CN114066052A - 基于改进tcn修正累积误差的可调节负荷功率多步预测方法 - Google Patents

Abstract

基于改进TCN修正累积误差的可调节负荷功率多步预测方法，包括：采用变分模态分解可调节负荷功率序列得到主成分序列和噪声序列；构建基于多尺度卷积方法和自注意力方法模型，以自适应移动平滑处理后的噪声序列为输入，分别获得可调节负荷功率序列的时空特征，可调节负荷预测值与可调节负荷功率历史数据之间的映射关系；以时空特征为输入，基于单个TCN，建立单步预测模型，在此基础上，以多通道TCN作为解码层，基于多尺度卷积方法和自注意力方法的模型作为编码层，建立多步预测模型；根据预测步数选择预测模型对可调节负荷功率进行预测。本方法利用多通道TCN降低前步预测误差的影响，有效减少可调节负荷功率多步预测的误差累积。

Description

基于改进TCN修正累积误差的可调节负荷功率多步预测方法

技术领域

本发明属于可调节负荷预测技术领域，具体涉及基于改进TCN修正累积误差的可调节负荷功率多步预测方法。

背景技术

随着我国能源发展战略、深入推进电力市场化改革与电力行业升级换代的不断推进，可调节负荷资源主动参与源网荷互动将对电网产生重大积极作用。

现阶段，工业、楼宇、客户侧储能、充电桩等各类可调节负荷资源逐步参与到电网调度中，由于其单个资源量较小，且位置较为分散，因此一般将其聚合成一个较大的资源聚合体进行调度控制。在进行资源聚合时，一旦聚合体内部的负荷产生较大偏差，就会导致整个聚合体的功率误差较大，严重影响到其参与电网调度运行，造成较大的经济损失。因此，提出对可调节负荷资源功率的精准预测问题进行研究。

现有技术中，负荷预测方法在一些模型的定阶、求解以及模型识别等问题上存在较大困难，同时模型的适应能力不强，导致经常会出现数据运算慢以及精度较低等问题。另外灰色预测法、专家系统法以及小波分析法和神经网络法，这些方法不仅仅需要考虑到负荷形状这些因素，同时还会涉及到很多外部因素，例如环境、天气等等，都会影响到负荷预测的精度。现有较为精确的预测方法主要有三类：统计法、物理法和组合预测法，其中基于物理法的可调节负荷功率单步预测的缺点在于NWP数据与真实负荷环境数据间存在着较大的误差，且NWP数据与可调节负荷场景存在着空间上的差异，这使物理法对可调节负荷功率单步的预测精度普遍偏低；统计法是基于预测值与真实值的误差来更新、调整模型权重和参数的可调节负荷功率预测方法，该方法通常又被分为概率统计模型、机器学习模型和深度学习模型，概率统计模型，相比于物理法能更好的跟随可调节负荷功率的变化趋势，但在多步预测中存在较大得到误差；机器学习模型的单步预测精度均优于传统概率模型；深度学习模型能充分挖掘输入序列的时间和空间特性，进一步提高可调节负荷功率单步预测的精度，由于其结构单一且对数据质量要求高，难以对随机性强、噪声信号明显的可调节负荷功率序列进行准确稳定的多步预测；组合预测法是结合各单一预测模型的优势而形成的一种预测精度更高，稳定性更好的可调节负荷功率预测方法，一般用于可调节负荷功率多步预测中，组合预测模型在多个时间尺度上的表现均优于其它模型，组合预测法相较于物理法和统计法有更好的预测性能，但未对多步预测误差累积问题给出相应的解决方案，因此，如何修正累积误差来进行可调节负荷功率的多步预测是目前亟需解决的问题。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于改进TCN修正累积误差的可调节负荷功率多步预测方法，降低可调节负荷功率多步预测中存在的误差累积，提高预测精度和稳定性。

本发明采用如下的技术方案。

基于改进TCN修正累积误差的可调节负荷功率多步预测方法，包括：

步骤1，采集可调节负荷功率历史数据并进行预处理，得到可调节负荷功率序列；

步骤2，采用变分模态分解方法对可调节负荷功率序列进行分解，得到主成分序列和噪声序列；

步骤3，采用自适应移动平滑方法对噪声序列进行平滑处理；

步骤4，构建基于多尺度卷积方法和自注意力方法的模型；以平滑处理后的噪声序列为模型输入，利用多尺度卷积方法获得可调节负荷功率序列的时间特征和空间特征，利用自注意力方法获得可调节负荷预测值与可调节负荷功率历史数据之间的映射关系；

步骤5，以可调节负荷功率序列的时间特征和空间特征为输入，基于单个多输入单输出的时间卷积网络，建立可调节负荷功率的单步预测模型；

步骤6，在单步预测模型的基础上，以训练好的多输入多输出的时间卷积网络(Temporal Convolutional Network，TCN)作为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，建立可调节负荷功率的多步预测模型；

步骤7，根据预测步数选择预测模型，即单步预测时选用单步预测模型，多步预测时选用多步预测模型，由所选择的预测模型对可调节负荷功率进行预测。

优选地，步骤1中，每15分钟为1个采样时刻，采集可调节负荷瞬时有功功率的历史数据。

优选地，步骤1中，对可调节负荷瞬时有功功率的历史数据进行预处理包括：异常值处理、空缺值填补和归一化处理；

异常值包括：负值，超出满载功率值，乱码；其中，负值的处理方式为直接置零的方式；超出满载功率值和乱码的处理方式为利用前后两个采样时刻的可调节负荷瞬时有功功率对超出满载功率值和乱码进行修正；

空缺值填补的方式为利用前后两个采样时刻的可调节负荷瞬时有功功率对空缺值进行填充。

优选地，步骤2包括：

步骤2.1，采用变分模态分解方法将可调节负荷功率序列P分解为主成分序列u_m和噪声序列E；约束条件为所有模态之和与可调节负荷功率序列P相等，约束变分满足如下关系式：

式中，

u_m＝{u_i}，u_i为采用变分模态分解得到的第i个模态分量，i＝1,2,…,m，

ω_m＝{ω_i}，ω_i为第i个模态分量u_i的中心频率，i＝1,2,…,m，

m为模态分量的总数，

j为复频域中的虚部，

为二范数的平方表达式，

δ(t)为时刻t的冲激函数，

为对时刻t的一阶偏导，

u_m(t)为时刻t的主成分序列；

步骤2.2，引入拉格朗日乘子和二次罚函数将约束变分转换为非约束变分，满足如下关系式：

式中，

λ(t)为时刻t的拉格朗日乘子，

α为二次罚函数，

P(t)为时刻t的可调节负荷功率历史数据；

步骤2.3，基于非约束变分，利用交替方向乘子法迭代算法结合Parseval定理、Plancherel定理和傅里叶等距变换，对各模态分量、各模态分量的中心频率、拉格朗日乘子进行寻优迭代；交替寻优迭代n+1次后得到主成分序列u_m，满足如下关系式：

式中，

为第n+1次迭代后的模态分量

的傅里叶变换，其中，ω与时域t对应，

为第n次迭代后的模态分量

的傅里叶变换，其中，i≠m，

为t时刻第i个模态分量u_i(t)的傅里叶变换，

为可调节负荷功率历史数据P(t)的傅里叶变换，

为第n+1次迭代后的拉格朗日乘子λⁿ⁺¹(t)的傅里叶变换，

为第n次迭代后的拉格朗日乘子λⁿ(t)的傅里叶变换，

为拉格朗日乘子λ(t)的傅里叶变换，

τ为噪声容忍度；

步骤2.4，利用主成分序列u_m和可调节负荷功率历史数据P(t)，得到噪声序列E＝{e₁,e₂,e₃,…,e_T}，满足如下关系式：

式中，t＝1,2,…,T，T为噪声分量的总数，即噪声序列的长度。

优选地，步骤3包括：

步骤3.1，对于噪声序列E＝{e₁,e₂,e₃,…,e_T}，长度为N的移动窗口内噪声序列的均值μ_e和方差σ_e ²满足如下关系式：

式中，e_k为时刻t移动窗口内噪声序列的元素，k＝t+1,t+2,…t+N；

步骤3.2，基于自适应移动平滑方法，利用均值μ_e和方差σ_e ²对时刻t移动窗口内噪声序列E进行平滑处理，满足如下关系式：

式中，

f(e_k,μ_e,σ_e ²)为移动窗口内符合3σ原理点的误差值总和，满足如下关系式：

flag(e_k,μ_e,σ_e ²)为移动窗口内符合3σ原理点的个数总和，满足如下关系式：

为平滑处理后的噪声序列。

优选地，步骤4中，利用基于多尺度卷积方法和自注意力方法的模型，采用多尺度卷积方法从平滑处理后的噪声序列中提取可调节负荷功率序列的时间特征和空间特征；采用自注意力方法得到时间特征和空间特征之间的相关性；根据相关性提取时间特征和空间特征中的重要特征，将重要特征与可调节负荷功率序列的关联性，作为可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

优选地，步骤4包括：

步骤4.1，采用多尺度卷积方法从平滑处理后的噪声序列

中提取可调节负荷功率序列的时间特征和空间特征；

式中，

c_m为多尺度卷积的输出，即主成分序列的时间特征和空间特征，

为经过平滑处理后的噪声序列，

*为卷积操作，

K_r为第r层卷积核尺度，r＝1,2,…,L，

为第r层第j个时间卷积核，大小为1×K_r，其中j＝1,2,…,n，n为时间卷积核的总数，

为第r层的空间卷积核，大小为L×1，

L为输入特征数；

步骤4.2，利用自注意力方法提取时间特征和空间特征之间的相关性，生成时空特征的相关系数和映射关系；

其中，自注意力方法的QKV模型满足如下关系式：

式中，

I_SA为利用多尺度卷积的输出c_m组成的n×m的矩阵，其中，m为模态分量的总数，n为时间卷积核的总数，

为QKV模型的权重矩阵，其中*表示Q、K、V，权重矩阵的大小为n×n，

为QKV模型的偏置矩阵，其中*表示Q、K、V，偏置矩阵的大小为n×m；

利用矩阵Q和矩阵K计算得到时空特征的相关系数，矩阵V表征时空特征的映射关系；

步骤4.3，利用S＝softmax(QK)V函数计算得到权重矩阵，根据权重矩阵提取时间特征和空间特征中的重要特征，将重要特征与可调节负荷功率序列的关联性，作为可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

优选地，步骤5包括：

步骤5.1，以可调节负荷功率序列的时间特征和空间特征为输入数据集，并将输入数据集划分为训练集和测试集；

步骤5.2，以单个多输入单输出时间卷积网络为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，建立可调节负荷功率的单步预测模型；

步骤5.3，利用训练集对单步预测模型进行训练；

步骤5.4，以训练好的模型作为最终的单步预测模型。

优选地，步骤6包括：

步骤6.1，以可调节负荷功率序列的时间特征和空间特征为输入数据集，并将输入数据集划分为训练集和测试集；

步骤6.2，在最终的单步预测模型的基础上，通过全连接层实现多个时间卷积网络的并联连接；

步骤6.3，在多种预测步长下，以训练集对多个并联的时间卷积网络进行训练，以时间卷积网络的输出值与实际值的偏差最小为迭代控制指标，通过多次迭代更新后，获得多种预测步长下，多输入与多输出的非线性映射关系集合；

步骤6.4，根据非线性映射关系集合，训练得到最终的多输入多输出的时间卷积网络，其中，任一时间卷积网络的输出为

F_n为该时间卷积网络中滤波器的个数；

步骤6.5，将最终的多输入多输出的时间卷积网络作为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，经过线性变换和引入Relu函数，建立可调节负荷功率的多步预测模型，满足如下关系式：

式中，

y_d为第d步预测值，

为第d步预测输出的权重，

b_d为第d步预测输出的偏置。

优选地，步骤7中，根据采样步长确定预测时间段内预测步数，其中，每15分钟为1个采样时刻，即采样步长的长度为15分钟。

优选地，步骤7还包括采用平均绝对误差和均方根误差对预测模型的性能进行评价，如下：

1)平均绝对误差MAE，满足如下关系式：

2)均方根误差RMSE，满足如下关系式：

上两式中，y_d和

分别为第d步的预测值和真实值，d＝1,2,…,D，D为预测步数。

优选地，步骤7还包括，利用平均绝对误差MAE计算预测模型的第一提升度P_MAE，满足如下关系式：

式中，

Model1_MAE为单步预测模型或多步预测模型的平均绝对误差MAE，

Model2_MAE为单步预测模型的平均绝对误差MAE；

利用均方根误差RMSE计算预测模型的第二提升度P_RMSE，满足如下关系式：

式中，

Model1_RMSE为单步预测模型或多步预测模型的均方根误差RMSE，

Model2_RMSE为单步预测模型的均方根误差RMSE。

优选地，对于多步预测模型，步骤7还包括，利用平均绝对误差MAE计算从预测步长为a到预测步长为b时的平均绝对误差累值Adde_MAE,ab，满足如下关系式：

Adde_MAE,ab＝MAE_a-MAE_ba>b

式中，

MAE_a为预测步长为a时的平均绝对误差MAE，

MAE_b为预测步长为b时的平均绝对误差MAE；

对于多步预测模型，步骤7还包括，利用均方根误差RMSE计算从预测步长为a到预测步长为b时的均方根误差累值Adde_RMSE,ab，满足如下关系式：

Add_eRMSE,ab＝RMSE_a-RMSE_ba>b

式中，

RMSE_a为预测步长为a时的均方根误差RMSE，

RMSE_b为预测步长为b时的均方根误差RMSEb。

本发明的有益效果在于，与现有技术相比：

1、利用基于多尺度卷积方法和自注意力方法的单步预测模型有效修复了TCN的单一尺度卷积核对输入序列特征提取的能力，通过多尺度卷积、自注意力提取输入序列不同尺度的时间和空间特征，提高了模型的预测精度和稳定性；

2、多步预测模型有效修复了单个TCN挖掘多输入多输出间映射关系的能力，通过多通道TCN技术减少了前步预测误差对预测的影响，有效减少可调节负荷功率多步预测的误差累积；

3、现有技术中的预测模型与方法是在进行多步预测时，利用上一步预测的结果去预测下一步的数据，预测结果本身会存在误差，在进行多步预测的过程中，就会形成误差的累积；而本发明中，利用多通道TCN与多输出TCN对于同一组数据进行多步预测，避免了预测结果的误差累积，并且充分利用同组数据进行多步的预测，从而有效降低可调节负荷功率多步预测中存在的误差累积；

4、平滑后的噪声序列用来降低噪声对输出预测结果的影响。

附图说明

图1为本发明的基于改进TCN修正累积误差的可调节负荷功率多步预测方法的步骤框图；

图2为本发明一实施例中方法的流程图；

图3为本发明一实施例中预测模型的结构示意图；

图4为本发明一实施例中多输出时间卷积网络的结构示意图；

图5为本发明一实施例中电动汽车不同模型预测结果对比图；

图6为本发明一实施例中空调负荷不同模型预测结果对比图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

实施例1。

如图1和图2，基于改进TCN修正累积误差的可调节负荷功率多步预测方法，包括步骤1至7，如下：

步骤1，采集可调节负荷功率历史数据并进行预处理，得到可调节负荷功率序列。

具体地，步骤1中，每15分钟为1个采样时刻，采集可调节负荷瞬时有功功率的历史数据。

具体地，步骤1中，对可调节负荷瞬时有功功率的历史数据进行预处理包括：异常值处理、空缺值填补和归一化处理；

异常值包括：负值，超出满载功率值，乱码；其中，负值的处理方式为直接置零的方式；超出满载功率值和乱码的处理方式为利用前后两个采样时刻的可调节负荷瞬时有功功率对超出满载功率值和乱码进行修正；

空缺值填补的方式为利用前后两个采样时刻的可调节负荷瞬时有功功率对空缺值进行填充；

对历史数据进行归一化处理，满足如下关系式：

式中，P_g″为归一化处理后采样时刻g的可调节负荷功率，P_g′为归一化处理前采样时刻g的可调节负荷功率，P′为经过异常值处理和空缺值填补后的可调节负荷功率序列。

步骤2，采用变分模态分解方法对可调节负荷功率序列进行分解，得到主成分序列和噪声序列。

具体地，步骤2包括：

步骤2.1，采用变分模态分解方法将可调节负荷功率序列P分解为主成分序列u_m和噪声序列E；约束条件为所有模态之和与可调节负荷功率序列P相等，约束变分满足如下关系式：

式中，

u_m＝{u_i}，u_i为采用变分模态分解得到的第i个模态分量，i＝1,2,…,m，

ω_m＝{ω_i}，ω_i为第i个模态分量u_i的中心频率，i＝1,2,…,m，

m为模态分量的总数，

j为复频域中的虚部，

为二范数的平方表达式，

δ(t)为时刻t的冲激函数，

为对时刻t的一阶偏导，

u_m(t)为时刻t的主成分序列；

步骤2.2，引入拉格朗日乘子和二次罚函数将约束变分转换为非约束变分，满足如下关系式：

式中，

λ(t)为时刻t的拉格朗日乘子，

α为二次罚函数，

P(t)为时刻t的可调节负荷功率历史数据；

步骤2.3，基于非约束变分，利用交替方向乘子法迭代算法结合Parseval定理、Plancherel定理和傅里叶等距变换，对各模态分量、各模态分量的中心频率、拉格朗日乘子进行寻优迭代；交替寻优迭代n+1次后得到主成分序列u_m，满足如下关系式：

式中，

为第n+1次迭代后的模态分量

的傅里叶变换，其中，ω与时域t对应，

为第n次迭代后的模态分量

的傅里叶变换，其中，i≠m，

为t时刻第i个模态分量u_i(t)的傅里叶变换，

为可调节负荷功率历史数据P(t)的傅里叶变换，

为第n+1次迭代后的拉格朗日乘子λⁿ⁺¹(t)的傅里叶变换，

为第n次迭代后的拉格朗日乘子λⁿ(t)的傅里叶变换，

为拉格朗日乘子λ(t)的傅里叶变换，

τ为噪声容忍度；

步骤2.4，利用主成分序列u_m和可调节负荷功率历史数据P(t)，得到噪声序列E＝{e₁,e₂,e₃,…,e_T}，满足如下关系式：

式中，t＝1,2,…,T，T为噪声分量的总数，即噪声序列的长度。

步骤3，采用自适应移动平滑方法对噪声序列进行平滑处理。

具体地，步骤3包括：

步骤3.1，对于噪声序列E＝{e₁,e₂,e₃,…,e_T}，长度为N的移动窗口内噪声序列的均值μ_e和方差σ_e ²满足如下关系式：

式中，e_k为时刻t移动窗口内噪声序列的元素，k＝t+1,t+2,…t+N；

步骤3.2，基于自适应移动平滑方法，利用均值μ_e和方差σ_e ²对时刻t移动窗口内噪声序列E进行平滑处理，满足如下关系式：

式中，

f(e_k,μ_e,σ_e ²)为移动窗口内符合3σ原理点的误差值总和，满足如下关系式：

flag(e_k,μ_e,σ_e ²)为移动窗口内符合3σ原理点的个数总和，满足如下关系式：

为平滑处理后的噪声序列。

步骤4，构建基于多尺度卷积方法和自注意力方法的模型；以平滑处理后的噪声序列为模型输入，利用多尺度卷积方法获得可调节负荷功率序列的时间特征和空间特征，利用自注意力方法获得可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

具体地，步骤4中，利用基于多尺度卷积方法和自注意力方法的模型，采用多尺度卷积方法从平滑处理后的噪声序列中提取可调节负荷功率序列的时间特征和空间特征；采用自注意力方法得到时间特征和空间特征之间的相关性；根据相关性提取时间特征和空间特征中的重要特征，将重要特征与可调节负荷功率序列的关联性，作为可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

具体地，步骤4包括：

步骤4.1，采用多尺度卷积方法从平滑处理后的噪声序列

中提取可调节负荷功率序列的时间特征和空间特征；

式中，

c_m为多尺度卷积的输出，即主成分序列的时间特征和空间特征，

为经过平滑处理后的噪声序列，

*为卷积操作，

K_r为第r层卷积核尺度，r＝1,2,…,L，

为第r层第j个时间卷积核，大小为1×K_r，其中j＝1,2,…,n，n为时间卷积核的总数，

为第r层的空间卷积核，大小为L×1，

L为输入特征数；

步骤4.2，利用自注意力方法提取时间特征和空间特征之间的相关性，生成时空特征的相关系数和映射关系；

其中，自注意力方法的QKV模型满足如下关系式：

式中，

I_SA为利用多尺度卷积的输出c_m组成的n×m的矩阵，其中，m为模态分量的总数，n为时间卷积核的总数，

为QKV模型的权重矩阵，其中*表示Q、K、V，权重矩阵的大小为n×n，

为QKV模型的偏置矩阵，其中*表示Q、K、V，偏置矩阵的大小为n×m；

利用矩阵Q和矩阵K计算得到时空特征的相关系数，矩阵V表征时空特征的映射关系；

步骤4.3，利用S＝softmax(QK)V函数计算得到权重矩阵，根据权重矩阵提取时间特征和空间特征中的重要特征，将重要特征与可调节负荷功率序列的关联性，作为可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

步骤5，以可调节负荷功率序列的时间特征和空间特征为输入，基于单个多输入单输出的时间卷积网络，建立可调节负荷功率的单步预测模型。单步预测模型的结构如图3所示。

图3所示的预测模型包括：输入层，多尺度卷积层，自注意力机制层，预测层和输出层；其中，多尺度卷积层包括m个时空特征的卷积计算单元。通过改变预测层中的TCN网络个数，即可实现单步预测模型与多步预测模型的区分，即当TCN_S中的s为1时，就是单步预测模型。

图3中，x_m表示输入层中的第m个历史数据；c_m表示多尺度卷积层中利用m个时空特征的卷积计算单元处理后得到的时空特征；自注意力机制层中，linear为线形层，表现为对inputs输入进行线性映射，softmax为求解函数，利用softmax函数对QKV模型进行求解，得出单步预测模型的输出，y_s表示输出层中的第s个预测结果，TCN_s表示第s个TCN网络，每个TCN网络对应输出一个结果。

具体地，步骤5包括：

步骤5.1，以可调节负荷功率序列的时间特征和空间特征为输入数据集，并将输入数据集划分为训练集和测试集；

步骤5.2，以单个多输入单输出时间卷积网络为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，建立可调节负荷功率的单步预测模型；

步骤5.3，利用训练集对单步预测模型进行训练；

步骤5.4，以训练好的模型作为最终的单步预测模型。

步骤6，在单步预测模型的基础上，以训练好的多输入多输出的时间卷积网络作为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，建立可调节负荷功率的多步预测模型。多输入多输出的时间卷积网络如图4所示。

图4中，relu为求解函数名，S_n为多时间卷积网络与自注意力机制通过softmax解得的S，经过TCN网络和线性映射之后，利用relu函数解出最后的预测结果。

多步预测模型的结构如图3所示，当TCN_S中的s大于1时，就是多步预测模型，采用多通道时间卷积网络提取不同预测步输入与输出的非线性映射关系，减少可调节负荷功率多步预测中的累积误差。

具体地，步骤6包括：

步骤6.1，以可调节负荷功率序列的时间特征和空间特征为输入数据集，并将输入数据集划分为训练集和测试集；

步骤6.2，在最终的单步预测模型的基础上，通过全连接层实现多个时间卷积网络的并联连接；

步骤6.3，在多种预测步长下，以训练集对多个并联的时间卷积网络进行训练，以时间卷积网络的输出值与实际值的偏差最小为迭代控制指标，通过多次迭代更新后，获得多种预测步长下，多输入与多输出的非线性映射关系集合；

步骤6.4，根据非线性映射关系集合，训练得到最终的多输入多输出的时间卷积网络，其中，任一时间卷积网络的输出为

F_n为该时间卷积网络中滤波器的个数；

步骤6.5，将最终的多输入多输出的时间卷积网络作为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，经过线性变换和引入Relu函数，建立可调节负荷功率的多步预测模型，满足如下关系式：

式中，

y_d为第d步预测值，

为第d步预测输出的权重，

b_d为第d步预测输出的偏置。

步骤7，根据预测步数选择预测模型，即单步预测时选用单步预测模型，多步预测时选用多步预测模型，由所选择的预测模型对可调节负荷功率进行预测。

具体地，步骤7中，根据采样步长确定预测时间段内预测步数，其中，每15分钟为1个采样时刻，即采样步长的长度为15分钟。

具体地，步骤7还包括采用平均绝对误差和均方根误差对预测模型的性能进行评价，如下：

1)平均绝对误差MAE，满足如下关系式：

2)均方根误差RMSE，满足如下关系式：

上两式中，y_d和

分别为第d步的预测值和真实值，d＝1,2,…,D，D为预测步数。

具体地，步骤7还包括，利用平均绝对误差MAE计算预测模型的第一提升度P_MAE，满足如下关系式：

式中，

Model1_MAE为单步预测模型或多步预测模型的平均绝对误差MAE，

Model2_MAE为单步预测模型的平均绝对误差MAE；

利用均方根误差RMSE计算预测模型的第二提升度P_RMSE，满足如下关系式：

式中，

Model1_RMSE为单步预测模型或多步预测模型的均方根误差RMSE，

Model2_RMSE为单步预测模型的均方根误差RMSE。

具体地，对于多步预测模型，步骤7还包括，利用平均绝对误差MAE计算从预测步长为a到预测步长为b时的平均绝对误差累值Adde_MAE,ab，满足如下关系式：

Adde_MAE,ab＝MAE_a-MAE_ba>b

式中，

MAE_a为预测步长为a时的平均绝对误差MAE，

MAE_b为预测步长为b时的平均绝对误差MAE；

对于多步预测模型，步骤7还包括，利用均方根误差RMSE计算从预测步长为a到预测步长为b时的均方根误差累值Adde_RMSE,ab，满足如下关系式：

Adde_RMSE,ab＝RMSE_a-RMSE_ba>b

式中，

RMSE_a为预测步长为a时的均方根误差RMSE，

RMSE_b为预测步长为b时的均方根误差RMSE。

实施例2。

本实施例采用本发明提出的基于改进TCN修正累积误差的可调节负荷多步预测方法，根据某地区电动汽车与空调负荷样本数据，对该区域的可调节负荷进行预测；其中，该区域电动汽车约有10000辆，空调约10000台，其前80％的样本数据作为训练集，后20％作为测试集。

为验证所提预测方法的预测效果，为验证所提预测方法的预测效果，设置TCN单一模型与MSC-SA-TCN(Multi-Scale Self-Attention Temporal Convolutional Network，基于多尺度卷积和自注意力的单步预测)模型进行对比实验分析，电动汽车预测功率曲线如图5所示，空调负荷预测曲线如图6所示。

对比发现，利用MSC-SA-TCN模型得出的电动汽车充电功率预测曲线相较于TCN单一模型预测曲线更加贴近拟合曲线，MSC-SA-TCN模型的预测精度更高，同时也能看出电动汽车的充电行为在9:00～11:00之间出现峰值，这是由于电动汽车用户无序充电的影响，这也会使得区域负荷出现峰上加峰的现象；空调负荷由于随着室内外温度等的变化其冷负荷也在不断改变，呈现为波动型曲线。因此，通过有效的预测手段对电动汽车等可调节负荷进行预测并且采取有序充电等方式调整负荷曲线，可以实现削峰填谷的作用，平抑负荷曲线。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

本发明的有益效果在于，与现有技术相比：

1、利用MSC-SA-TCN模型有效修复了TCN的单一尺度卷积核对输入序列特征提取的能力，通过多尺度卷积、自注意力提取输入序列不同尺度的时间和空间特征，提高了模型的预测精度和稳定性；

2、MMED-TCN模型有效修复了单个TCN挖掘多输入多输出间映射关系的能力，通过多通道TCN技术减少了前步预测误差对预测的影响，有效减少可调节负荷功率多步预测的误差累积；

3、现有技术中的预测模型与方法是在进行多步预测时，利用上一步预测的结果去预测下一步的数据，预测结果本身会存在误差，在进行多步预测的过程中，就会形成误差的累积；而本发明中，利用多通道TCN与多输出TCN对于同一组数据进行多步预测，避免了预测结果的误差累积，并且充分利用同组数据进行多步的预测，从而有效降低可调节负荷功率多步预测中存在的误差累积；

4、平滑后的噪声序列用来降低噪声对输出预测结果的影响。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (13)

1.基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

所述方法包括：

步骤1，采集可调节负荷功率历史数据并进行预处理，得到可调节负荷功率序列；

步骤2，采用变分模态分解方法对可调节负荷功率序列进行分解，得到主成分序列和噪声序列；

步骤3，采用自适应移动平滑方法对噪声序列进行平滑处理；

步骤4，构建基于多尺度卷积方法和自注意力方法的模型；以平滑处理后的噪声序列为模型输入，利用多尺度卷积方法获得可调节负荷功率序列的时间特征和空间特征，利用自注意力方法获得可调节负荷预测值与可调节负荷功率历史数据之间的映射关系；

步骤5，以可调节负荷功率序列的时间特征和空间特征为输入，基于单个多输入单输出的时间卷积网络，建立可调节负荷功率的单步预测模型；

步骤6，在单步预测模型的基础上，以训练好的多输入多输出的时间卷积网络作为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，建立可调节负荷功率的多步预测模型；

步骤7，根据预测步数选择预测模型，即单步预测时选用单步预测模型，多步预测时选用多步预测模型，由所选择的预测模型对可调节负荷功率进行预测。

2.根据权利要求1所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤1中，每15分钟为1个采样时刻，采集可调节负荷瞬时有功功率的历史数据。

3.根据权利要求2所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤1中，对可调节负荷瞬时有功功率的历史数据进行预处理包括：异常值处理、空缺值填补和归一化处理；

异常值包括：负值，超出满载功率值，乱码；其中，负值的处理方式为直接置零的方式；超出满载功率值和乱码的处理方式为利用前后两个采样时刻的可调节负荷瞬时有功功率对超出满载功率值和乱码进行修正；

空缺值填补的方式为利用前后两个采样时刻的可调节负荷瞬时有功功率对空缺值进行填充。

4.根据权利要求3所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤2包括：

步骤2.1，采用变分模态分解方法将可调节负荷功率序列P分解为主成分序列u_m和噪声序列E；约束条件为所有模态之和与可调节负荷功率序列P相等，约束变分满足如下关系式：

式中，

u_m＝{u_i}，u_i为采用变分模态分解得到的第i个模态分量，i＝1，2，…，m，

w_m＝{ω_i}，ω_i为第i个模态分量u_i的中心频率，i＝1，2，…，m，

m为模态分量的总数，

j为复频域中的虚部，

为二范数的平方表达式，

δ(t)为时刻t的冲激函数，

为对时刻t的一阶偏导，

u_m(t)为时刻t的主成分序列；

步骤2.2，引入拉格朗日乘子和二次罚函数将约束变分转换为非约束变分，满足如下关系式：

式中，

λ(t)为时刻t的拉格朗日乘子，

α为二次罚函数，

P(t)为时刻t的可调节负荷功率历史数据；

步骤2.3，基于非约束变分，利用交替方向乘子法迭代算法结合Parseval定理、Plancherel定理和傅里叶等距变换，对各模态分量、各模态分量的中心频率、拉格朗日乘子进行寻优迭代；交替寻优迭代n+1次后得到主成分序列u_m，满足如下关系式：

式中，

为第n+1次迭代后的模态分量

的傅里叶变换，其中，w与时域t对应，

为第n次迭代后的模态分量

的傅里叶变换，其中，i≠m，

为t时刻第i个模态分量u_i(t)的傅里叶变换，

为可调节负荷功率历史数据P(t)的傅里叶变换，

为第n+1次迭代后的拉格朗日乘子λⁿ⁺¹(t)的傅里叶变换，

为第n次迭代后的拉格朗日乘子λⁿ(t)的傅里叶变换，

为拉格朗日乘子λ(t)的傅里叶变换，

τ为噪声容忍度；

步骤2.4，利用主成分序列um和可调节负荷功率历史数据P(t)，得到噪声序列E＝{e₁，e₂，e₃，...，e_T}，满足如下关系式：

式中，t＝1，2，…，T，T为噪声分量的总数，即噪声序列的长度。

5.根据权利要求4所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤3包括：

步骤3.1，对于噪声序列E＝{e₁，e₂，e₃，...，e_T}，长度为N的移动窗口内噪声序列的均值μ_e和方差σ_e ²满足如下关系式：

式中，e_k为时刻t移动窗口内噪声序列的元素，k＝t+1，t+2，…t+N；

步骤3.2，基于自适应移动平滑方法，利用均值μ_e和方差σ_e ²对时刻t移动窗口内噪声序列E进行平滑处理，满足如下关系式：

式中，

f(e_k，μ_e，σ_e ²)为移动窗口内符合3σ原理点的误差值总和，满足如下关系式：

flag(e_k，μ_e，σ_e ²)为移动窗口内符合3σ原理点的个数总和，满足如下关系式：

为平滑处理后的噪声序列。

6.根据权利要求1所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤4中，利用基于多尺度卷积方法和自注意力方法的模型，采用多尺度卷积方法从平滑处理后的噪声序列中提取可调节负荷功率序列的时间特征和空间特征；采用自注意力方法得到时间特征和空间特征之间的相关性；根据相关性提取时间特征和空间特征中的重要特征，将重要特征与可调节负荷功率序列的关联性，作为可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

7.根据权利要求6所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤4包括：

步骤4.1，采用多尺度卷积方法从平滑处理后的噪声序列

中提取可调节负荷功率序列的时间特征和空间特征；

式中，

c_m为多尺度卷积的输出，即主成分序列的时间特征和空间特征，

为经过平滑处理后的噪声序列，

*为卷积操作，

K_r为第r层卷积核尺度，r＝1，2，...，L，

为第r层第j个时间卷积核，大小为1×K_r，其中j＝1，2，…，n，n为时间卷积核的总数，

为第r层的空间卷积核，大小为L×1，

L为输入特征数；

步骤4.2，利用自注意力方法提取时间特征和空间特征之间的相关性，生成时空特征的相关系数和映射关系；

其中，自注意力方法的QKV模型满足如下关系式：

式中，

I_SA为利用多尺度卷积的输出c_m组成的n×m的矩阵，其中，m为模态分量的总数，n为时间卷积核的总数，

为QKV模型的权重矩阵，其中*表示Q、K、V，权重矩阵的大小为n×n，

为QKV模型的偏置矩阵，其中*表示Q、K、V，偏置矩阵的大小为n×m；

利用矩阵Q和矩阵K计算得到时空特征的相关系数，矩阵V表征时空特征的映射关系；

步骤4.3，利用S＝softmax(QK)V函数计算得到权重矩阵，根据权重矩阵提取时间特征和空间特征中的重要特征，将重要特征与可调节负荷功率序列的关联性，作为可调节负荷预测值与可调节负荷功率历史数据之间的映射关系。

8.根据权利要求7所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤5包括：

步骤5.1，以可调节负荷功率序列的时间特征和空间特征为输入数据集，并将输入数据集划分为训练集和测试集；

步骤5.2，以单个多输入单输出时间卷积网络为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，建立可调节负荷功率的单步预测模型；

步骤5.3，利用训练集对单步预测模型进行训练；

步骤5.4，以训练好的模型作为最终的单步预测模型。

9.根据权利要求8所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤6包括：

步骤6.1，以可调节负荷功率序列的时间特征和空间特征为输入数据集，并将输入数据集划分为训练集和测试集；

步骤6.2，在最终的单步预测模型的基础上，通过全连接层实现多个时间卷积网络的并联连接；

步骤6.3，在多种预测步长下，以训练集对多个并联的时间卷积网络进行训练，以时间卷积网络的输出值与实际值的偏差最小为迭代控制指标，通过多次迭代更新后，获得多种预测步长下，多输入与多输出的非线性映射关系集合；

步骤6.4，根据非线性映射关系集合，训练得到最终的多输入多输出的时间卷积网络，其中，任一时间卷积网络的输出为

F_n为该时间卷积网络中滤波器的个数；

步骤6.5，将最终的多输入多输出的时间卷积网络作为解码层，将基于多尺度卷积方法和自注意力方法的模型作为编码层，经过线性变换和引入Relu函数，建立可调节负荷功率的多步预测模型，满足如下关系式：

式中，

y_d为第d步预测值，

为第d步预测输出的权重，

b_d为第d步预测输出的偏置。

10.根据权利要求9所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤7中，根据采样步长确定预测时间段内预测步数，其中，每15分钟为1个采样时刻，即采样步长的长度为15分钟。

11.根据权利要求9所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤7还包括采用平均绝对误差和均方根误差对预测模型的性能进行评价，如下：

1)平均绝对误差MAE，满足如下关系式：

2)均方根误差RMSE，满足如下关系式：

上两式中，y_d和

分别为第d步的预测值和真实值，d＝1，2，…，D，D为预测步数。

12.根据权利要求11所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

步骤7还包括，利用平均绝对误差MAE计算预测模型的第一提升度P_MAE，满足如下关系式：

式中，

Model1_MAE为单步预测模型或多步预测模型的平均绝对误差MAE，

Model2_MAE为单步预测模型的平均绝对误差MAE；

利用均方根误差RMSE计算预测模型的第二提升度P_RMSE，满足如下关系式：

式中，

Model1_RMSE为单步预测模型或多步预测模型的均方根误差RMSE，

Model2_RMSE为单步预测模型的均方根误差RMSE。

13.根据权利要求11所述的基于改进TCN修正累积误差的可调节负荷功率多步预测方法，其特征在于，

对于多步预测模型，步骤7还包括，利用平均绝对误差MAE计算从预测步长为a到预测步长为b时的平均绝对误差累值Adde_MAE，ab，满足如下关系式：

Adde_MAE，ab＝MAE_a-MAE_b a＞b

式中，

MAE_a为预测步长为a时的平均绝对误差MAE，

MAE_b为预测步长为b时的平均绝对误差MAE；

对于多步预测模型，步骤7还包括，利用均方根误差RMSE计算从预测步长为a到预测步长为b时的均方根误差累值Adde_RMSE，ab，满足如下关系式：

Adde_RMSE，ab＝RMSE_a-RMSE_b a＞b

式中，

RMSE_a为预测步长为a时的均方根误差RMSE，

RMSE_b为预测步长为b时的均方根误差RMSE。

Images