CN114169645A - 一种智能电网短期负荷预测方法 - Google Patents
一种智能电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN114169645A CN114169645A CN202111677523.6A CN202111677523A CN114169645A CN 114169645 A CN114169645 A CN 114169645A CN 202111677523 A CN202111677523 A CN 202111677523A CN 114169645 A CN114169645 A CN 114169645A
- Authority
- CN
- China
- Prior art keywords
- short
- training
- term load
- load prediction
- data set
- 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 49
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002787 reinforcement Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013277 forecasting method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 230000000739 chaotic effect Effects 0.000 claims description 14
- 238000004445 quantitative analysis Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004451 qualitative analysis Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000000354 decomposition reaction Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000007430 reference method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
本发明提供了一种智能电网短期负荷预测方法，包括以下步骤：获取负荷预测所需的基础数据集；对获取的基础数据集进行预处理、LMD算法处理，获得完备数据集；基于完备数据集，采用Inception模块构建强化学习网络，通过强化学习网络改进训练参数；基于改进的训练参数，采用DRNN构建深度学习网络；通过深度学习网络获取短期负荷预测模型并进行数据分析。本发明提供的一种智能电网短期负荷预测方法，将数据预处理技术和负荷预测技术相结合，通过LMD算法将强化学习和深度学习相结合，降低智能电网短期负荷预测数据的误差。
Description
技术领域
本发明属于电力数据应用研究技术领域，具体涉及一种智能电网短期负荷预测方法。
背景技术
短期负荷预测是电网日常运行的一部分，准确的短期负荷预测有助于电网稳定可控运行，其预测精度的好坏直接影响电网规划运行的稳定程度。
传统负荷预测方法主要以回归分析法、时间序列法等方法为主，这类方法依据时间线，将负荷历史数据排序，构造相应的负荷预测时间模型，从而推导出负荷预测公式。
传统方法需要分析历史数据特征，从而构建数学模型，实现对于负荷的准确预测，而现行智能电网由于新能源的随机并网和电力负荷的复杂变化，使得电力负荷变化呈现高度不确定性，且电网状态数据呈现强非线性，这使得传统预测方法难以支撑高效精准的电网负荷分析，对电力负荷短期准确预测提出了更高的挑战。
深度学习技术的出现为电网负荷预测提供了一种新的解决思路，避免了传统方法依据数据直接构建预测分析模型的弊端，而现行多层网络分析方法对于训练集数据质量存在较高的要求，但由于网络结构存在深度复杂的特性，且网络参数调整存在一定的滞后性，以及模型参数的不匹配性都会导致预测网络存在较大的误差。
发明内容
本发明实施例提供一种智能电网短期负荷预测方法，旨在提高智能电网的短期负荷预测可靠性和准确度。
为实现上述目的，本发明采用的技术方案是：提供一种智能电网短期负荷预测方法，包括以下步骤：
获取负荷预测所需的基础数据集；
对获取的基础数据集进行预处理、LMD(Local Mean Decomposition，局域均值分解方法)算法处理，获得完备数据集；
基于完备数据集，采用Inception模块构建强化学习网络，通过强化学习网络改进训练参数；
基于改进的训练参数，采用DRNN(DeepRecurrentNeuralNetwork，深度循环神经网络)构建深度学习网络；
通过深度学习网络获取短期负荷预测模型并进行数据分析，其中，数据分析包括定性分析和量化分析。
在一种可能的实现方式中，基于完备数据集，采用Inception模块构建强化学习网络，通过强化学习网络改进训练参数包括：
合并先前状态和当前输入状态，获取代理环境；
基于代理环境构建状态集，并采样状态集中的最优状态，获得改进的训练参数。
一些实施例中，基于代理环境构建状态集，并采样状态集中的最优状态，获得改进的训练参数之后还包括：构建奖励函数。
示例性的，基于改进的训练参数，采用DRNN构建深度学习网络包括：
选择网络参数建立训练模型，网络参数包括输入输出层节点数、隐含层数；
对训练模型进行DRNN训练和RNN(RecurrentNeuralNetwork，循环神经网络)训练，构建深度学习网络。
举例说明，DRNN训练包括：DRNN在给定输入上循环执行相同的迭代，其中，每个先前迭代的输出依次作为下一次迭代的输入；
RNN训练包括：将x值的输入序列映射到相应的顺序输出y，其中，训练过程从t＝1到t＝τ的每一个时间步长依次进行。
进一步地，DRNN训练和RNN训练采用互信息理论对输入特征进行筛选、采用混沌粒子群算法进行参数更新。
具体的，采用混沌粒子群算法进行参数更新包括：
种群初始化，设置内参；
寻找个体最优以及全局最优；
更新粒子速度和位置，更新权重；
计算每个粒子的目标函数，保留群体中性能最好的粒子；
对群体中性能最好的粒子进行混沌搜索，更新局部最佳点以及全局最佳点；
当全局最优解达到要求时，输出结果。
在一种可能的实现方式中，可靠性分析和准确率分析之前包括：
在工作机中搭建仿真运行场景，进行实验仿真；
采集实验数据集，并将实验数据集按比例划分为训练集和测试集，其中，训练集用于进行模型训练，测试集用于对训练完成的模型进行验证测试集评估；
建立预测网络评价指标，包括平均绝对百分误差和均方根误差。
示例性的，定性分析包括：
分别采用基于Wide&Deep-LSTM的深度学习短期负荷预测模型、基于深层长短时记忆网络深度学习网络模型构建的负荷预测模型作为对比对象，进行定性分析。
举例说明，量化分析包括：
分别采用基于Wide&Deep-LSTM的深度学习短期负荷预测模型、基于深层长短时记忆网络深度学习网络模型构建的负荷预测模型作为对比对象，进行量化分析。
本发明提供的一种智能电网短期负荷预测方法的有益效果在于：与现有技术相比，本发明一种智能电网短期负荷预测方法，将数据预处理技术和负荷预测技术相结合，能够通过LMD算法处理从基础数据集中获得完备数据集，从而能够为短期负荷的精准预测提供有利基础条件，在此基础上，将强化学习和深度学习相结合，从而形成能够提供优秀的拟合跟踪能力的深度强化学习模型，并最终通过定性分析和量化分析获得精确的预测数据，自适应能力强，能够降低智能电网短期负荷预测数据的误差。
附图说明
图1为本发明实施例提供的一种智能电网短期负荷预测方法的架构示意图；
图2为本发明实施例提供的一种智能电网短期负荷预测方法所采用的强化学习网络模型示意图；
图3为本发明实施例提供的一种智能电网短期负荷预测方法所采用的DRNN训练网络模型示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请一并参阅图1至图3，现对本发明提供的一种智能电网短期负荷预测方法进行说明。所述一种智能电网短期负荷预测方法，包括以下步骤：
获取负荷预测所需的基础数据集；
对获取的基础数据集进行预处理、LMD算法处理，获得完备数据集；
基于完备数据集，采用Inception模块构建强化学习网络，通过强化学习网络改进训练参数；
基于改进的训练参数，采用DRNN构建深度学习网络；
通过深度学习网络获取短期负荷预测模型并进行数据分析，其中，数据分析包括定性分析和量化分析。
本实施例提供的一种智能电网短期负荷预测方法，与现有技术相比，将数据预处理技术和负荷预测技术相结合，能够通过LMD算法处理从基础数据集中获得完备数据集，从而能够为短期负荷的精准预测提供有利基础条件，在此基础上，将强化学习和深度学习相结合，从而形成能够提供优秀的拟合跟踪能力的深度强化学习模型，并最终通过定性分析和量化分析获得精确的预测数据，自适应能力强，能够降低智能电网短期负荷预测数据的误差。
需要说明的是，在本实施例中，对基础数据集进行预处理的步骤包括数据清洗、数据转换、数据描述、特征选择、特征抽取或降维五个步骤，其中，各个步骤的任务分别为：
步骤一、数据清洗：包括填补缺失的值，使噪声数据变得光滑，辨别或删掉偏离点，解决数据不一致性。
其中，针对缺失数据，具有三种处理方式：(一)删数据，如果缺失数据的记录占比比较小，可直接删除，(二)手工填补，或者重新收集数据，或者根据领域知识来补数据，(三)自动填补，结合实际情况通过公式计算。
对于离群点(即远离数据集中其余部分的数据)而言，由于这部分数据可能由随机因素产生，也可能是由不同机制产生，如何处理取决于离群点的产生原因以及应用目的，若是由随机因素产生，我们忽略或者剔除离群点，若是由不同机制产生，离群点就是应用的重点，无论是对离群点剔除还是重点研究应用，首先需要检测出离群点，具体检出方法可采用OneClassSVM、Isolation Forest、Local Outlier Factor等任意方式。
步骤二、数据转换：对数据进行采样处理、类型转换、归一化。
其中，采样是从特定的概率分布中抽取样本点的过程，采样的一个重要作用是处理不均衡数据集。
数据类型可以简单划分为数值型和非数值型，数值型包括连续型和离散型，非数值型包括类别型和非类别型，其中，类别型特征中若类别存在排序问题则为定序型，若不存在排序问题则为定类型；非类别型是字符串型；对于非数值型，需要进行类别转换，即将非数值型转换为数值型，以方便机器学习算法后续处理。
非数值型数据经过类别转换后，所有的数据均转为了数值型，为了消除数据特征之间的量纲影响，需要对特征进行归一化处理，使不同指标之间具有可比性。
步骤三、数据描述：根据需要计算统计量和对数据进行可视化描述。
其中，数据的一般性描述有均值、中位数、出现频率最高的元素、方差衡量数据集与其均值的偏离；数据之间的相关性可以使用相关性分析等方法进行度量；所有数据均可采用可视化方式进行描述。
步骤四、特征选择：当做特征分析的时候，可能属性非常多，但有些属性是不相关的，有些属性是重复的，所以需要用特征选择挑选出来最相关的属性，降低问题难度，具体可通过熵增益、分支定界等方式进行特征选择。
步骤五、特征抽取或降维：在学习训练过程中，数据通常需要表示为向量的形式进行训练，但是在对高维向量进行处理和分析时，会极大消耗系统资源，甚至产生维度灾难，因此，使用低维度的向量来表示高维度的向量就十分必要，特征抽取或降维即使用低维度向量表示高维度向量的方法。
在此基础上，本实施例中还基于局域均值分解方法进行数据处理，具体为LMD算法处理，首先应当理解，常规的EMD(Empirical Mode Decomposition，经验模态分解方法)算法用于分析处理波动性较大的非平稳、非线性信号，是直观的、直接的、后验的和自适应的，但是由于EMD是基于数据本身的一种分解，而不是基于事先设定好的基函数，因此其具有一个重要缺陷就在于模态混叠；而LMD算法作为自适应时频分析方法，能够很好解决模态混叠的问题。
LMD算法本质上是从原始信号中分离出纯调频信号和包络信号，将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF分量，循环处理至所有的PF分量分离出来，便可以得到原始信号的时频分布，实现数据有序可靠处理。
对于任意信号x(t)，其分解过程如下。
1)确定原始信号x(t)所有的局部极值点ni，计算相邻两个极值点ni和ni+1的平均值mi，即
将所有相邻两个极值点的平均值mi用折线连接，然后采用滑动平均法进行平滑处理，得到局部均值函数m11(t)。
2)采用局部极值点ni计算包络估计值ai，即
同样的，将所有相邻两个包络估计值ai用折线连接，然后采用滑动平均方法进行平滑处理，得到包络估计函数a11(t)。
3)将局部均值函数m11(t)从原始信号x(t)中分离出来，得到h11(t)＝x(t)-m11(t)。
4)用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调，得到
理想的，s11(t)是一个纯调频信号，即它的包络估计函数a12(t)满足a12(t)＝1，如果s11(t)不满足该条件，则将s11(t)作为原始数据重复以上迭代过程，到得到一个纯调频信号s11(t)，即s11(t)满足-1≤s11(t)≤1，它的包络估计函数a1(n+1)满足a1(n+1)(t)＝1，因此，h11(t)＝x(t)-m11(t)、h12(t)＝s11(t)-m12(t)、h1n(t)＝s1(n-1)(t)-m1n(t)，式中，
迭代终止的条件为：
在实际应用中，可以设定一个变动量Δ，当满足1-Δ≤a1n(t)≤1+Δ时，迭代终止。
5)把迭代过程中产生的所有包络估计函数相乘便可以得到包络信号(即瞬时幅值函数)：
6)将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到原始信号的第一个PF分量：PF1(t)＝a1(t)s1n(t)；其中，该分量包含了原始信号中最高的频率成分，是一个单分量的调幅-调频信号，其瞬时幅值就是包络信号a1(t)，其瞬时频率f1(t)则可由纯调频信号s1n(t)求出。
7)将第一个PF分量PF1从原始信号x(t)中分离出来，得到一个新的信号u1(t)，将u1(t)作为原始数据重复以上步骤，循环k次，直到uk(t)为一个单调函数为止：u1(t)＝x(t)-PF1(t)、u2(t)＝u1(t)-PF2(t)、uk(t)＝uk-1(t)-PFk(t)。
至此，将原始信号x(t)分解为k个PF分量和一个单调函数uk(t)之和，即：
将所有PF分量的瞬时幅值和瞬时频率组合便可以得到原始信号x(t)完整的时频分布。
在一种可能的实现方式中，基于完备数据集，采用Inception模块构建强化学习网络，通过强化学习网络改进训练参数包括：合并先前状态和当前输入状态，获取代理环境；基于代理环境构建状态集，并采样状态集中的最优状态，获得改进的训练参数；构建奖励函数。
环境、动作、奖励功能作为代理的三个关键因素，具体如下：
1)环境：先前状态ht-1和当前输入xt合并形成代理的环境st，
2)动作：在观察环境st之后，代理确定对于DRNN最佳的状态，在形式构造一个状态集sk，通过状态集sk保留最近获得的k状态，并且提前设置最大尺寸k，代理通过从多项分布πk(k|st)中对sk中的最优状态进行采样来采取措施，具体为：P＝softmax(MLP(st))、
其中，[k＝i]，若k＝i则求值为1，否则为0，MLP表示将st变换为具有维数k的向量的多层感知器，并且softmax函数用于将向量变换为概率分布p，pi是p中的第i个元素，将State1-k转移到DRNN单元以进行下一步计算。
3)奖励：合适的奖励函数可以指导代理选择一系列最佳跳过动作来训练更好的预测模型，通过奖励与环境相互作用，激励代理选择最佳跳过以提升模型性能，奖励函数为：
通过采取简化之后的Inception网络结构，在Inception模块中，每个时间步的隐藏状态向量被连接以构造隐藏状态矩阵，从当前和附近的隐藏状态向量生成一组优化的特征，因此，尽管在当前时间生成了不正确的隐藏状态向量，但是通过1-D初始化模块可以对其进行校正并将其发送到密集层，在通过1-D卷积初始模块之后，来自每个滤波器的隐藏状态向量被级联并分配给每个序列的密集层，依次输出未来24小时对应的预测值。
示例性的，基于改进的训练参数，采用DRNN构建深度学习网络包括：选择网络参数建立训练模型，网络参数包括输入输出层节点数、隐含层数；对训练模型进行DRNN训练和RNN训练，构建深度学习网络；
其中，DRNN训练包括：DRNN在给定输入上循环执行相同的迭代，其中，每个先前迭代的输出依次作为下一次迭代的输入；
RNN训练包括：将x值的输入序列映射到相应的顺序输出y，其中，训练过程从t＝1到t＝τ的每一个时间步长依次进行。
对于DRNN训练模型而言，首先需要对网络的参数进行选择，网络参数主要包括输入输出层节点数和隐含层数，具体的DRNN训练网络如图3所示。
选取的与负荷相关的数据决定了输入层节点数，最终的输出结果为预测日的总负荷值，输出节点一个；隐藏层节点数与隐藏层层数的选取一般采用试凑法，通过在训练中选取不同的节点数，比较预测结果，然后确定相对合适的隐含层节点数目与隐藏层层数，接着对模型进行训练，包括DRNN网络的前向传播与方向传播训练。
其中，DRNN训练通过循环地在给定输入上执行相同的功能，并保持先前迭代的输出在每次新迭代中使用，时间延迟单元需要保持输出并在下一个时间步骤反馈。
RNN将x值的输入序列映射到相应的顺序输出y，学习训练过程从t＝1到t＝τ每一个时间步长均需进行，对于时间步长t，lth层的RNN参数通过以下等式更新其共享状态：
al (t)＝bl+Wl·hl (t-1)+Ul·x(t)
hl (t)＝σ(a1 (t))
al (t)＝bl+Wl·hl (t-1)+Ul·hl-1 (t)
y(t)＝bN+WN·hN (t-1)+UN·hN (t)
式中，x(t)是第tth步的输入数据；y(t)是对应的预测结果；
为输出的真实值；hl (t)为tth层网络在时间t的共享状态；σ为激励函数，一般使用tanh函数；al (t)表示第l层在第t步循环时的输入特征。
进一步地，DRNN训练和RNN训练采用互信息理论对输入特征进行筛选、采用混沌粒子群算法进行参数更新；其中，采用混沌粒子群算法进行参数更新包括：种群初始化，设置内参；寻找个体最优以及全局最优；更新粒子速度和位置，更新权重；计算每个粒子的目标函数，保留群体中性能最好的粒子；对群体中性能最好的粒子进行混沌搜索，更新局部最佳点以及全局最佳点；当全局最优解达到要求时，输出结果。
采用互信息理论对输入特征进行筛选需要构建输入特征X与日总负荷Y的互信息定义：
式中，n、m分别为随机变量X、Y样本数量；随机变量X每种可能取值x的概率为p(x)；随机变量Y每种可能取值y的概率为p(y)；p(xi,yi)则为随机变量X、Y联合概率密度函数。
混沌粒子群算法的修正公式：vk+1＝wvk+c1r1(pb,k-xk)+c2r2(gb,k-xk)、xk+1＝xk+vk+1，式中，vk为粒子的速度矢量；xk为当前粒子的位置矢量；pb,k是为粒子本身所找到的最优解的位置；gb,k为整个种族目前找到的最优解的位置；r1、r2为0到1之间的伪随机数；w为惯性权重，c1、c2为加速度常数。
混沌粒子群算法中混沌变量为：
式中，μ是控制变量，当逻辑完全处于混沌状态时，μ＝5，该式为其映射出的混沌变量，最优解为：
其中，
为当前的局部最优解；zj,k是单位区间内的混沌矢量；ηj被称为调节参量。
在一种可能的实现方式中，可靠性分析和准确率分析之前包括：在工作机中搭建仿真运行场景，进行实验仿真；采集实验数据集，并将实验数据集按比例划分为训练集和测试集，其中，训练集用于进行模型训练，测试集用于对训练完成的模型进行验证测试集评估；建立预测网络评价指标，包括平均绝对百分误差和均方根误差。
实验仿真在高性能工作机中进行，仿真运行场景搭建如表1所示：
表1仿真实验运行场景
同时，基于深度强化学习模型的短期负荷预测网络的主要网络参数如表2所示：
表2预测网络模型参数
(a)DRNN网络
(b)混沌粒子群优化
实验数据集来源于某城市电网公司提供的2187个负荷的53154个实时负荷值作为研究对象，负荷的采样频率每小时采集一次，采样时间是2020年8月3日至2020年8月23日，期间共记录了每个负荷的20天的负荷曲线。
由于本发明实验数据集较大，因此将实验数据按比例划分为训练集与测试集，使用训练集数据将模型训练到较好水平，然后在预测集上进行验证测试，评估模型性能，其中，训练集和测试集比例按8：2进行划分。
为了验证本发明所提方法的有效性，选择了两种用于评判时序数列预测模型的评价指标，分别为平均绝对百分误差eMAPE和均方根误差eRMSE作为评价预测模型准确性的指标，其计算公式分别为：
式中，yi和yi *分别为第i个时刻的负荷需求实际值和负荷需求预测值；n为所有作为测试集的样本个数。
从计算公式中可以看到，eMAPE值代表了预测结果偏移的百分比，而eRMSE值代表了预测结果实际偏差的绝对值，eMAPE和eRMSE值越小说明预测效果越好。
示例性的，定性分析和量化分析均分别采用基于Wide&Deep-LSTM的深度学习短期负荷预测模型(以下简称参照方法1)，以及基于深层长短时记忆网络(Longshorttermmemory,LSTM)深度学习网络模型构建的负荷预测模型(简称参照方法2)作为对比对象。
所有方法均处于同一实验场景下进行性能分析后可以明显得出结论：采用LMD数据处理方法，可更好追踪电力负荷曲线，具有优秀的曲线拟合能力，究其原因在于，在网络模型训练前期通过LMD数据处理方法得到了可靠完备的数据支撑，更重要的是由于强化学习模型Inception模块的引入使得DRNN预测网络可实现更为快速准确的参数自适应变化，加之混合粒子群参数优化算法的应用，使得预测网络的自适性能力进一步加强，其直观表现则为更为快速和准确的负荷曲线追踪能力；而两种对比方法中的网络模型并没涉及预测网络参数的自适性调整，难以做到实时有效的负荷情况分析。
表3可更为直观表明本发明所提方法预测性能的优越性：
表3不同预测方法的量化分析结果
可见，本发明所提短期负荷预测方法平均绝对百分误差eMAPE和均方根误差eRMSE分别为10.01％和2.156MW，较参照方法1分别降低11.93％和1.659MW，较参照方法2降低15.16％和2.515MW，表现出更具出色的负荷预测性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能电网短期负荷预测方法，其特征在于，包括以下步骤：
获取负荷预测所需的基础数据集；
对获取的所述基础数据集进行预处理、LMD算法处理，获得完备数据集；
基于所述完备数据集，采用Inception模块构建强化学习网络，通过所述强化学习网络改进训练参数；
基于改进的所述训练参数，采用DRNN构建深度学习网络；
通过所述深度学习网络获取短期负荷预测模型并进行数据分析，其中，所述数据分析包括定性分析和量化分析。
2.如权利要求1所述的一种智能电网短期负荷预测方法，其特征在于，所述基于所述完备数据集，采用Inception模块构建强化学习网络，通过所述强化学习网络改进训练参数包括：
合并先前状态和当前输入状态，获取代理环境；
基于所述代理环境构建状态集，并采样所述状态集中的最优状态，获得改进的所述训练参数。
3.如权利要求2所述的一种智能电网短期负荷预测方法，其特征在于，所述基于所述代理环境构建状态集，并采样所述状态集中的最优状态，获得改进的所述训练参数之后还包括：构建奖励函数。
4.如权利要求1所述的一种智能电网短期负荷预测方法，其特征在于，所述基于改进的所述训练参数，采用DRNN构建深度学习网络包括：
选择网络参数建立训练模型，所述网络参数包括输入输出层节点数、隐含层数；
对所述训练模型进行DRNN训练和RNN训练，构建所述深度学习网络。
5.如权利要求4所述的一种智能电网短期负荷预测方法，其特征在于，所述DRNN训练包括：DRNN在给定输入上循环执行相同的迭代，其中，每个先前迭代的输出依次作为下一次迭代的输入；
所述RNN训练包括：将x值的输入序列映射到相应的顺序输出y，其中，训练过程从t＝1到t＝τ的每一个时间步长依次进行。
6.如权利要求5所述的一种智能电网短期负荷预测方法，其特征在于，所述DRNN训练和所述RNN训练采用互信息理论对输入特征进行筛选、采用混沌粒子群算法进行参数更新。
7.如权利要求6所述的一种智能电网短期负荷预测方法，其特征在于，所述采用混沌粒子群算法进行参数更新包括：
种群初始化，设置内参；
寻找个体最优以及全局最优；
更新粒子速度和位置，更新权重；
计算每个粒子的目标函数，保留群体中性能最好的粒子；
对群体中性能最好的粒子进行混沌搜索，更新局部最佳点以及全局最佳点；
当全局最优解达到要求时，输出结果。
8.如权利要求1所述的一种智能电网短期负荷预测方法，其特征在于，所述定性分析和所述量化分析之前包括：
在工作机中搭建仿真运行场景，进行实验仿真；
采集实验数据集，并将所述实验数据集按比例划分为训练集和测试集，其中，所述训练集用于进行模型训练，所述测试集用于对训练完成的模型进行验证测试集评估；
建立预测网络评价指标，包括平均绝对百分误差和均方根误差。
9.如权利要求8所述的一种智能电网短期负荷预测方法，其特征在于，所述定性分析包括：
分别采用基于Wide&Deep-LSTM的深度学习短期负荷预测模型、基于深层长短时记忆网络深度学习网络模型构建的负荷预测模型作为对比对象，进行定性分析。
10.如权利要求8所述的一种智能电网短期负荷预测方法，其特征在于，所述量化分析分析包括：
分别采用基于Wide&Deep-LSTM的深度学习短期负荷预测模型、基于深层长短时记忆网络深度学习网络模型构建的负荷预测模型作为对比对象，进行量化分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677523.6A CN114169645A (zh) | 2021-12-31 | 2021-12-31 | 一种智能电网短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677523.6A CN114169645A (zh) | 2021-12-31 | 2021-12-31 | 一种智能电网短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169645A true CN114169645A (zh) | 2022-03-11 |
Family
ID=80488938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111677523.6A Pending CN114169645A (zh) | 2021-12-31 | 2021-12-31 | 一种智能电网短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169645A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881343A (zh) * | 2022-05-18 | 2022-08-09 | 清华大学 | 基于特征选择的电力系统短期负荷预测方法及装置 |
| CN115294671A (zh) * | 2022-08-08 | 2022-11-04 | 杭州哲达科技股份有限公司 | 一种空压机出口压力预测方法和预测系统 |
| CN116126827A (zh) * | 2023-01-04 | 2023-05-16 | 三峡高科信息技术有限责任公司 | 一种同时实现电力生产数据建模与可视化分析的方法 |
| CN116780524A (zh) * | 2023-06-30 | 2023-09-19 | 陕西广林汇程能源科技有限公司 | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
| CN116780510A (zh) * | 2023-06-15 | 2023-09-19 | 国网湖北省电力有限公司黄石供电公司 | 电网互联及大电网安全稳定的自适应控制系统 |
-
2021
- 2021-12-31 CN CN202111677523.6A patent/CN114169645A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881343A (zh) * | 2022-05-18 | 2022-08-09 | 清华大学 | 基于特征选择的电力系统短期负荷预测方法及装置 |
| CN114881343B (zh) * | 2022-05-18 | 2023-11-14 | 清华大学 | 基于特征选择的电力系统短期负荷预测方法及装置 |
| CN115294671A (zh) * | 2022-08-08 | 2022-11-04 | 杭州哲达科技股份有限公司 | 一种空压机出口压力预测方法和预测系统 |
| CN116126827A (zh) * | 2023-01-04 | 2023-05-16 | 三峡高科信息技术有限责任公司 | 一种同时实现电力生产数据建模与可视化分析的方法 |
| CN116126827B (zh) * | 2023-01-04 | 2023-08-04 | 三峡高科信息技术有限责任公司 | 一种同时实现电力生产数据建模与可视化分析的方法 |
| CN116780510A (zh) * | 2023-06-15 | 2023-09-19 | 国网湖北省电力有限公司黄石供电公司 | 电网互联及大电网安全稳定的自适应控制系统 |
| CN116780524A (zh) * | 2023-06-30 | 2023-09-19 | 陕西广林汇程能源科技有限公司 | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
| CN116780524B (zh) * | 2023-06-30 | 2024-03-22 | 陕西广林汇程能源科技有限公司 | 一种基于lstm深度学习的工业企业短期负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| CN110414719B (zh) | 一种基于多变量灰色模型时间序列的车流量预测方法 | |
| Barak et al. | Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm | |
| Xie et al. | A hybrid adaptive time-delay neural network model for multi-step-ahead prediction of sunspot activity | |
| CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| Duan et al. | A hybrid EMD-AR model for nonlinear and non-stationary wave forecasting | |
| US20160140434A1 (en) | Method for pseudo-recurrent processing of data using a feedforward neural network architecture | |
| CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
| CN112364975A (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
| CN109583588B (zh) | 一种短期风速预测方法及系统 | |
| CN109242212A (zh) | 一种基于变模式分解与长短记忆网络的风电预测方法 | |
| CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
| CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
| CN106126910A (zh) | 基于马尔科夫状态转移模型的状态转换预测方法及系统 | |
| CN108898214A (zh) | 一种在线序列数据预测方法及装置 | |
| CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN109447333A (zh) | 一种基于不定长模糊信息粒的时间序列预测方法和装置 | |
| Nezzar et al. | Mid-Long Term Load Forecasting using Multi-Model Artificial Neural Networks. | |
| Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
| Hussein et al. | Multi-step-ahead chaotic time series prediction using coevolutionary recurrent neural networks | |
| Tyass et al. | Wind speed prediction based on statistical and deep learning models | |
| CN113783715B (zh) | 一种采用因果卷积神经网络的机会网络拓扑预测方法 |
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 |