:
4-1)采集当前时间上层节点的电力负荷和所有待预测节点的电力负荷,并归一化;
4-2)当前时刻的上层节点归一化负荷与上层节点过去l-1个归一化负荷组合形成上层节点特征样本;
4-3)当前时刻所有的待预测节点归一化负荷分别与对应节点过去l-1个归一化负荷组合形成节点特征样本;
4-4)将上层节点特征样本与节点特征样本组合形成融合样本,构建多节点电力负荷预测样本;
4-5)将多节点电力负荷预测样本输入训练好的多节点电力负荷预测模型进行在线预测,一次性输出多个节点下个时间段的负荷值。
实施例
步骤一:使用某地区电力系统的负荷数据构建多节点数据集,其中该电力系统含有6个负荷节点,分别是QLD、NSW、SA、TAS和VIC五个待预测节点和一个上层节点,如图2所示,黑色为上层节点,白色为待预测节点,其数据按30分钟间隔;数据采集时间为2010年7月1日到2011年6月30日;将6月28日、6月29日和6月30日作为测试集,剩余数据作为训练集用来训练多节点预测模型。
步骤二,数据预处理:对空值进行均值法填充,并归一化,公式为:其中i代表节点的编号,表示预测节点i在时刻j归一化后的负荷值,表示节点i在时刻j的负荷值,和分别表示节点i时间序列中的最大负荷值和最小负荷值。
使用滑动窗口法构建上层节点负荷与待预测节点负荷的样本数据,具体步骤为:
2-1)根据自相关性分析法和实际应用需求确定模型输入长度为10,输出长度为1,即用10个历史采样点数据,预测未来1个采样点数据,例如其中对于时刻t,节点i,其中i为节点的编号,其中是节点i用来预测的序列,是节点i预测真实值序列,作为模型的标签,同理,作为上层节点的预测序列,作为上层节点的真实值序列;
2-3)按设定迭代次数对上层节点负荷序列和预测节点负荷序列重复2-2)操作;
2-4)由2-3)生成的负荷样本构成整个负荷序列的样本表示,多节点负荷样本数据集S表示为{D1,D2,D3,D4,D5,Ds},节点负荷样本数据矩阵表示为:
其中Di代表节点i的样本数据集,xi(k,j)代表的是节点i的第k个样本中预测时刻往前提前j时刻的负荷值,yi(k,j)是节点i的第k个样本的第j个目标值;同理上层节点负荷样本数据矩阵表示为
其中xs(k,j)代表上层节点负荷的第k个样本中预测时刻往前提前j时刻的负荷值,ys(k,j)是上层节点负荷的第k个样本的的第j个目标值;原数据集共17232个时间点,对每个节点的负荷序列作以上操作,得到17222×11大小矩阵。
步骤三:构建多节点电力负荷预测模型:
3-1)为每个预测节点建立节点网络,节点网络由融合特征提取层和门控循环单元组成的多层神经网络,第一层为输入层,输入形为17222×11的矩阵;第二层是由4个卷积核为1×2、1×3、1×6和1×7且扩张因子为2的时间卷积网络层组合的融合特征提取层;第三层和第五层为门控循环单元,输出维度分别设置为50、100;第四层和第六层为Dropout层,设置神经元丢弃比例为0.2;最后一层为输出层,采用线性激活函数f(x)=x。由这些节点神经网络组成多节点电力负荷神经网络模型;
3-2)将Di拆分为负荷样本特征矩阵Xi和负荷样本标签矩阵Yi,Xi包含Di的1到10列,Yi为Di第11列,它们的形状为(17222,10)和(17222,1),17222为样本数,同理将Ds拆分成两个子矩阵Xs和Ys,Xi和Xs分别代表的节点输入特征矩阵和上层节点负荷的输入特征矩阵;
3-3)将Xs和Xi拼接后的向量作为待预测节点神经网络的输入,所有节点完成拼接后向量表示为X′={X′1,X′2,X′3,X′4,X′5}及其标签向量为Y′={Y1,Y2,Y3,Y4,Y5},其中X′i=(Xs,Xi),X′i的维度为(17222,10,2);
3-4)利用X′和Y′对多节点电力负荷预测模型进行训练,X′中5%的数据作为验证集不参与模型训练,训练使用多任务学习方法,将所有节点网络均方误差求和,根据求和后的均方误差使用Adam算法迭代更新多节点电力负荷预测模型参数。
步骤四,多节点负荷预测。具体步骤为:
4-1)采集当前时间上层节点的电力负荷和所有待预测节点的电力负荷,并归一化;
4-2)当前时刻的上层节点归一化负荷与上层节点过去9个归一化负荷组合形成上层节点特征样本;
4-3)当前时刻所有的待预测节点归一化负荷与对应节点过去9个归一化负荷组合形成节点特征样本;
4-4)将上层节点特征样本与节点特征样本组合形成融合样本,构建多节点电力负荷预测样本;
4-5)将多节点电力负荷预测样本输入训练好的多节点电力负荷预测模型进行在线预测,一次性输出多个节点下个时间段的负荷值。
本发明方法实施例的负荷预测结果指标统计及其与经典时序预测模型BPNN预测结果指标的对比如表1所示。预测误差评估指标包括每个节点的MAPE为平均绝对百分误差和MMAPE为所有测试集MAPE的平均值。
表1
以上结果表明本发明方法有效提高了多节点负荷预测的精度。
Claims (7)
1.一种多节点电力负荷预测方法,其特征在于,包括以下步骤:
步骤一,电力负荷数据采集:获取电力系统中待预测负荷节点及其上层节点的历史负荷数据,构建多节点电力负荷原始数据集;
步骤二,数据预处理:对多节点电力负荷原始数据中的缺失数据进行填充并归一化,构建多节点负荷样本数据集;
步骤三,构建多节点电力负荷预测模型:由对应各个节点的神经网络构成多节点电力负荷预测模型,每个节点神经网络包含特征融合层和学习层,特征融合层自动将上层节点和待预测节点的负荷特征融合作为学习层的输入特征,学习层再对输入特征进行深度时序特征挖掘实现节点负荷预测,采用多任务学习对预测模型进行训练;
步骤四,多节点电力负荷预测:将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测,一次性得到多节点电力负荷的预测结果。
2.根据权利要求1所述的多节点电力负荷预测方法,其特征在于:所述步骤一中,多节点负荷样本数据集S表示为{D1,D2,…,Di,Dn,Ds},其中n为电力系统中待预测节点的数目,Di代表节点i的负荷样本数据集,Ds代表上层节点负荷样本数据集。
4.根据权利要求2所述的多节点电力负荷预测方法,其特征在于:所述步骤二中,采用滑动窗口法构建多节点负荷样本数据集,具体步骤为:
2-1)确定模型的输入长度l和输出长度r,即用l个历史采样点数据,预测未来r个采样点数据,l通过自相关性分析法产生,r根据实际应用需求设定,对于时刻t,节点i有其中表示节点i的t时刻往前l个时刻对应电力负荷值组成的预测序列,表示节点i在t-l+m时刻的电力负荷值,其中m的取值范围为[1,l],是节点i的t时刻往后r个时刻对应电力负荷值组成的真实值序列,作为模型的标签,是节点i在t+e时刻的电力负荷值,其中e的取值范围为[1,r];同理,表示上层节点的t时刻往前l个时刻对应电力负荷值组成的预测序列,表示上层节点在t-l+m时刻的电力负荷值,其中m的取值范围为[1,l],表示上层节点的t时刻往后r个时刻对应电力负荷值组成的真实值序列,表示上层节点在t+e时刻的电力负荷值,其中e的取值范围为[1,r];
2-3)按设定迭代次数对上层节点负荷序列和待预测节点负荷序列重复2-2)操作,达到设定迭代次数则进入步骤2-4);
2-4)由2-3)生成的负荷样本构成整个负荷序列的样本表示,多节点负荷样本数据集S表示为{D1,D2,…,Di,Dn,Ds},节点负荷样本数据矩阵表示为:
其中Di代表节点i的样本数据集,xi(k,j)代表的是节点i的第k个样本中预测时刻往前提前j时刻的负荷值,yi(k,j)是节点i的第k个样本的第j个目标值;同理上层节点负荷样本数据矩阵表示为:
其中xs(k,j)代表上层节点的第k个样本中预测时刻往前提前j时刻的负荷值,ys(k,j)是上层节点负荷的第k个样本的的第j个目标值。
5.根据权利要求4所述的多节点电力负荷预测方法,其特征在于:所述步骤三具体步骤为:
3-1)建立对应待预测节点i的神经网络,由所有待预测节点的神经网络组成多节点电力负荷预测模型;
3-2)将节点样本数据集Di拆分为负荷样本特征矩阵Xi和负荷样本标签矩阵Yi,Xi包含Di中的1到l列,Yi为Di中的l+1到l+r列;Xi和Yi的维度分别为(N,l)和(N,r),N代表样本数,同理将上层节点样本数据集Ds拆分成维度为(N,l)和(N,r)的负荷特征样本矩阵Xs和负荷样本标签矩阵Ys,其中Xi和Xs分别表示对应节点i和上层节点的预测模型输入,Yi和Ys分别表示待预测节点及其上层节点的样本矩阵Xi和Xs对应的标签矩阵;
3-3)将Xs和Xi拼接后的向量作为待预测节点神经网络的输入,所有节点完成拼接后向量表示为X′={X′1,X′2,…,X′i,X′n}及其标签向量为Y′={Y1,Y2,…,Yi,Yn},其中X′i=(Xs,Xi)代表节点i的融合特征向量,X′i的维度为(N,l,2);
3-4)利用X′和Y′对多节点电力负荷预测模型进行训练;使用多任务学习机制将所有节点网络的均方误差求和,根据求和后的均方误差迭代更新多节点电力负荷预测模型参数。
6.根据权利要求5所述的多节点电力负荷预测方法,其特征在于,所述步骤3-1)中,待预测节点的神经网络为:
第一层为输入层;第二层是由4个使用不同卷积核的并行时间卷积网络构成的融合特征提取层;第三层和第五层为门控循环单元网络层;第四层和第六层为Dropout层;最后一层为输出层。
7.根据权利要求5所述的多节点电力负荷预测方法,其特征在于,所述步骤四具体步骤为:
4-1)采集当前时间上层节点的电力负荷和所有待预测节点的电力负荷,并归一化;
4-2)当前时刻的上层节点归一化负荷与上层节点过去l-1个归一化负荷组合形成上层节点特征样本;
4-3)当前时刻所有的待预测节点归一化负荷分别与对应节点过去l-1个归一化负荷组合形成节点特征样本;
4-4)将上层节点特征样本与节点特征样本组合形成融合样本,构建多节点电力负荷预测样本;
4-5)将多节点电力负荷预测样本输入训练好的多节点电力负荷预测模型进行在线预测,一次性输出多个节点下个时间段的负荷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898421.0A CN113675844B (zh) | 2021-08-05 | 2021-08-05 | 一种多节点电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898421.0A CN113675844B (zh) | 2021-08-05 | 2021-08-05 | 一种多节点电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113675844A true CN113675844A (zh) | 2021-11-19 |
CN113675844B CN113675844B (zh) | 2022-09-27 |
Family
ID=78541645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110898421.0A Active CN113675844B (zh) | 2021-08-05 | 2021-08-05 | 一种多节点电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113675844B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296464A (zh) * | 2016-08-23 | 2017-01-04 | 国网山东省电力公司菏泽供电公司 | 大数据多点负荷预测方法 |
CN107689627A (zh) * | 2017-07-31 | 2018-02-13 | 国网山东省电力公司电力科学研究院 | 一种计及支路量测数据的短期负荷协调预测方法 |
CN111105321A (zh) * | 2019-12-03 | 2020-05-05 | 湘潭大学 | 一种基于eemd二次分解的电力负荷预测方法 |
CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
-
2021
- 2021-08-05 CN CN202110898421.0A patent/CN113675844B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296464A (zh) * | 2016-08-23 | 2017-01-04 | 国网山东省电力公司菏泽供电公司 | 大数据多点负荷预测方法 |
CN107689627A (zh) * | 2017-07-31 | 2018-02-13 | 国网山东省电力公司电力科学研究院 | 一种计及支路量测数据的短期负荷协调预测方法 |
CN111105321A (zh) * | 2019-12-03 | 2020-05-05 | 湘潭大学 | 一种基于eemd二次分解的电力负荷预测方法 |
CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
MAO TAN: "Multinodal orecasting of ndustrial ower oad sing articipation actor and nsemble earning", 《4TH IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》 * |
潘志远等: "电网节点负荷的立体化预测方法", 《电力系统自动化》 * |
雷正新等: "配电网大数据环境下的多点负荷预测算法与应用研究", 《电力系统保护与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113675844B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN111340273A (zh) | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN110782083B (zh) | 基于深度Croston方法的航空发动机备用需求预测方法 | |
CN116227716A (zh) | 一种基于Stacking的多因素能源需求预测方法及系统 | |
CN116822920A (zh) | 一种基于循环神经网络的流程预测方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN113344279A (zh) | 基于lstm-sam模型和池化的居民负荷预测方法 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN113675844B (zh) | 一种多节点电力负荷预测方法 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
CN115293406A (zh) | 基于CatBoost和Radam-LSTM的光伏发电功率预测方法 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 | |
CN110991600B (zh) | 一种融合分布估计算法与极限学习机的干旱智慧预测方法 | |
CN112183846B (zh) | 基于模糊c均值聚类的tvf-emd-mcqrnn负荷概率预测方法 | |
CN112529403B (zh) | 一种运用神经网络算法确定建设用地面积影响因素权重值的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |