CN113989070A - 一种智能电网用电端短期能耗预测方法及其系统 - Google Patents
一种智能电网用电端短期能耗预测方法及其系统 Download PDFInfo
- Publication number
- CN113989070A CN113989070A CN202111290314.6A CN202111290314A CN113989070A CN 113989070 A CN113989070 A CN 113989070A CN 202111290314 A CN202111290314 A CN 202111290314A CN 113989070 A CN113989070 A CN 113989070A
- Authority
- CN
- China
- Prior art keywords
- module
- short
- energy consumption
- data
- term energy
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种智能电网用电端短期能耗预测方法及其系统,属于智能电网领域;包括本发明型的一种结合GCN和LSTM的智能电网用电端短期能耗预测方法主要由数据清洗模块,特征提取模块和预测模块组成。所述的数据清洗模块首先划分输入的特征向量,划分为k个时间步长的电力负荷量,楼房号以及房间号和所需要预测的年份的时间节点。将划分好的数据通过输入接口,输入到卡尔曼滤波方法中完成数据清洗。最后将清洗后的数据传输至特征提取模块进行特征提取;通过结合GCN和LSTM的智能电网用电端短期能耗预测方法,解决了现有技术中智能电网用电端短期能耗精准预测困难问题。
Description
技术领域
本公开属于智能电网领域,具体涉及一种结合GCN和LSTM的智能电网用电端短期能耗预测方法(KGLSTM)。
背景技术
智能电网用电侧短期能耗预测,是使用智能电表等智能终端设备可采集整个电力系统的运行数据,再对采集的电力大数据进行系统的处理和分析,最后,结合大数据分析与电力系统模型,可以对电网运行进行诊断、优化和预测的一种分析方式。随着智能电网建设的不断推进,作为电网用电侧信息获取及用电控制重要途径的用电信息采集系统,产生的大数据日益剧增。面对海量的用电数据,能否准确的预测用电侧的短期能耗,已经成为当前研究的热点。
在实际应用中,时间序列预测工具方法可以归结为三大类:一类是基于业务场景理解的因子预测模型,一类是传统时间序列预测模型,比如均值回归、ARIMA、指数平滑预测法(比如Holt-Winters)等,还有一类是机器学习模型,比如支持向量机、树模型(比如GBM、QRF)、神经网络模型(比如RNN、CNN、LSTM)等。
本发明专利,使用的是LSTM+GCN的双通道预测框架。一方面先采用卡尔曼滤波的方式对数据进行清洗,筛选出错值和零值,并对这些错值和零值进行填补,最后得到处理后的干净值。一方面用LSTM对输入的数据进行特征提取,得到数据的特征信息;另一方面,将输入数据转化为邻接矩阵,放入GCN图神经网络进行特征提取,得到数据的第二种特征信息。最后将两种特征组合得到最终的数据特征,放入定义好的预测模型进行预测。借此,GCN+LSTM组合的双通道预测方案可以弥补LSTM在特征提取时对远距离序列遗忘的缺点,从而有效地提高预测的准确率。
发明内容
针对现有技术的不足,本公开的目的在于提供一种结合GCN和LSTM的智能电网用电端短期能耗预测方法,解决了现有技术中智能电网用电端短期能耗精准预测困难问题。
本公开的目的可以通过以下技术方案实现:
本发明专利的目的在于提供一种结合GCN和LSTM的智能电网用电端短期能耗预测方案。为智能电网用电端短期能耗预测提供一种高精确率的方案。
本发明专利所提供的一种结合GCN和LSTM的智能电网用电端短期能耗预测方案。主要由数据清洗模块,特征提取模块和数据预测模块组成。数据清洗模块是采用卡尔曼滤波对数据进行清洗,筛除错误数据后,将数据划分为标签集和特征集用于提取特征。特征提取模块由LSTM模块和GCN模块两个模块构成一种双通道预测框架。LSTM模块通过Sigmoid函数及点乘操作完成一个门的创建。LSTM中的工作模块则包含四个交互的层,三个Sigmoid层和一个tanh层,并以一种非常特殊的方式进行交互。最终得到时序序列数据的特征信息。GCN模块通过将清洗后的数据放入localpooling_filter()方法里面转化为需要的邻接矩阵A和节点特征信息X。利用图卷积层将A和X做内积得到对应的特征信息T′。最后将LSTM提取的特征信息和GCN提取的特征信息T′用Concatenate()方法进行组合后,得到最终的特征信息T″。将组合后的特征信息T″放到批标准化、全连接层网络层中,调用Model.Predict()方法实现对数据的预测。
进一步地,一种智能电网用电端短期能耗预测系统包括;
数据清洗模块:划分输入的特征向量,将划分好的数据通过卡尔曼滤波方法完成数据清洗;
特征提取模块:通过LSTM模块和GCN模块两个模块构成一种双通道预测框架对特征向量进行特征提取;
预测模块:以特征提取模块提取的特征数据为输入通过Predict函数对数据进行预测;
输出现实模块:对预测模块的计算结果进行显示输出。
进一步地,一种存储介质,记录有一种智能电网用电端短期能耗预测方法。
进一步地,一种计算执行装置,执行装置用于计算一种智能电网用电端短期能耗预测方法。
本公开的有益效果:
1、本发明型框架结构简单,通过结合LSTM算法模型和GCN算法模型对输入数据进行完整的特征提取,提高了模型的准确率,完善了LSTM模型在特征提取这方面的不足。
2、采用决定系数(R2-Score),绝对平均误差(MAE),均方根误差(RMSE)和均方误差(MSE)四类评判指标来细化对比结果。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例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,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是结合GCN和LSTM的智能电网用电端短期能耗预测方案的结构框图;
图2是三类模型的预测值相比真实值的效果对比图;
图3是KGLSTM,LSTM的预测值相比真实值的对比图;
图4是KGLSTM,CNN-LSTM的预测值相比真实值的对比图;
图5是四类评判指标来细化对比图;
图6是四类评判指标数值对比图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
如图1所示,本发明型的一种结合GCN和LSTM的智能电网用电端短期能耗预测方法主要由数据清洗模块,特征提取模块和预测模块组成。
所述的数据清洗模块首先对输入的时间、楼房号、房间号、用电量等特征向量进行训练集和数据集的划分,划分为1/2训练集和1/4测试集以及1/4验证集。将划分好的数据通过输入接口,输入到卡尔曼滤波方法中完成数据清洗。最后将清洗后的数据传输至特征提取模块进行特征提取。
所述的特征提取模块主要由LSTM特征提取模块和GCN特征提取模块组成。
经过数据清洗模块清洗的数据一部分进入LSTM模块进行一部分特征提取。LSTM模块主要由两层LSTM卷积层和一个ReLu激活函数以及一层Attenation层组成。数据先经过第一层LSTM层得到部分特征结构X0,再经过ReLu激活函数传递到第二层LSTM层得到两层LSTM卷积后特征X1,最后添加Attenation层,以防数据部分特征丢失,最后得到LSTM特征提取模块的处理后的特征数据X2。同时,经过数据清洗模块清洗的数据另一部分进入GCN模块进行另一部分的特征提取。GCN模块主要两层GraphConv卷积模块,一个ReLu激活函数,一个Attneation注意力机制,一个Maxpooling最大池化层和一个Flatten层构成。清洗后的数据先进入第一层GraphConv卷积模块,得到卷积后特征A0,之后经过ReLu激活函数后进入第二层GraphConv卷积模块,再经过Attenation层后得到特征A1,最后经过Maxpooling最大池化层和一个Flatten层得到一个二维输出特征A2。最后将LSTM特征提取模块和GCN特征提取模块输出的特征信息X2和A2通过Concatenate()函数组合成最终的的输出特征Y2。
所述的数据预测模块主要由一个Batchnormalization()标准化函数,一个Dropout函数,一个Dense函数和一个输出接口构成。经过特征提取后的模块,先进入Batchnormalization()标准化函数标准化后,再经过Dropout函数,通过忽略部分特征检测器,可以明显地减少过拟合现象,提高模型的准确度。接着经过Dense函数,添加一个全连接层,完成最后输出的矩阵运算。最后函数调用模型的Predict()预测方法,完成对输入数据的预测。
如图2-4所示,在收集的数据集上进行实验,对比了LSTM网络,CNN_LSTM网络的预测结果;
如图5--6所示,所提出的KGLSTM在决定系数(R2-Score)上分别比LSTM和CNN_LSTM提高了16%和12%。在绝对平均误差(MAE)上分别比LSTM和CNN_LSTM降低了20%和16%。在均方根误差(RMSE)上分别比LSTM和CNN_LSTM降低了27%和23%。在均方误差(MSE)上分别比LSTM和CNN_LSTM降低了15%和11%;
通过上述实验数据可以看出本公开所述结合GCN和LSTM的智能电网用电端短期能耗预测方法,相对与现有的预测方法本方案在智能电网用电端短期能耗预测的精准上具有明显优势。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种智能电网用电端短期能耗预测方法,其特征在于,包括以下步骤;
步骤S1:划分输入的特征向量;
步骤S2:将划分好的数据通过卡尔曼滤波方法完成数据清洗;
步骤S3:将清洗后的数据传输至特征提取模块进行特征提取;
步骤S4:将提取模块提取的特征进行组合,将组合后的特征信息放到定义好的网络模型中对数据进行预测;
所述的特征提取模块包括LSTM特征提取模块和GCN特征提取模块组成。
2.根据权利要求1所述的一种智能电网用电端短期能耗预测方法,其特征在于,所述S1中的特征向量包括时间、楼房号、房间号、用电量。
3.根据权利要求1所述的一种智能电网用电端短期能耗预测方法,其特征在于,所述划分特征向量的方式为通过时间端对特征向量进行划分,将一段时间的数据量划分为前1/2作为训练集,后1/4作为测试集,最后1/4作为验证集。模型通过对前1/2的数据进行相关训练,再对后1/4测试集进行预测。
4.根据权利要求1所述的一种智能电网用电端短期能耗预测方法,其特征在于,所述特征提取模块由LSTM模块和GCN模块两个模块构成一种双通道预测框架。
5.根据权利要求1所述的一种智能电网用电端短期能耗预测方法,其特征在于,所述GCN模块通过将清洗后的数据通过localpooling_filter函数转化为需要的邻接矩阵A和节点特征信息X,利用图卷积层将A和X做内积得到对应的特征信息。
6.根据权利要求1所述的一种智能电网用电端短期能耗预测方法,其特征在于,所述最后将LSTM提取的特征信息和GCN提取的特征信息通过Concatenate函数进行组合后,得到最终的特征信息。
7.根据权利要求1所述的一种智能电网用电端短期能耗预测方法,其特征在于,所述预测数据通过Predict函数进行计算。
8.一种智能电网用电端短期能耗预测系统,其特征在于,所述系统包括;
数据清洗模块:划分输入的特征向量,将划分好的数据通过卡尔曼滤波方法完成数据清洗;
特征提取模块:通过LSTM模块和GCN模块两个模块构成一种双通道预测框架对特征向量进行特征提取;
预测模块:以特征提取模块提取的特征数据为输入通过Predict函数对数据进行预测;
输出现实模块:对预测模块的计算结果进行显示输出。
9.一种存储介质,其特征在于,所述存储介质记录有权利要求1所述的一种智能电网用电端短期能耗预测方法。
10.一种计算执行装置,其特征在于,所述计算执行装置用于计算权利要求1所述的一种智能电网用电端短期能耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290314.6A CN113989070A (zh) | 2021-11-02 | 2021-11-02 | 一种智能电网用电端短期能耗预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290314.6A CN113989070A (zh) | 2021-11-02 | 2021-11-02 | 一种智能电网用电端短期能耗预测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989070A true CN113989070A (zh) | 2022-01-28 |
Family
ID=79745940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290314.6A Pending CN113989070A (zh) | 2021-11-02 | 2021-11-02 | 一种智能电网用电端短期能耗预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
-
2021
- 2021-11-02 CN CN202111290314.6A patent/CN113989070A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN111833583B (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN113125095A (zh) | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 | |
CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 | |
CN113989070A (zh) | 一种智能电网用电端短期能耗预测方法及其系统 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
WO2014173271A1 (zh) | 数字化人机界面监视单元数量优化方法及系统 | |
CN116774089A (zh) | 基于特征融合的卷积神经网络电池健康状态估计方法及系统 | |
CN108427742B (zh) | 一种基于低秩矩阵的配电网可靠性数据修复方法及系统 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
CN111476357B (zh) | 基于三重融合卷积gru的共享单车需求预测方法 | |
CN114239999A (zh) | 基于交叉熵重要抽样的元件可靠性参数优化解析方法 | |
CN110034559B (zh) | 基于切换系统模型的电力系统融合状态估计方法 | |
CN114791537A (zh) | 基于属性自适应的工业设备剩余使用寿命预测方法及系统 | |
CN111815085B (zh) | 一种轨道交通能源管理系统综合能效评估的实现方法 | |
CN113151842A (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN113919162A (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 |
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 |