CN114239934A - 一种基于生成式对抗网络的电网负荷序列预测方法及系统 - Google Patents

一种基于生成式对抗网络的电网负荷序列预测方法及系统 Download PDF

Info

Publication number
CN114239934A
CN114239934A CN202111463129.2A CN202111463129A CN114239934A CN 114239934 A CN114239934 A CN 114239934A CN 202111463129 A CN202111463129 A CN 202111463129A CN 114239934 A CN114239934 A CN 114239934A
Authority
CN
China
Prior art keywords
sequence
data
power load
future
prediction
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
Application number
CN202111463129.2A
Other languages
English (en)
Inventor
陈雄杰
徐春生
张春平
叶志刚
陈文龙
房洪甲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nari Information and Communication Technology Co
Original Assignee
Nari Information and Communication Technology Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nari Information and Communication Technology Co filed Critical Nari Information and Communication Technology Co
Priority to CN202111463129.2A priority Critical patent/CN114239934A/zh
Publication of CN114239934A publication Critical patent/CN114239934A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于生成式对抗网络的电力负荷序列预测方法及系统，该方法通过对影响电网负荷的气象温湿度和经济数据以及电力负荷数据进行lstm编码，并使生成式对抗网络以纯数据驱动的方式学习相关因素之间的耦合作用，最后使用LSTM解码器输出未来序列预测值。本发明能够准确进行电网负荷预测效果，解决了电网负荷预测序列单一，时间步长短，精度低等问题。

Description

一种基于生成式对抗网络的电网负荷序列预测方法及系统
技术领域
本发明涉及一种基于生成式对抗网络的电力负荷序列预测方法及系统，属于电网负荷序列预测技术领域。
背景技术
可靠的和准确的负荷预测有助于实现智能建筑和智能电网的动态规划，实施有针对性的需求响应策略和电力设施投资。提高负荷预测的精度多年来一直是人们研究的重点。由于负荷特性容易受多种因素影响，且其变化并不呈现明显的规律性，传统的负荷特性分析方法只是选取了一种因素对负荷特征的影响，针对单个因素与负荷特性之间的单一映射分析，没有考虑用电负荷与主要影响因素之间的联系，导致负荷特性的分析不够准确，准确性较低，对负荷预测以及用电计划的制定造成影响。
深度学习方法能够更好的处理负荷数据的波动性、随机性等问题，在一定程度上提高了对电网负荷预测的精度。但目前负荷预测应用多在构建模型之前对预测样本进行筛选，利用相似性筛选出训练样本，导致未被选中样本所包含信息的丢失；预测结果的精度以带受所筛选样本的影响，当筛选样本不准确时，导致预测精度的下降，对分布变化较快的负荷数据，无法满足负荷预测要求。
发明内容
本发明的目的在于提供一种基于生成式对抗网络的电力负荷序列预测方法及系统，解决电网负荷预测序列单一，时间步长短，精度低等问题。
为实现上述目的，本发明采用的技术方案是：
本发明提供一种基于生成式对抗网络的电力负荷序列预测方法，包括：
以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值；
对未来序列的预测值进行筛选得到最佳预测序列。
进一步的，所述以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值，包括：
采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量
Figure BDA0003389382620000011
将得到的向量
Figure BDA0003389382620000012
进行LSTM编码，得到：
Figure BDA0003389382620000021
对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量Pi；
对
Figure BDA0003389382620000022
和Pi进行解码得到未来序列的预测值：
Figure BDA0003389382620000023
Figure BDA0003389382620000024
Figure BDA0003389382620000025
Figure BDA0003389382620000026
其中，φ(.)是具有非线性的嵌入函数，
Figure BDA0003389382620000027
分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，
Figure BDA0003389382620000028
为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，Wee和Wed均为嵌入权重，Wencoder为LSTM权重，N为样本个数。
进一步的，还包括：
以未来序列的预测值和样本数据构成的真实序列为输入输入至生成式对抗网络的鉴别器，基于判别结果对生成式对抗网络各权重参数进行更新调整。
进一步的，所述对未来序列的预测值进行筛选得到最佳预测序列，包括：
基于如下多样性损失函数得到最佳预测序列：
Figure BDA0003389382620000029
其中，Yi表示真实序列，
Figure BDA00033893826200000210
为预测序列，k表示随机抽样得到的k个输出预测值。
本发明还提供一种基于生成式对抗网络的电力负荷序列预测系统，包括生成式对抗网络和输出模块，
所述生成式对抗网络包括生成器和鉴别器；
所述生成器包括编码器，统筹层和解码器；
所述编码器用于基于LSTM单元对气象温湿度、经济数据和电力负荷数据进行编码；
所述统筹层用于对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量；
所述解码器用于对LSTM编码数据和集合张量进行解码，输出未来序列的预测值；
所述鉴别器用于基于所述生成器输出未来序列的预测值和样本数据构成的真实序列进行判别，优化调整生成式对抗网络的各权重参数；
所述输出模块用于对未来序列的预测值进行筛选得到最佳预测序列。
进一步的，所述编码器具体用于，
采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量
Figure BDA0003389382620000031
将得到的向量
Figure BDA0003389382620000032
输入至LSTM单元，得到：
Figure BDA0003389382620000033
其中，φ(.)是具有非线性的嵌入函数，
Figure BDA0003389382620000034
分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，Wee为嵌入权重，Wencoder为LSTM权重。
进一步的，所述解码器具体用于，
对
Figure BDA0003389382620000035
和集合张量进行解码如下：
Figure BDA0003389382620000036
Figure BDA0003389382620000037
Figure BDA0003389382620000038
Figure BDA0003389382620000039
其中，
Figure BDA00033893826200000310
为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，Pi为第i个样本的集合张量，Wed为嵌入权重，N为样本个数。
进一步的，所述输出模块具体用于，
基于如下多样性损失函数得到最佳预测序列：
Figure BDA00033893826200000311
其中，Yi表示真实序列，
Figure BDA00033893826200000312
为预测序列，k表示随机抽样得到的k个输出预测值。
本发明的有益效果为：
本发明提供一种基于生成式对抗网络的电力负荷序列预测方法，对影响电网负荷的气象温湿度，经济数据和电力负荷进行lstm编码，并在生成式对抗网络隐空间内提出一种新的交互模型，使网络能够准确表达气象温湿度、经济数据与电力负荷之间的映射关系，从而准确进行电网负荷预测效果。解决了电网负荷预测序列单一，时间步长短，精度低等问题。
附图说明
图1为本发明提出的生成式对抗网络网络结构图；
图2为本发明实施例提供的一种基于生成式对抗网络的电力负荷序列预测方法流程图。
具体实施方式
下面对本发明作进一步描述。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发明的保护范围。
本发明提供一种基于生成式对抗网络的电力负荷序列预测方法，通过对影响负荷的相关因素之间的交互作用进行建模，以及联合预测样本中所有预测单元的序列，提出一种基于生成式对抗网络GAN的编码-解码架构，对影响电网负荷的气象温湿度，经济数据和电力负荷进行lstm编码，并在隐空间内提出一种新的交互模型，最后使用LSTM解码器得到电网负荷预测结果作为GAN网络判别器的输入。通过纯数据驱动的方式训练网络学习相关因素之间的耦合作用，使网络能够准确表达气象温湿度、经济数据与电力负荷之间的映射关系，从而准确进行电网负荷预测效果。
一种基于生成式对抗网络的电力负荷序列预测方法，包括：
以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值；
对未来序列的预测值进行筛选得到最佳预测序列。
本发明的一个优选的实施例提供的一种基于生成式对抗网络的电力负荷序列预测方法，参见图2，具体如下：
步骤一，定义变量。影响电网负荷因素包括的气象温湿度Te与经济数据Ec，选取这两类影响电网负荷的因素以及电力负荷数据Lo作为网络变量X＝[Te,Ec,Lo]。
将样本已知信息从时间步长t＝1,...,tobs开始，定义N个样本X＝X1,X2,...,XN，
Figure BDA0003389382620000041
下标i表示第i个样本，上标t表示时间。
从时间步长t＝tobs+1,...,tpred，定义未来序列为：
Figure BDA0003389382620000042
用
Figure BDA0003389382620000043
表示未来序列预测值。
步骤二，构建生成式对抗网络GAN。GAN由两个相互对立训练的神经网络组成。这两种敌对训练模型：一个生成模型G用来捕捉数据分布，一个判别模型D用来估计样本来自训练数据而不是G的概率。生成模型G以一个潜在变量z作为输入，输出样本G(z)。判别模型D以一个样本x作为输入，并输出表示其真实概率的D(x)。训练目标函数如下：
Figure BDA0003389382620000044
GAN可以通过提供带有附加干扰因素作为输入c的生成器和鉴别器，产生G(z,c)和D(x,c)。
步骤三，设计模型框架。生成模型可以与时间序列数据一起使用，以模拟未来序列概率。
参见图1，模型主要由两个部分构成，包括生成器(GENERATOR)和判别器(DISCRIMINATOR)。在生成器中最关键的组件为统筹模块。生成器基于编解码框架，通过统筹模块将编解码器的隐藏状态连接起来。
判别器输入包括输入序列Xi和未来预测
Figure BDA0003389382620000051
(或者Yi)的整个序列，并将它们分类为“真/假”。
具体如下：
生成器。首先用单层MLP嵌入负荷值，得到一个固定长度的向量
Figure BDA0003389382620000052
这些嵌入被用作在时间t时输入到编码器的LSTM单元，引入以下递归：
Figure BDA0003389382620000053
Figure BDA0003389382620000054
其中，φ(.)是具有非线性的嵌入函数，Wee是嵌入权重，Wencoder是样本中所有预测单元之间共享的LSTM权重。
统筹层。每个样本单元(一组气象温湿度和经济数据为一个样本单元)用一个LSTM无法捕捉到相关因素之间的交互。编码器了解每个区域的状态并记忆他们的历史序列。为综合来自不同编码者的信息以有效地预测相关性，在本发明中，通过一个统筹模块对相关因素之间的交互进行建模。
在tobs之后隐藏了现场所有样本的状态，将tobs之前的样本集合，得到了每个样本的集合张量Pi。为了在多样本实现同时预测，需要在LSTM之间共享信息机制。然而，需要解决以下问题：(1)由于全局具有大量变化的预测单元群，需要一个综合所有样本的信息的简洁的表示。(2)预测单元信息多而杂，仅综合一处地方的信息并不足够的，因此，需要对全局配置进行建模。相关因素统筹通过提出基于网格的统筹方案解决了第一个问题，但这种手动的解决方案速度慢，无法捕捉全局环境。通过在输入点集的变换元素上应用通过训练形成的对称函数，可以实现上述性质。
解码器。传统的GANs是以噪声为输入，生成样本。然而，本发明的目标是产生与过去一致的未来情景。为实现这一目标，通过初始化解码器的隐藏状态，将生成器的输出序列的生成条件设定为：
Figure BDA0003389382620000055
Figure BDA0003389382620000056
式中，
Figure BDA0003389382620000057
为输出序列，γ(.)是具有ReLU非线性的多层感知器(MLP)，Wc是嵌入权重，z是影响样本输出结果的潜在因素，现实中会存在一些扰动因素。
在如上所述初始化解码器状态之后，得到一个固定长度的向量
Figure BDA0003389382620000061
可以获得如下序列预测：
Figure BDA0003389382620000062
Figure BDA0003389382620000063
Figure BDA0003389382620000064
Figure BDA0003389382620000065
其中，φ(.)是一个具有ReLU非线性的嵌入函数，Wed作为嵌入权重，Wdecoder表示LSTM权重。
鉴别器。鉴别器由一个单独的编码器组成。
具体地说，鉴别器将Treal＝[Xi,Yi]或
Figure BDA0003389382620000066
作为输入，并将它们分类为真/假。本发明中对编码器的最后一个隐藏状态应用MLP来进行分类。理想情况下，鉴别器会学习预测单元交互的规则，并将不满足交互规则的序列归类为“假”。除了对抗性损失外，本发明在生成的样本与真实数据的预测序列上应用L2损失。
步骤四：序列预测。
在有限的过去历史中，模型必须考虑多种可能的结果。到目前为止描述的方法产生了良好的预测，但是这些预测试图在可能有多个输出的情况下产生“平均”预测。此外，我们发现输出对噪声的变化不太敏感，并且产生了非常相似的预测。因此本发明提出一个多样性损失函数，鼓励网络产生不同的样本。对于每个样本，通过从N(0,1)中随机抽样来生成k个可能的输出预测，并选择L2意义上的“最佳”预测作为最终的预测：
Figure BDA0003389382620000067
其中，k是一个超参数。
通过只考虑最佳序列，这种损失鼓励网络对冲自己的选择，并覆盖符合过去序列的输出空间损失。在结构上类似于N之上的最小值(MoN)损失。本发明报告了两个误差度量：平均位移误差(ADE)和最终位移误差(FDE)。本发明始终优于最先进的S-LSTM方法，尤其适用于长期预测(越低越好)。在解码器和编码器模型中，使用LSTM作为RNN。编码器和解码器的隐藏状态维数分别为16和32。将输入坐标作为16维向量嵌入。使用初始学习率为0.001的Adam迭代训练批量大小为64，适用于200个迭代的生成器和鉴别器。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，包括：
以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值；
对未来序列的预测值进行筛选得到最佳预测序列。
2.根据权利要求1所述的一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，所述以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值，包括：
采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量
Figure FDA0003389382610000011
将得到的向量
Figure FDA0003389382610000012
进行LSTM编码，得到：
Figure FDA0003389382610000013
对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量Pi；
对
Figure FDA0003389382610000014
和Pi进行解码得到未来序列的预测值：
Figure FDA0003389382610000015
Figure FDA0003389382610000016
Figure FDA0003389382610000017
Figure FDA0003389382610000018
其中，φ(.)是具有非线性的嵌入函数，
Figure FDA0003389382610000019
分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，
Figure FDA00033893826100000110
为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，Wee和Wed均为嵌入权重，Wencoder为LSTM权重，N为样本个数。
3.根据权利要求2所述的一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，还包括：
以未来序列的预测值和样本数据构成的真实序列为输入输入至生成式对抗网络的鉴别器，基于判别结果对生成式对抗网络各权重参数进行更新调整。
4.根据权利要求1所述的一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，所述对未来序列的预测值进行筛选得到最佳预测序列，包括：
基于如下多样性损失函数得到最佳预测序列：
Figure FDA00033893826100000111
其中，Yi表示真实序列，
Figure FDA0003389382610000021
为预测序列，k表示随机抽样得到的k个输出预测值。
5.一种基于生成式对抗网络的电力负荷序列预测系统，其特征在于，包括生成式对抗网络和输出模块，
所述生成式对抗网络包括生成器和鉴别器；
所述生成器包括编码器，统筹层和解码器；
所述编码器用于基于LSTM单元对气象温湿度、经济数据和电力负荷数据进行编码；
所述统筹层用于对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量；
所述解码器用于对LSTM编码数据和集合张量进行解码，输出未来序列的预测值；
所述鉴别器用于基于所述生成器输出未来序列的预测值和样本数据构成的真实序列进行判别，优化调整生成式对抗网络的各权重参数；
所述输出模块用于对未来序列的预测值进行筛选得到最佳预测序列。
6.根据权利要求5所述的一种基于生成式对抗网络的电力负荷序列预测系统，其特征在于，所述编码器具体用于，
采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量
Figure FDA0003389382610000022
将得到的向量
Figure FDA0003389382610000023
输入至LSTM单元，得到：
Figure FDA0003389382610000024
其中，φ(.)是具有非线性的嵌入函数，
Figure FDA0003389382610000025
分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，Wee为嵌入权重，Wencoder为LSTM权重。
7.根据权利要求6所述的一种基于生成式对抗网络的电力负荷序列预测系统，其特征在于，所述解码器具体用于，
对
Figure FDA0003389382610000026
和集合张量进行解码如下：
Figure FDA0003389382610000027
Figure FDA0003389382610000028
Figure FDA0003389382610000029
Figure FDA00033893826100000210
其中，
Figure FDA00033893826100000211
为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，Pi为第i个样本的集合张量，Wed为嵌入权重，N为样本个数。
8.根据权利要求5所述的一种基于生成式对抗网络的电力负荷序列预测系统，其特征在于，所述输出模块具体用于，
基于如下多样性损失函数得到最佳预测序列：
Figure FDA0003389382610000031
其中，Yi表示真实序列，
Figure FDA0003389382610000032
为预测序列，k表示随机抽样得到的k个输出预测值。
CN202111463129.2A 2021-12-02 2021-12-02 一种基于生成式对抗网络的电网负荷序列预测方法及系统 Pending CN114239934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111463129.2A CN114239934A (zh) 2021-12-02 2021-12-02 一种基于生成式对抗网络的电网负荷序列预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111463129.2A CN114239934A (zh) 2021-12-02 2021-12-02 一种基于生成式对抗网络的电网负荷序列预测方法及系统

Publications (1)

Publication Number Publication Date
CN114239934A true CN114239934A (zh) 2022-03-25

Family

ID=80752854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111463129.2A Pending CN114239934A (zh) 2021-12-02 2021-12-02 一种基于生成式对抗网络的电网负荷序列预测方法及系统

Country Status (1)

Country Link
CN (1) CN114239934A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091779A (zh) * 2023-04-07 2023-05-09 湖北一方科技发展有限责任公司 一种基于水文数据进行预测的方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091779A (zh) * 2023-04-07 2023-05-09 湖北一方科技发展有限责任公司 一种基于水文数据进行预测的方法及系统

Similar Documents

Publication Publication Date Title
CN111191841B (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN111950810B (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
CN111553543A (zh) 基于TPA-Seq2Seq的电力负荷预测方法及相关组件
CN110633859B (zh) 一种两阶段分解集成的水文序列预测方法
CN112508265A (zh) 面向业务流程管理的时间与活动多任务预测方法及系统
CN116187555A (zh) 基于自适应动态图的交通流预测模型构建方法及预测方法
CN112163715A (zh) 生成式对抗网络的训练方法及装置、电力负荷预测方法
CN112288137A (zh) 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置
CN114004430B (zh) 一种风速预报方法和系统
Zhu et al. Parallel interaction spatiotemporal constrained variational autoencoder for soft sensor modeling
CN112990530B (zh) 区域人口数量预测方法、装置、电子设备和存储介质
CN114239934A (zh) 一种基于生成式对抗网络的电网负荷序列预测方法及系统
Cavalcanti et al. Production system efficiency optimization using sensor data, machine learning-based simulation and genetic algorithms
Tyass et al. Wind speed prediction based on statistical and deep learning models
Liu et al. Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method
CN116933037A (zh) 一种基于多模型融合的光伏出力预测方法及相关装置
CN114385619B (zh) 一种多通道海洋观测时序标量数据缺失值预测方法及系统
CN113300884B (zh) 一种基于gwo-svr的分步网络流量预测方法
Al Haromainy et al. Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data
CN116415700A (zh) 一种结合人工智能的风能数值预报方法及其装置
CN113191527A (zh) 一种基于预测模型进行人口预测的预测方法及装置
CN112667394A (zh) 一种计算机资源利用率优化方法
CN111626472A (zh) 一种基于深度混合云模型的场景趋势判断指标计算系统及方法
KR20210020442A (ko) 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘
CN116362300B (zh) 区域电网异常扰动数量预测方法、装置、介质及电子设备

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