CN113792828A - 基于深度学习的电网负荷预测方法、系统、设备及介质 - Google Patents
基于深度学习的电网负荷预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113792828A CN113792828A CN202111366296.5A CN202111366296A CN113792828A CN 113792828 A CN113792828 A CN 113792828A CN 202111366296 A CN202111366296 A CN 202111366296A CN 113792828 A CN113792828 A CN 113792828A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- reference data
- network model
- deep learning
- 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 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 8
- 230000009193 crawling Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 34
- 238000005516 engineering process Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000000306 recurrent effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的电网负荷预测方法、系统、设备及介质，所述预测方法包括：获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；对所述基准数据进行预处理；将预处理后的基准数据划分为训练集及测试集；将所述训练集输入神经网络模型，以优化所述神经网络模型；将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。本发明还公开了一种基于深度学习的电网负荷预测系统、一种计算机设备及一种计算机可读存储介质。采用本发明，可通过深度学习增强了模型的拟合程度和泛化能力，提高预测结果的准确性。
Description
技术领域
本发明涉及电网技术领域，尤其涉及一种基于深度学习的电网负荷预测方法、一种基于深度学习的电网负荷预测系统、一种计算机设备及一种计算机可读存储介质。
背景技术
我国经济的高速发展带动了我国电网的建设，高科技时代也让人们在生活和工作中对电能的稳定持续供应的需求增强。电能是不能够进行储存的，其生产、传输以及销售使用等环节都是在统一时间进行的，因此，保持电能在从生产到供应使用的各个阶段能够稳定地满足人们任何时刻的需要是至关重要的。但是，电能的需求也是根据时间、季节、天气等原因随时都在变化，若能够对电能的需求进行预测，就能够根据预测结果调整供电计划，保证人们日常生活和生产的需求，使得电能的供应以及需求可以达到一个平衡的状态，这样才能够确保电力供应的质量。
目前，针对电能的需求普遍采用以下三种预测方法：
一、回归分析法。对电力负荷的历史数据进行影响因素分析，通过分析影响因素和负荷的关系来搭建预测模型。但是，该方法中若采用线性回归方式，则拟合程度低，预测精度较低；若采用非线性回归方式，则过程复杂，开销较大。
二、指数平滑法进行预测。使用电荷的历史数据进行计算，然后通过电力负荷时间的顺序来完成对未来值的直接预测。但是，该方法中若使用简单的全期平均法，则对时间数列的过去数据一个不漏地全部加以同等利用;若使用移动平均法，则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重。
三、专家预测法。从实践中提取电力专家在电力系统事故处理中获得的主观认知，创建完善的专家数据库，并对数据库进行实时更新，达到模拟专家思维的效果。但是，该方法主要依据专家个人的判断，容易受专家的知识面、知识深度、占有资料是否充分以及对预测问题有无兴趣所左右，难免带有片面性。
由此，研发一种新的电网负荷预测方法，以全面、精准、快捷地实现电网负荷预测已成为亟待解决的问题。
发明内容
本发明所要解决的技术问题在于，提供一种基于深度学习的电网负荷预测方法、系统、计算机设备及计算机可读存储介质，可通过深度学习增强了模型的拟合程度和泛化能力，提高预测结果的准确性。
为了解决上述技术问题，本发明提供了一种基于深度学习的电网负荷预测方法，包括：获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；对所述基准数据进行预处理；将预处理后的基准数据划分为训练集及测试集；将所述训练集输入神经网络模型，以优化所述神经网络模型；将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。因此，本发明将历史发生的用电负荷数据与天气数据、节假日数据、节气数据及经济数据相结合，以对电网负荷需求量进行预测，大大地降低个人主观经验评判对预测的影响，增强预测模型的客观性及拟合真实情况的能力。
作为上述方案的改进，所述神经网络的损失函数为：
其中，
为预设的Huber Loss的参数，
为电荷的真实值，
为预测值。因此，可通过Huber Loss损失函数，反向传播误差来优化神经网络模型的参数。
作为上述方案的改进，所述神经网络的损失函数为Smooth L1损失函数，收敛得更快，对离群点、异常值不敏感，梯度变化相对更小，训练时不容易跑飞。
作为上述方案的改进，所述神经网络模型为递归神经网络模型；所述递归神经网络模型包括多个重复的神经网络模块，每一神经网络模块均包括依次设置的第一隐藏层、第二隐藏层、第三隐藏层及第四隐藏层；所述第一隐藏层、第二隐藏层及第四隐藏层的激活函数均为sigmoid函数，所述第三隐藏层的激活函数为tanh函数。本发明通过深度学习迭代增强了模型的拟合程度和泛化能力，提高预测结果的准确性。
作为上述方案的改进，所述神经网络模型为Transform神经网络模型。解决了梯度消失的问题，还解决了LSTM的不能并行计算的问题，计算时并没有依赖的条件，完全可以同时计算（也就是并行计算），比神经网络更具有可解释性。
作为上述方案的改进，所述获取基准数据的步骤包括：通过爬虫技术爬取用电负荷数据；通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；通过爬虫技术爬取每一历史节假日的节假日数据；通过爬虫技术爬取每一农历节气的节气信息；通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。本发明通过爬虫技术对数据进行获取，快速提取出用户感兴趣、有价值的内容。
作为上述方案的改进，所述对基准数据进行预处理的步骤包括：补齐缺失的基准数据；修正基准数据中的随机误差及偏差；用平均值代替基准数据中的异常值，或删除基准数据中的异常值；将文本类型的基准数据进行哑编码处理。进一步去除了基准数据中异常数据，保证基准数据的可靠性。
作为上述方案的改进，所述将预处理后的基准数据划分为训练集及测试集的步骤包括：在预处理后的基准数据中提取70%的基准数据作为训练集；在预处理后的基准数据中提取30%的基准数据作为测试集。大大地提高了测试集的占比，提升后续的验证准确性。
相应地，本发明还提供了一种基于深度学习的电网负荷预测系统，其包括：获取模块，用于获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；预处理模块，用于对所述基准数据进行预处理；划分模块，用于将预处理后的基准数据划分为训练集及测试集；优化模块，用于将所述训练集输入神经网络模型，以优化所述神经网络模型；验证模块，用于将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；预测模块，用于将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。因此，本发明将历史发生的用电负荷数据与天气数据、节假日数据、节气数据及经济数据相结合，以对电网负荷需求量进行预测，大大地降低个人主观经验评判对预测的影响，增强预测模型的客观性及拟合真实情况的能力。
作为上述方案的改进，所述获取模块包括：负荷数据获取单元，用于通过爬虫技术爬取用电负荷数据；天气数据获取单元，用于通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；节假日数据获取单元，用于通过爬虫技术爬取每一历史节假日的节假日数据；节气信息获取单元，用于通过爬虫技术爬取每一农历节气的节气信息；经济数据获取单元，用于通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。因此，通过爬虫技术对数据进行获取，快速提取出用户感兴趣、有价值的内容。
作为上述方案的改进，所述预处理模块包括：补缺单元，用于补齐缺失的基准数据；修正单元，用于修正基准数据中的随机误差及偏差；异常处理单元，用于用平均值代替基准数据中的异常值，或删除基准数据中的异常值；编码单元，用于将文本类型的基准数据进行哑编码处理。进一步去除了基准数据中异常数据，保证基准数据的可靠性。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述基于深度学习的电网负荷预测方法的步骤。
相应地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述基于深度学习的电网负荷预测方法的步骤。
实施本发明，具有如下有益效果：
本发明将历史发生的用电负荷数据与外部数据（天气数据、节假日数据、节气数据及经济数据）相结合，以对电网负荷需求量进行预测，大大地降低个人主观经验评判对预测的影响，增强预测模型的客观性及拟合真实情况的能力。
同时，本发明采用深度学习端到端的训练，让模型通过神经网络进行反复迭代优化，可有效提高预测结果的准确度。
附图说明
图1是本发明基于深度学习的电网负荷预测方法的第一实施例流程图；
图2是本发明基于深度学习的电网负荷预测方法的第二实施例流程图；
图3是本发明中递归神经网络模型的结构示意图；
图4是本发明基于深度学习的电网负荷预测方法的第三实施例流程图；
图5是本发明基于深度学习的电网负荷预测方法的第四实施例流程图；
图6是本发明基于深度学习的电网负荷预测方法的第五实施例流程图；
图7是本发明基于深度学习的电网负荷预测系统的结构示意图；
图8是本发明基于深度学习的电网负荷预测系统中获取模块的结构示意图；
图9是本发明基于深度学习的电网负荷预测系统中预处理模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
参见图1，图1显示了本发明基于深度学习的电网负荷预测方法的第一实施例流程图，其包括：
S101，获取基准数据。
所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据，但不以此为限制，可根据实际情况进行调整。
需要说明的是，所述天气数据、节假日数据、节气数据及经济数据可以作为外部数据。与现有技术不同的是，本发明除了采集历史发生的用电负荷数据外，还结合外部数据对电网负荷需求量进行预测。
具体地，所述获取基准数据的步骤包括：
（1）通过爬虫技术爬取用电负荷数据。所述用电负荷数据为历史发生的用电负荷数据。
（2）通过爬虫技术在天气网站中爬取每小时内的天气数据。其中，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息。在爬取天气数据时，可每1小时采集一个数据点。
（3）通过爬虫技术爬取每一历史节假日的节假日数据。在爬取节假日数据时，可每天采集一个数据点。
（4）通过爬虫技术爬取每一农历节气的节气信息。在爬取节气信息时，可每天采集一个数据点。
（5）通过爬虫技术爬取全国每年的经济数据，其中，所述经济数据可以为GDP数据。在爬取经济数据时，可每年采集一个数据点。
因此，本发明通过爬虫技术对数据进行获取，快速提取出用户感兴趣、有价值的内容。
S102，对基准数据进行预处理。
具体地，对基准数据进行预处理的步骤包括：
（1）补齐缺失的基准数据；
（2）修正基准数据中的随机误差及偏差；
（3）用平均值代替基准数据中的异常值，或删除基准数据中的异常值；
（4）将文本类型的基准数据进行哑编码处理。也就是说，将文本类型的基准数据变成可以用于模型训练的数值类型的变量。
S103，将预处理后的基准数据划分为训练集及测试集。
现有技术中，通常采用采用纯随机的采样方式分割基准数据，这种方式对于大量数据集以及对于目标值分布均匀的情况是可行的。但对于分类任务，可能数据中包含大量的正例样本，仅仅包含10%的反例样本，此时的标签分布很不均匀，如果通过随机采样的方式，极端情况下可能将正例样本都划分到训练集上，而反例样本恰好都分到测试集，这样训练出来的模型，效果一定不会太好。因此，本发明采用分层采样的方式进行划分数据集，也就是说保证训练集中既包含一定比例的正例样本又要包含一定比例的负例样本。
具体地，将预处理后的基准数据划分为训练集及测试集的步骤包括：
（1）在预处理后的基准数据中提取70%的基准数据作为训练集，用于模型的训练。
（2）在预处理后的基准数据中提取30%的基准数据作为测试集，用于测试模型的泛化程度和预测新数据的准确度。
一般情况下，通常将数据集的80%作为训练集，20%作为测试集。与现有技术不同的是，本发明中针对自身的特殊性，采用70%的基准数据作为训练集，并采用30%的基准数据作为测试集，大大地提高了测试集的占比，提升后续的验证准确性。
S104，将训练集输入神经网络模型，以优化神经网络模型。
需要说明的是，本发明通过神经网络模型的拟合程度和泛化能力，提高预测结果的准确性。
S105，将测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能。
S106，将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。
经过上述步骤S101-105后，可实现了神经网络模型的高效优化，因此，只需将待预测的目标数据输入训练好的神经网络模型中，即可精确地预测出电网负荷，从而指导实际的电能生产及供应。
参见图2，图2显示了本发明基于深度学习的电网负荷预测方法的第二实施例流程图，其包括：
S201，获取基准数据。
所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据，但不以此为限制，可根据实际情况进行调整。
S202，对基准数据进行预处理。
S203，将预处理后的基准数据划分为训练集及测试集。
S204，将训练集输入递归神经网络模型，以优化递归神经网络模型。
如图3所示，递归神经网络模型包括多个重复的神经网络模块，每一神经网络模块均包括依次设置的第一隐藏层、第二隐藏层、第三隐藏层及第四隐藏层；其中，第一隐藏层、第二隐藏层及第四隐藏层的激活函数均为sigmoid函数，第三隐藏层的激活函数为tanh函数。
在递归神经网络模型中，t时刻的输入X和t-1时刻的输出h(t-1)进行拼接。或者可理解为输入X(t)分别通过了四个隐藏层，且每个隐藏层中进行的运算和正常的神经网络的计算一样（矩阵乘法），有关记忆的部分完全由各种门结构来控制（就是0和1），同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)。
优选地，所述递归神经网络模型为LSTM（Long Short Term Mermory network）神经网络，但不以此为限制。
因此，本发明通过深度学习迭代增强了模型的拟合程度和泛化能力，提高预测结果的准确性。
S205，将测试集输入优化后的递归神经网络模型，以验证优化后的递归神经网络模型的性能。
S206，将获取的目标数据输入通过性能验证的递归神经网络模型，以预测电网负荷。
参见图4，图4显示了本发明基于深度学习的电网负荷预测方法的第三实施例流程图，其包括：
S301，获取基准数据。
所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据，但不以此为限制，可根据实际情况进行调整。
S302，对基准数据进行预处理。
S303，将预处理后的基准数据划分为训练集及测试集。
S304，将训练集输入Transform神经网络模型，以优化Transform神经网络模型。
需要说明的是，递归神经网络模型是一个时序类的模型，只能串行计算，无法并行计算，计算复杂，耗时长，效果差；且递归神经网络模型具有难解释性，容易产生梯度消失和梯度爆炸问题，且由于梯度消失会导致忽略了部分的特征提取。
与图2所述的第二实施例不同的是，本实施例中采用Transform神经网络模型替代递归神经网络模型，解决了梯度消失的问题，没有忽略部分特征的提取，还解决了LSTM的不能并行计算的问题，计算时并没有依赖的条件，完全可以同时计算（也就是并行计算），比神经网络更具有可解释性。
S305，将测试集输入优化后的Transform神经网络模型，以验证优化后的Transform神经网络模型的性能。
S306，将获取的目标数据输入通过性能验证的Transform神经网络模型，以预测电网负荷。
参见图5，图5显示了本发明基于深度学习的电网负荷预测方法的第四实施例流程图，其包括：
S401，获取基准数据。
所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据，但不以此为限制，可根据实际情况进行调整。
S402，对基准数据进行预处理。
S403，将预处理后的基准数据划分为训练集及测试集。
S404，将训练集输入具有Huber Loss损失函数的神经网络模型，以优化神经网络模型。
在训练过程中，可通过损失函数，反向传播误差来优化神经网络模型的参数。
本实施例中，所述神经网络的损失函数可以为Huber Loss损失函数，具体为：
其中，
为预设的Huber Loss的参数，
为电荷的真实值，
为预测值。
S405，将测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能。
S406，将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。
参见图6，图6显示了本发明基于深度学习的电网负荷预测方法的第五实施例流程图，其包括：
S501，获取基准数据。
所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据，但不以此为限制，可根据实际情况进行调整。
S502，对基准数据进行预处理。
S503，将预处理后的基准数据划分为训练集及测试集。
S504，将训练集输入具有Smooth L1损失函数的神经网络模型，以优化神经网络模型。
需要说明的是，Huber Loss损失函数在在0点处导数不唯一，可能影响收敛。与图5所示的第四实施例不同的是，本实施例中采用Smooth L1损失函数，相比Huber Loss损失函数收敛得更快，对离群点、异常值不敏感，梯度变化相对更小，训练时不容易跑飞。
S505，将测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能。
S506，将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。
由上可知，为了降低个人主观经验评判对预测的影响，增强预测模型的客观性，以及增强预测模型拟合真实情况的能力，本发明从电力负荷的历史数据中采集样本，采用深度学习端到端的训练，让模型通过神经网络进行反复迭代优化，提高预测结果的准确度。
参见图7，图7显示了本发明基于深度学习的电网负荷预测系统100的具体结构，其包括获取模块1、预处理模块2、划分模块3、优化模块4、验证模块5及预测模块6，具体地：
获取模块1用于获取基准数据。所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据。与现有技术不同的是，本发明除了采集历史发生的用电负荷数据外，还结合外部数据（天气数据、节假日数据、节气数据及经济数据）对电网负荷需求量进行预测。
预处理模块2用于对所述基准数据进行预处理。
划分模块3用于将预处理后的基准数据划分为训练集及测试集。具体地，可在预处理后的基准数据中提取70%的基准数据作为训练集，用于模型的训练，在预处理后的基准数据中提取30%的基准数据作为测试集，用于测试模型的泛化程度和预测新数据的准确度。
优化模块4用于将所述训练集输入神经网络模型，以优化所述神经网络模型。优选地，所述神经网络模型可以为递归神经网络模型或Transform神经网络模型，同时，所述神经网络模型具有Huber Loss损失函数或Smooth L1损失函数。需要说明的是，递归神经网络模型包括多个重复的神经网络模块，每一神经网络模块均包括依次设置的第一隐藏层、第二隐藏层、第三隐藏层及第四隐藏层；其中，第一隐藏层、第二隐藏层及第四隐藏层的激活函数均为sigmoid函数，第三隐藏层的激活函数为tanh函数。在递归神经网络模型中，t时刻的输入X和t-1时刻的输出h(t-1)进行拼接。或者可理解为输入X(t)分别通过了四个隐藏层，且每个隐藏层中进行的运算和正常的神经网络的计算一样（矩阵乘法），有关记忆的部分完全由各种门结构来控制（就是0和1），同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)。
验证模块5用于将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能。
预测模块6用于将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。
因此，通过本发明可实现神经网络模型的高效优化，因此，只需将待预测的目标数据输入训练好的神经网络模型中，即可精确地预测出电网负荷，从而指导实际的电能生产及供应。
如图8所示，所述获取模块1包括负荷数据获取单元11、天气数据获取单元12、节假日数据获取单元13、节气信息获取单元14及经济数据获取单元15，具体地：
负荷数据获取单元11用于通过爬虫技术爬取用电负荷数据。所述用电负荷数据为历史发生的用电负荷数据。
天气数据获取单元12用于通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息。在爬取天气数据时，可每1小时采集一个数据点。
节假日数据获取单元13用于通过爬虫技术爬取每一历史节假日的节假日数据。在爬取节假日数据时，可每天采集一个数据点。
节气信息获取单元14用于通过爬虫技术爬取每一农历节气的节气信息。在爬取节气信息时，可每天采集一个数据点。
经济数据获取单元15用于通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。在爬取经济数据时，可每年采集一个数据点。
因此，本发明通过爬虫技术对数据进行获取，快速提取出用户感兴趣、有价值的内容。
如图9所示，所述预处理模块2包括补缺单元21、修正单元22、异常处理单元23及编码单元24，具体地：
补缺单元21用于补齐缺失的基准数据。
修正单元22用于修正基准数据中的随机误差及偏差。
异常处理单元23用于用平均值代替基准数据中的异常值，或删除基准数据中的异常值。
编码单元24用于将文本类型的基准数据进行哑编码处理。也就是说，将文本类型的基准数据变成可以用于模型训练的数值类型的变量。
因此，通过预处理模块2可进一步去除了基准数据中异常数据，保证基准数据的可靠性。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述基于深度学习的电网负荷预测方法的步骤。同时，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述基于深度学习的电网负荷预测方法的步骤。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (13)
1.一种基于深度学习的电网负荷预测方法，其特征在于，包括：
获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；
对所述基准数据进行预处理；
将预处理后的基准数据划分为训练集及测试集；
将所述训练集输入神经网络模型，以优化所述神经网络模型；
将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；
将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。
2.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络的损失函数为：
其中，
为预设的Huber Loss的参数，
为电荷的真实值，
为预测值。
3.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络的损失函数为Smooth L1损失函数。
4.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络模型为递归神经网络模型；
所述递归神经网络模型包括多个重复的神经网络模块，每一神经网络模块均包括依次设置的第一隐藏层、第二隐藏层、第三隐藏层及第四隐藏层；
所述第一隐藏层、第二隐藏层及第四隐藏层的激活函数均为sigmoid函数，所述第三隐藏层的激活函数为tanh函数。
5.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络模型为Transform神经网络模型。
6.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述获取基准数据的步骤包括：
通过爬虫技术爬取用电负荷数据；
通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；
通过爬虫技术爬取每一历史节假日的节假日数据；
通过爬虫技术爬取每一农历节气的节气信息；
通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。
7.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述对所述基准数据进行预处理的步骤包括：
补齐缺失的基准数据；
修正基准数据中的随机误差及偏差；
用平均值代替基准数据中的异常值，或删除基准数据中的异常值；
将文本类型的基准数据进行哑编码处理。
8.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述将预处理后的基准数据划分为训练集及测试集的步骤包括：
在预处理后的基准数据中提取70%的基准数据作为训练集；
在预处理后的基准数据中提取30%的基准数据作为测试集。
9.一种基于深度学习的电网负荷预测系统，其特征在于，包括：
获取模块，用于获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；
预处理模块，用于对所述基准数据进行预处理；
划分模块，用于将预处理后的基准数据划分为训练集及测试集；
优化模块，用于将所述训练集输入神经网络模型，以优化所述神经网络模型；
验证模块，用于将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；
预测模块，用于将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。
10.如权利要求9所述的基于深度学习的电网负荷预测系统，其特征在于，所述获取模块包括：
负荷数据获取单元，用于通过爬虫技术爬取用电负荷数据；
天气数据获取单元，用于通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；
节假日数据获取单元，用于通过爬虫技术爬取每一历史节假日的节假日数据；
节气信息获取单元，用于通过爬虫技术爬取每一农历节气的节气信息；
经济数据获取单元，用于通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。
11.如权利要求9所述的基于深度学习的电网负荷预测系统，其特征在于，所述预处理模块包括：
补缺单元，用于补齐缺失的基准数据；
修正单元，用于修正基准数据中的随机误差及偏差；
异常处理单元，用于用平均值代替基准数据中的异常值，或删除基准数据中的异常值；
编码单元，用于将文本类型的基准数据进行哑编码处理。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111366296.5A CN113792828A (zh) | 2021-11-18 | 2021-11-18 | 基于深度学习的电网负荷预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111366296.5A CN113792828A (zh) | 2021-11-18 | 2021-11-18 | 基于深度学习的电网负荷预测方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113792828A true CN113792828A (zh) | 2021-12-14 |
Family
ID=78877348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111366296.5A Pending CN113792828A (zh) | 2021-11-18 | 2021-11-18 | 基于深度学习的电网负荷预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113792828A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140365022A1 (en) * | 2013-06-06 | 2014-12-11 | International Business Machines Corporation | Managing Time-Substitutable Electricity Usage using Dynamic Controls |
| CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
| CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
| CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
| CN110738344A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 电力系统负荷预测的分布式无功优化方法及装置 |
| CN112835949A (zh) * | 2020-09-10 | 2021-05-25 | 泰豪软件股份有限公司 | 一种负荷预测的方法 |
| CN113256022A (zh) * | 2021-06-16 | 2021-08-13 | 广东电网有限责任公司 | 一种台区用电负荷预测方法及系统 |
| CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
| CN113570106A (zh) * | 2021-05-17 | 2021-10-29 | 国网山东省电力公司潍坊供电公司 | 基于高速公路神经网络的电力负荷预测方法及设备 |
| CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
| CN113657668A (zh) * | 2021-08-17 | 2021-11-16 | 西南科技大学 | 基于lstm网络的电力负荷预测方法及系统 |
-
2021
- 2021-11-18 CN CN202111366296.5A patent/CN113792828A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140365022A1 (en) * | 2013-06-06 | 2014-12-11 | International Business Machines Corporation | Managing Time-Substitutable Electricity Usage using Dynamic Controls |
| CN108830487A (zh) * | 2018-06-21 | 2018-11-16 | 王芊霖 | 基于长短时神经网络的电力负荷预测方法 |
| CN110738344A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 电力系统负荷预测的分布式无功优化方法及装置 |
| CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
| CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
| CN112835949A (zh) * | 2020-09-10 | 2021-05-25 | 泰豪软件股份有限公司 | 一种负荷预测的方法 |
| CN113570106A (zh) * | 2021-05-17 | 2021-10-29 | 国网山东省电力公司潍坊供电公司 | 基于高速公路神经网络的电力负荷预测方法及设备 |
| CN113256022A (zh) * | 2021-06-16 | 2021-08-13 | 广东电网有限责任公司 | 一种台区用电负荷预测方法及系统 |
| CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
| CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
| CN113657668A (zh) * | 2021-08-17 | 2021-11-16 | 西南科技大学 | 基于lstm网络的电力负荷预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| CHEN_YIWEI: "Transform模型原理", 《HTTPS://BLOG.CSDN.NET/CHEN_YIWEI/ARTICLE/DETAILS/88671959》 * |
| 陈慧慧 等: "《社会调查方法》", 31 January 2019, 中国科学技术大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Hafeez et al. | Electric load forecasting based on deep learning and optimized by heuristic algorithm in smart grid | |
| KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN112215426A (zh) | 一种短期用电负荷预测方法 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| Balal et al. | Forecasting solar power generation utilizing machine learning models in Lubbock | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
| Ullah et al. | Deep Learning‐Assisted Short‐Term Power Load Forecasting Using Deep Convolutional LSTM and Stacked GRU | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN115600640A (zh) | 基于分解网络的电力负荷预测方法 | |
| CN113792828A (zh) | 基于深度学习的电网负荷预测方法、系统、设备及介质 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| Zi-hao et al. | A thermal energy usage prediction method for electric thermal storage heaters based on deep learning | |
| CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
| Hu et al. | An attention-mechanism-based traffic flow prediction scheme for smart city | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| CN114266374A (zh) | 一种基于深度学习的综合能源系统多元负荷预测方法 | |
| CN113537607A (zh) | 停电预测方法 | |
| Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
| Ali et al. | Machine learning based solar power forecasting techniques: Analysis and comparison |
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: 20211214 |