CN113988415A

CN113988415A - 一种中长期电力负荷预测方法

Info

Publication number: CN113988415A
Application number: CN202111259075.8A
Authority: CN
Inventors: 王莉; 成子珍; 夏克文; 范书瑞
Original assignee: Hebei University of Technology
Current assignee: Hebei University of Technology
Priority date: 2021-10-28
Filing date: 2021-10-28
Publication date: 2022-01-28
Anticipated expiration: 2041-10-28
Also published as: CN113988415B

Abstract

本发明为一种中长期电力负荷预测方法，包括获取全年月负荷数据，筛选出各个季节拐点月负荷数据，得到季节拐点月负荷数据集；对全年月负荷数据进行分解，得到高频分量数据集和低频分量数据集；构建融合特征金字塔的CNN‑LSTM网络预测高频非线性成分；构建ARIMA模型预测低频线性成分；将高频非线性成分和低频线性成分进行叠加重构，得到全年月负荷初步预测结果；对季节拐点月负荷数据集重复前述操作，得到各个季节拐点月负荷预测结果；利用各个季节拐点月负荷预测结果替换全年月负荷初步预测结果中对应的季节拐点月负荷预测值。该方法通过构建融合特征金字塔的CNN‑LSTM网络以及对季节拐点月负荷单独预测和修正，提高预测精度。

Description

一种中长期电力负荷预测方法

技术领域

本发明属于电力负荷预测技术领域，具体地说一种中长期电力负荷预测方法。

背景技术

中长期电力负荷预测依据历史电力负荷数据以及天气、经济等影响因素预测未来几个月到几年的电力负荷消耗，通常使用统计模型、机器学习模型进行预测，但这些模型只能预测单一成分，难以适用于具有复杂变化趋势的电力负荷序列。采用序列分解与线性-非线性混合模型结合的方法可以提高电力负荷预测精度，G.Peter Zhang在论文“Timeseries forecasting using ahybrid ARIMA and neural network model”中使用差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，简写为ARIMA)预测时间序列中的线性成分，将卷积神经网络(Convolutional Neural Network，简写为CNN)和长短期记忆网络(Long Short Term Memory Network，简写为LSTM)等深度学习网络用于预测非线性成分。为提高非线性模型的预测能力，Tae-Young Kim等人在论文“Predicting residential energy consumption using CNN-LSTM neural networks”中构建CNN与LSTM的串联模型，使用CNN提取负荷的局部特征，然后将CNN提取的特征序列输入LSTM中进行预测，这一方法存在的问题是：电力负荷的序列具有多种时间相关性，传统CNN只能提取数据中的局部特征，在用于处理多尺度时间相关性的负荷序列时具有一定局限，非线性模型的预测能力仍有待提高。文献“Multi-temporal-spatial-scale temporalconvolution network for short-term load forecasting of power systems”通过手动设置采样间隔对负荷序列进行不同时间的间隔采样，例如每15分钟或者60分钟进行一次采样，以克服CNN网络提取的特征时间尺度单一而导致预测精度低的缺陷。

季节拐点月的电力负荷受气温、风速、降雨量等因素的影响呈现较大的波动性，为了挖掘负荷序列的气候、季节效应，公开号为CN112288140A的中国专利公开了一种基于Keras的短期电力负荷预测方法、存储介质和设备，该方法将预测日的季节信息以独热码的形式作为一种特征输入网络，对负荷序列进行四季划分，但是没有考虑地区实际的季节变化特点。公开号为CN112865093A的中国专利公开了一种短时电力负荷组合式预测方法，将负荷按照供热季、制冷季和过渡季分别构建模型进行预测，虽然考虑了地区实际季节特点，但构建的模型较多，同时忽略处于季节拐点月的电力负荷特性，导致对季节拐点月负荷预测不准确。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种中长期电力负荷预测方法。

本发明解决该技术问题所采用的技术方案是：

一种中长期电力负荷预测方法，其特征在于，该方法的具体步骤如下：

第一步，获取全年月负荷数据，筛选出各个季节拐点月负荷数据，得到季节拐点月负荷数据集；

第二步，对全年月负荷数据进行序列分解，得到高频分量数据集和低频分量数据集；对高频分量数据集和低频分量数据集进行预处理，得到高频分量的训练集、测试集和验证集以及低频分量的训练集、测试集和验证集；

第三步，针对第二步得到的高频分量，构建融合特征金字塔的CNN-LSTM网络预测高频非线性成分；

第四步，针对第二步得到的低频分量，构建ARIMA模型预测低频线性成分；

第五步，将第三步得到的高频非线性成分和第四步得到的低频线性成分进行叠加重构，并进行反归一化，得到全年月负荷初步预测结果；

第六步，对季节拐点月负荷数据集，重复第二步到第五步的操作，得到各个季节拐点月负荷预测结果；利用各个季节拐点月负荷预测结果替换全年月负荷初步预测结果中对应的季节拐点月负荷预测值，对全年月负荷初步预测结果进行修正，得到全年月负荷的最终预测结果。

所述融合特征金字塔的CNN-LSTM网络包括串联的融合特征金字塔的CNN网络和LSTM网络；融合特征金字塔的CNN网络包括一维因果扩张卷积层、池化层和特征融合；即输入序列分别经过三个一维因果扩张卷积层依次生成特征F1、F2和F3，特征F1、F2和F3分别经过池化层，得到特征F1*、F2*和F3*；将特征F1*、F2*和F3*进行融合，得到融合特征；融合特征作为LSTM网络的输入。

所述三个一维因果扩张卷积层的扩张系数分别为1、2、3，卷积核长度均为3。

所述第二步具体为：对全年月负荷数据进行EEMD分解，得到EEMD分解的各阶分量；根据式(1)计算各阶分量的过零率Z，将过零率大于阈值的分量划分为高频分量，否则为低频分量，得到高频分量数据集和低频分量数据集；

式(1)中，n_zero表示负荷序列过零点的数量，N表示负荷序列长度；

对高频分量数据集和低频分量数据集进行归一化处理，再划分得到高频分量的训练集、验证集和测试集以及低频分量的训练集、验证集和测试集。

第一步具体为：获取某地区电力负荷的全年月负荷数据，根据该地区的季节更替数据，综合分析入季时间变化趋势以及平均入季日期，确定季节拐点月，从全年月负荷数据中筛选出各个季节拐点月负荷数据。

与现有技术相比，本发明的突出实质性特点和显著进步如下：

(1)本发明方法针对高频分量和低频分量，分别构建融合特征金字塔的CNN-LSTM网络和ARIMA模型预测高频非线性成分和低频线性成分，对全年月负荷进行初步预测。由于使用全年月负荷数据进行预测时，模型学习到的是一年的整体负荷变化趋势，而季节拐点月份的负荷受气温变化的影响而具有较大波动性，故利用全年月负荷数据预测季节拐点月负荷，使得预测结果不准确。为此，本申请单独提取各个季节拐点月负荷数据，对季节拐点月负荷进行单独预测，然后利用季节拐点月负荷预测结果修正全年月负荷初步预测结果，使得预测精度更高。

(2)利用一维因果扩张卷积构建特征金字塔，以提取负荷序列内部具有的多种时间相关性特征，即长期特征和局部特征，克服了现有技术中利用深度学习模型提取非线性分量特征时的时间尺度欠缺问题，相较于传统卷积而言，融合特征金字塔的CNN网络可以提取并融合不同感受野的特征图，因此提取的特征更加丰富，能够捕捉负荷序列自身存在的相关性。

附图说明

图1是本发明的整体流程图；

图2是本发明的融合特征金字塔的CNN-LSTM网络的结构图；

图3是本发明的特征金字塔的结构图；

图4是利用本发明方法与现有方法得到的全年月负荷初步预测结果对比图；

图5是利用本发明方法与现有方法得到的季节拐点月预测结果对比图；

图6是利用本发明方法与现有方法得到的全年月负荷的最终预测结果对比图。

具体实施方式

下面结合实施例和附图对本发明的技术方案进行详细描述，但并不以此限定本申请的保护范围。

本发明为一种中长期电力负荷预测方法(简称方法，参见图1-6)，具体步骤如下：

获取某地区电力负荷的全年月负荷数据，以此作为全年月负荷预测所用数据；根据该地区的季节更替数据，综合分析入季时间变化趋势以及平均入季日期，确定季节拐点月为3、5、9、10、11、12月，从全年月负荷数据中筛选出各个季节拐点月负荷数据，得到季节拐点月负荷数据集；

第2.1步，对全年月负荷数据进行EEMD分解，得到EEMD分解的各阶分量；具体为：在负荷序列x(t)中分i次加入高斯白噪声n(t)，对加入噪声的序列进行EMD分解，得到i组本征模态函数分量(Intrinsic Mode Function components，简写为IMFs)；对每组本征模态函数分量分别求平均，得到EEMD分解的各阶分量；

第2.2步，根据式(1)计算各阶分量的过零率Z，以0.2为阈值划分分量，将过零率大于0.2的分量划分为高频分量，否则为低频分量，得到高频分量数据集和低频分量数据集；

第2.3步，对高频分量数据集和低频分量数据集进行归一化处理，再以8:1:1的比例划分得到高频分量的训练集、验证集和测试集以及低频分量的训练集、验证集和测试集；

第三步，针对上述第二步得到的高频分量，构建融合特征金字塔的CNN-LSTM网络预测高频非线性成分；

第3.1步，构建融合特征金字塔的CNN网络，以提取电力负荷序列中不同时间尺度的特征信息；融合特征金字塔的CNN网络包括一维因果扩张卷积层、池化层和特征融合；即输入序列x分别经过扩张系数D＝[a,b,c]、卷积核长度为3的三个一维因果扩张卷积层依次生成三种时间尺度的特征F1、F2和F3，特征F1、F2和F3分别经过池化层，得到特征F1*、F2*和F3*；将特征F1*、F2*和F3*进行融合，得到融合特征，即融合特征金字塔的CNN网络的输出特征；电力负荷序列作为时间序列的一种，其内部具有多种时间相关性，本实施例中利用因果扩张卷积中灵活的卷积核采样间隔，扩张系数D＝[1,2,3]，其中扩张系数为1的一维因果扩张卷积层可以捕捉到目标月负荷与前三个月负荷的时间相关性，扩张系数为2的一维因果扩张卷积层可以捕捉到目标月负荷与前6个月负荷的时间相关性，扩张系数为3的一维因果扩张卷积层可以捕捉到目标月负荷与前12个月负荷的时间相关性，相比传统卷积而言融合特征金字塔的CNN网络的感受野增大，提取的特征更加丰富；

由于一维因果扩张卷积层的输出序列长度与输入序列长度相同，因此每个一维因果扩张卷积层的输入/输出序列x＝[x(1),x(2),...,x(t)]，则一维因果扩张卷积层的数学表达式为：

式(2)中，

表示第l个一维因果扩张卷积层第j个通道的输出特征；

为第l个一维因果扩张卷积层第j个通道的第n个输入特征，该通道共有N个输入特征，

为第l个一维因果扩张卷积层第j个通道的卷积核权重，

k为卷积核大小；*_d为因果扩张卷积，

为第l个一维因果扩张卷积层第j个通道的偏置；GELU为激活函数，其表达式为：

GELU(X)＝XΦ(X) (3)

式(3)中，X为激活函数的输入，Φ(X)可以表示为：

式(2)中，因果扩张卷积*_d的具体运算为：

式(5)中，s表示输入序列中的元素，d为扩张系数，s-d·m表示卷积方向；

以第一个一维因果扩张卷积层为例，所有通道的输出特征列向量构成特征F1，则特征F1可以表示为：

表示第一个一维因果扩张卷积层各个通道的输出特征列向量，一共有J个通道，本实施例中J＝64；特征F2和F3同理；

为减小特征维度，将特征

输入池化层进行下采样，则第l个池化层第j个通道的输出特征

为：

式(6)中，r为池化间隔，q为池化窗口长度；

特征F1*为第一个池化层的输出特征，则

表示第一个池化层各个通道的输出特征列向量；特征F2*和F3*同理；

所有池化层的输出特征大小相同但所含时间尺度信息不同，所有池化层的输出特征构成特征金字塔；根据式(7)将所有池化层第j个通道的输出特征进行融合后，作为融合特征金字塔的CNN网络第j个通道的输出特征v_j，所有通道的输出特征构成融合特征金字塔的CNN网络的输出特征，此过程即为特征F1*、F2*和F3*的融合；

其中，L为融合特征金字塔的CNN网络的卷积层数，也是特征金字塔的层数；

第3.2步，将融合特征金字塔的CNN网络的输出特征输入到LSTM网络中进行预测，LSTM网络通过输入门、输出门和遗忘门控制单元状态来存储长短期记忆；遗忘门将输入单元的无用信息丢弃，输入门将输入单元的有用信息保留；

遗忘门f_t为：

f_t＝σ(W_f·[h_t-1,v_t]+b_f) (8)

输入门i_t为：

i_t＝σ(W_i·[h_t-1,v_t]+b_i) (9)

输入门中的tanh层产生t时间步的候选单元状态

为：

然后，在遗忘门和输入门的共同控制下更新t时间步的单元状态C；

最后，单元状态C_t经tanh变换与输出门o_t相乘，确定t时间步的单元输出状态h_t：

h_t＝o_t*tanh(C_t) (12)

输出门o_t为：

o_t＝σ(W_o[h_t-1,v_t]+b_o) (13)

式(8)-(13)中，h_t-1表示t-1时间步的单元输出状态，v_t表示t时间步的输入单元，[h_t-1,v_t]表示将h_t-1和v_t进行拼接，W为各个门的权重，b为各个门的偏置，σ表示sigmoid变换；

最后，通过式(14)将LSTM网络的输出状态经一个全连接层(Dense)输出最终预测结果；

p＝σ(W_d·H+b_d) (14)

其中，H＝[h₁,h₂,...,h_z]为LSTM网络的输出向量，z为LSTM网络的神经元个数，W_d、b_d分别为全连接层的权重和偏置；

第3.3步，利用高频分量的训练集对融合特征金字塔的CNN-LSTM网络进行训练，利用高频分量的验证集验证训练后的网络性能并优化参数，利用高频分量的测试集测试融合特征金字塔CNN-LSTM网络预测能力；将优化后的融合特征金字塔的CNN-LSTM网络用于预测高频非线性成分；

第四步，针对上述第二步得到的低频分量，构建ARIMA模型(差分自回归移动平均模型)预测低频线性成分；

第4.1步，使用网格搜索算法，以RMSE(均方根误差)为指标，确定ARIMA模型的最佳参数p，d，q，p、d、q分别为自回归模型、差分模型和移动平均模型的阶数；RMSE的计算公式为：

式中，G为预测样本个数，

和y_g为第g个预测值和对应的真实值；

第4.2步，利用低频分量的训练集对ARIMA模型进行训练，利用低频分量的验证集验证训练后的ARIMA模型的性能并优化参数，利用低频分量的测试集测试ARIMA模型的预测能力；将优化后的ARIMA模型用于预测低频线性成分；

第五步，将上述第三步得到的高频非线性成分和第四步得到的低频线性成分进行叠加重构，并进行反归一化，得到全年月负荷初步预测结果，至此完成全年月负荷的初步预测；

结果分析：利用本发明方法和现有技术中常规的模型(LSTM、EA、EAL、EACL)分别对全年月负荷进行预测，得到图4-6所示的结果；图4为全年月负荷初步预测结果对比，图5为季节拐点月预测结果对比，图6为全年月负荷的最终预测结果。

从图4可知，LSTM网络作为时序预测中常用的神经网络，采用两个LSTM层捕捉时序的长短期特征，添加Dropout层防止过拟合，通过一个全连接层输出预测结果，LSTM取得了比EEMD分解与ARIMA模型融合的混合模型(EA)更高的预测准确度，体现出神经网络相比传统统计方法的优越性，但是LSTM网络的高峰负荷拟合效果较差；EAL(EEMD-ARIMA-LSTM)模型使用神经网络预测模式复杂的高频分量，与EA直接使用ARIMA模型预测全部分量相比，EAL的误差减小，拟合程度相当，说明根据不同IMF分量的特点构建预测模型的有效性。EACL(EEMD-ARIMA-CNN-LSTM)使用CNN-LSTM串联网络预测高频分量，与EAL相比，拟合程度提高，各个误差指标减小。本发明方法(FPEACL)使用融合特征金字塔的CNN-LSTM网络预测高频分量，与其余模型相比，全年月负荷初步预测结果与真实值基本吻合，预测误差最小，因此本发明方法可以提高预测精度，同时验证了采用融合特征金字塔的CNN-LSTM网络对电力负荷进行中长期预测的有效性。

从图5可知，针对季节拐点月负荷而言，现有技术中常规的模型均是使用全年月负荷数据训练，通过全年月负荷数据预测季节拐点月负荷，误差较大，这是由于全年月负荷反映整体变化趋势，无法体现季节拐点月负荷的波动性。对比之下，本发明方法(季节拐点月FPEACL)将季节拐点月负荷数据筛选出来训练模型，并季节拐点月负荷进行单独预测，得到了更小的误差和更好的拟合效果。

从图6可以看出，经过季节拐点月负荷修正以后的全年月负荷的最终预测结果(CFPEACL)与真实值的吻合度更高，与图4相比预测精度更高。

本发明未述及之处适用于现有技术。

Claims

1.一种中长期电力负荷预测方法，其特征在于，该方法的具体步骤如下：

2.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，融合特征金字塔的CNN-LSTM网络包括串联的融合特征金字塔的CNN网络和LSTM网络；融合特征金字塔的CNN网络包括一维因果扩张卷积层、池化层和特征融合；即输入序列分别经过三个一维因果扩张卷积层依次生成特征F1、F2和F3，特征F1、F2和F3分别经过池化层，得到特征F1*、F2*和F3*；将特征F1*、F2*和F3*进行融合，得到融合特征；融合特征作为LSTM网络的输入。

3.根据权利要求2所述的中长期电力负荷预测方法，其特征在于，所述三个一维因果扩张卷积层的扩张系数分别为1、2、3，卷积核长度均为3。

4.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，对全年月负荷数据进行EEMD分解，得到EEMD分解的各阶分量；根据式(1)计算各阶分量的过零率Z，将过零率大于阈值的分量划分为高频分量，否则为低频分量，得到高频分量数据集和低频分量数据集；

5.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，第一步具体为：获取某地区电力负荷的全年月负荷数据，根据该地区的季节更替数据，综合分析入季时间变化趋势以及平均入季日期，确定季节拐点月，从全年月负荷数据中筛选出各个季节拐点月负荷数据。