CN114742258A - 可迁移的居民家庭用电负荷场景预测方法 - Google Patents
可迁移的居民家庭用电负荷场景预测方法 Download PDFInfo
- Publication number
- CN114742258A CN114742258A CN202210169208.0A CN202210169208A CN114742258A CN 114742258 A CN114742258 A CN 114742258A CN 202210169208 A CN202210169208 A CN 202210169208A CN 114742258 A CN114742258 A CN 114742258A
- Authority
- CN
- China
- Prior art keywords
- model
- flow
- source domain
- load data
- load
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013508 migration Methods 0.000 claims abstract description 22
- 230000005012 migration Effects 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 230000008014 freezing Effects 0.000 claims abstract description 5
- 238000007710 freezing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 34
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 102100035971 Molybdopterin molybdenumtransferase Human genes 0.000 claims description 2
- 101710119577 Molybdopterin molybdenumtransferase Proteins 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000001617 migratory effect Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 108090000672 Annexin A5 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种可迁移的居民家庭用电负荷场景预测方法,首先,为充分利用源域数据,通过引入灰色关联分析,根据源域与目标域的关联指标选择不同的源域家庭组成多源域家庭。然后采用模型迁移的方法,利用组成的多源域家庭,构建预训练模型。最后将预训练模型除最后一个单步流的其他单步流结构网络层参数冻结,并应用于目标域模型中,对最后一个单步流网络结构微调训练,构建小样本下的日前用电负荷预测模型。该方法有效解决小样本下的居民用电负荷预测效果不佳的问题,提高了模型的预测精度,同时也能减少模型的训练时间。
Description
技术领域
本发明属于负荷预测技术领域,具体涉及可迁移的居民家庭用电负荷场景预测方法。
背景技术
电力负荷预测作为电网规划中的重要组成部分,对于电力系统安全经济运行具有重大意义。精确的电力负荷预测,特别是短期电力负荷预测,有助于保障居民用电可靠和电网安全稳定运行,也能提升电力行业的经济效益,电力运营商需要随时确保电力生产与消耗之间的精确平衡。
现有研究提出了多种短期负荷预测方法,包括人工神经网络、支持向量机和多元回归模型等。但其中多为确定性预测方法,难以体现负荷的不确定性,这是需要解决的问题之一。另外,对居民用电负荷进行较准确的预测需要充足的数据支持。但部分家庭用电数据累积不足是负荷预测的常见问题,对仅具有少量负荷数据的家庭进行较为精确的负荷预测,需要一种新的解决方法。
发明内容
本发明采用可迁移的居民家庭用电负荷场景预测方法,克服部分家庭用电负荷数据累积少导致的预测误差较大的问题,可以提高居民家庭负荷的预测精度。
本发明所采用的技术方案是可迁移的居民家庭用电负荷场景预测方法,具体按照以下步骤实施:
步骤1、通过灰色关联分析源域家庭与目标域家庭负荷数据之间的关联度,构建多源域家庭负荷数据集,多源域家庭负荷数据和目标域家庭负荷数据比例为2:1;
步骤2、建立基于flow的条件生成模型,对基于flow的条件生成模型结构进行改进,得到reinforced-flow模型,利用多源域家庭负荷数据集训练reinforced-flow模型;
步骤3、冻结训练后reinforced-flow模型的部分单步流结构参数,利用目标域家庭负荷数据训练冻结部分单步流结构参数的reinforced-flow模型,微调未被冻结的单步流结构参数,得到目标域模型;
步骤4、采用目标域模型对居民家庭用电负荷场景预测。
本发明的特点还在于:
步骤1具体过程为:
参考序列与观察序列间某关联样本点的灰色关联系数计算公式为:
其中,ρ为0到1内取值的分辨系数,一般取0.5;
计算时间段内灰色关联系数的平均值,该值即为目标家庭E1和源域家庭Ei的关联度值:
其中,N表示采样次数;
设定关联度阈值,当计算得到的关联度值不高于关联度阈值时,则舍弃该源域家庭负荷数据,选择下一个源域家庭重复计算,当计算的关联度值高于关联度阈值时,将该源域家庭的负荷数据作为一组多源域家庭负荷数据,由多组多源域家庭负荷数据构成多源域家庭负荷数据集,多源域家庭负荷数据和目标域家庭负荷数据比例为2:1。
步骤2中具体过程为:
步骤2.1、在待预测日前一日历史负荷样本X的条件下,待预测日负荷样本Y的条件概率密度函数为pY|X(y|x),fθ表示参数化的双射函数,x,y分别为X,Y的一个样本点,将y作为输入,x作为y的条件输入,pZ表示标准高斯分布,z为潜在变量,建立基于flow的条件生成模型过程如下:
使得fθ(y;x)=z,fθ(z;x)-1=y,根据变量代换公式,y在x处的条件概率密度可表示为:
将公式写成对数表达式为:
采用最大似然估计法在来选择合适的θ值,以最大化上式Y的条件对数似然:
当从家庭负荷数据集中收集M个独立分布样本(x1,y1),…,(xM,yM),根据上一个公式,在该数据集上通过以下公式来训练基于flow的条件生成模型:
其中,在多源域训练集中给定一个待预测日负荷样本为yi,待预测日前一日历史负荷样本为xi;det(·)表示雅可比行列式;
在为基于flow条件生成模型构造参数化双射函数fθ时,为模型中每个仿射耦合层的缩放函数s(·)和平移函数t(·)提供了x作为额外输入,⊙表示矩阵元素乘积,给定输入y,仿射耦合层的输出如下所示:
h1:d=y1:d
hd+1:D=yd+1:D⊙exp(s(y1:d,x))+t(y1:d,x)
以上称为基于flow的条件生成模型;
步骤2.2、对基于flow的条件生成模型仿射耦合层结构进行改进,改进结构表示为:
h1:d=y1:d⊙exp(s(x))+t(x)
hd+1:D=yd+1:D⊙exp(s(y1:d,x))+t(y1:d,x)
x为输入参数,h为输出的预测值,y1:d为输入参数y后经缩放函数s(·)和平移函数t(·)得到的值;
将改进的基于flow的条件生成模型命名为reinforced-flow模型;与y1:d相关联的缩放函数s(·)和平移函数t(·)的输入只有条件输入x;
其中z是从标准多元高斯分布中取的任何样本,如果从标准多元高斯分布中取w个样本,能够产生w个未来住宅负荷的预测结果;
步骤2.3、将(xi,yi)作为一组独立训练样本,取M组样本(x1,y1),…,(xM,yM),训练reinforced-flow模型。
步骤3中具体过程为:
进行迁移学习,在reinforced-flow模型中有K个单步流结构,将源域中训练的reinforced-flow模型冻结前K-1个单步流结构参数,采用目标域数据训练部分冻结单步流结构参数的reinforced-flow模型,调整未被冻结的单步流结构参数,迁移得到目标域模型。
本发明的有益效果是:
本发明提出了一种可迁移的居民家庭用电负荷场景预测方法,采用部分源域家庭住宅用电负荷数据训练改进的基于flow的条件生成模型,然后进行模型迁移,能够解决目标域家庭用电负荷数据累积少导致的负荷预测误差大的问题。
附图说明
图1为本发明可迁移的居民家庭用电负荷场景预测方法流程图;
图2为本发明实施例的源域家庭与目标域家庭灰色关联分析结果;
图3为本发明实施例的基于flow的生成模型的体系结构;
图4为本发明实施例的多源域模型迁移的概念图;
图5为本发明实施例的不同目标域家庭训练模型的区间宽度;
图6为本发明实施例的迁移与非迁移训练的损失函数值和训练时间。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提出一种可迁移的居民家庭用电负荷场景预测方法,如图1所示,具体按照以下步骤实施:
参考序列与观察序列间某关联样本点的灰色关联系数计算公式为:
其中,ρ为0到1内取值的分辨系数,一般取0.5;
计算时间段内灰色关联系数的平均值,该值即为目标家庭E1和源域家庭Ei的关联度值:
其中,N表示采样次数;
设定关联度阈值,当计算得到的关联度值不高于关联度阈值时,则舍弃该源域家庭负荷数据,选择下一个源域家庭重复计算,当计算的关联度值高于关联度阈值时,将该源域家庭的负荷数据作为一组多源域家庭负荷数据,由多组多源域家庭负荷数据构成多源域家庭负荷数据集,多源域家庭负荷数据和目标域家庭负荷数据比例为2:1。
步骤2、建立基于flow的条件生成模型,对基于flow的条件生成模型结构进行改进,得到reinforced-flow模型,利用多源域家庭负荷数据集训练reinforced-flow模型,具体过程为:
步骤2.1、在待预测日前一日历史负荷样本X的条件下,待预测日负荷样本Y的条件概率密度函数为pY|X(y|x),fθ表示参数化的双射函数,x,y分别为X,Y的一个样本点,将y作为输入,x作为y的条件输入,pZ表示标准高斯分布,z为潜在变量,建立基于flow的条件生成模型过程如下:
使得fθ(y;x)=z,fθ(z;x)-1=y,根据变量代换公式,y在x处的条件概率密度可表示为:
将公式写成对数表达式为:
采用最大似然估计法在来选择合适的θ值,以最大化上式Y的条件对数似然:
当从家庭负荷数据集中收集M个独立分布样本(x1,y1),…,(xM,yM),根据上一个公式,在该数据集上通过以下公式来训练基于flow的条件生成模型:
其中,在多源域训练集中给定一个待预测日负荷样本为yi,待预测日前一日历史负荷样本为xi;det(·)表示雅可比行列式;
在为基于flow条件生成模型构造参数化双射函数fθ时,为模型中每个仿射耦合层的缩放函数s(·)和平移函数t(·)提供了x作为额外输入,⊙表示矩阵元素乘积,给定输入y,仿射耦合层的输出如下所示:
h1:d=y1:d
hd+1:D=yd+1:D⊙exp(s(y1:d,x))+t(y1:d,x)
以上称为基于flow的条件生成模型;在基于flow的条件生成模型的每个仿射耦合层中,只有一部分输出受到条件输入的影响。为了使输出对条件输入有更多的依赖性,在基于flow的条件生成模型中扩展了结构设计,得到了一种新的结构。具体地说保持不变的输入部分也会通过缩放函数s(·)和平移函数t(·)来得到输出。
步骤2.2、对基于flow的条件生成模型仿射耦合层结构进行改进,改进结构表示为:
h1:d=y1:d⊙exp(s(x))+t(x)
hd+1:D=yd+1:D⊙exp(s(y1:d,x))+t(y1:d,x)
x为输入参数,h为输出的预测值,y1:d为输入参数y后经缩放函数s(·)和平移函数t(·)得到的值;
将改进的基于flow的条件生成模型命名为reinforced-flow模型;与y1:d相关联的缩放函数s(·)和平移函数t(·)的输入只有条件输入x;
其中z是从标准多元高斯分布中取的任何样本,如果从标准多元高斯分布中取w个样本,能够产生w个未来住宅负荷的预测结果;
步骤2.3、将(xi,yi)作为一组独立训练样本,取M组样本(x1,y1),…,(xM,yM),训练reinforced-flow模型。
步骤3、进行迁移学习,在reinforced-flow模型中有K个单步流结构,将源域中训练的reinforced-flow模型冻结前K-1个单步流结构参数,采用目标域数据训练部分冻结单步流结构参数的reinforced-flow模型,调整未被冻结的单步流结构参数,迁移得到目标域模型。
步骤4、采用目标域模型进行对居民家庭用电负荷进行场景预测。
在本发明中,首先,通过灰色关联法分析源域家庭与目标域家庭负荷数据之间的关联度,构建多源域家庭负荷数据集;其次,利用多源域家庭负荷数据集训练基于flow的条件生成模型并优化得到reinforced-flow模型;然后,进行迁移学习,采用目标域数据训练部分冻结单步流结构参数的reinforced-flow模型,微调未被冻结的单步流结构参数,迁移得到目标域模型;最后采用目标域模型对小样本居民家庭用电负荷进行场景预测。该方法可以较好解决目标域家庭历史负荷用电数据不足导致负荷预测精度低的问题。
实施例
1.数据集的选取
本发明所使用的数据为某市2013年1月1日到2017年12月31日10个家庭的全部负荷用电数据,数据采样间隔为1h,每一个独立家庭具有43824组数据,每组数据包括功率值和日期,一天中24小时连续数据作为样本。
2.利用灰色关联分析建立多源域家庭负荷数据集
利用灰色关联计算源域家庭负荷数据与目标域家庭负荷数据之间的关联度如图2所示,根据关联值来建立多源域家庭负荷数据集。如图1所示,设立一个关联度阈值,当关联度值不高于关联度阈值时则舍弃该源域家庭数据,当关联度高于阈值时则保留该源域家庭,将所有高于阈值的源域家庭组成多源域家庭负荷数据集。
3.采用基于模型迁移的flow条件生成模型对历史负荷数据积累不足的小样本家庭进行负荷场景预测
图3为基于flow的条件生成模型的场景负荷预测示意图,对已有小样本家庭历史用电负荷进行场景预测。当前时刻为t,t时刻之前24h的历史负荷表示为向量X={xt-24,…,xt-1},对于t时刻后24h的待预测负荷表示为向量Y={yt+1,…,yt+24},(X,Y)构成基于flow的条件生成模型的训练样本,利用此样本数据生成未来24个时间点的场景预测。根据此方法,采用多源域家庭负荷数据集训练模型,如图4所示,在此模型的基础上进行知识迁移,将预训练模型中最后一个单步流结构网络层保留,其他单步流结构网络层参数冻结,再利用目标域家庭负荷数据对最后一个单步流网络结构参数进行微调训练,构建可迁移的日前家庭用电负荷预测模型。
4.评价指标
本实验结果是以预测区间的形式展示,因此采用区间覆盖概率(PredictionIntervals Coverage Probability,PICP)来评估预测结果的可靠性,即预测区间要尽可能的包含实际值;另外,采用预测区间的宽度(Power Interval Width,PIW)来评估预测结果的锐度。
预测区间1-α上的区间覆盖概率表示为
预测区间1-α上的功率区间宽度公式表示为:
在小样本情况下进行日前负荷预测可能会产生区间宽度较大,使得PICP值增大,难以完全有效判断模型的预测精度。因此,又引入均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)3个评价指标来比较模型在不同分位数下预测效果,公式分别表示如下:
5.实验结果分析
为了证明本发明所设计模型的有益效果,通过灰色关联分析舍弃一个家庭数据后,选取6个源域家庭2年的用电负荷数据组成多源域家庭负荷数据集,其他3个家庭负荷数据分别作为目标域数据进行测试,目标域家庭数据选取2年的家庭用电负荷数据。针对以上数据分别采用迁移方法和未迁移方法建立模型,并计算PIW值和不同分位数下的预测误差。结果如表1所示,为了计算50%PI下预测误差,将25%和75%分位数下的预测误差进行了比较,并计算了每个家庭迁移和未迁移模型预测结果的RMSE提升率。对于任何一个目标域家庭,迁移后模型的预测结果都好于未迁移模型预测结果。模型迁移之后基本能对单个家庭的用电负荷趋势做出较准确的预测。
为了更直观的比较每个目标域家庭的预测结果的PIW值,将模型迁移后的目标域模型记为TL-reinforced-flow,TL-reinforced-flow和reinforced-flow模型预测结果PIW值进行对比,如图5所示。
表1
本发明还比较了reinforced-flow模型在迁移的情况下与非迁移情况下的精度和训练时间,将模型使用训练集中的全部样本训练在相同的次数(epoch)下进行分析。具体结果图6所示,可以看出,TL-reinforced-flow模型的收敛速度明显更快,大约在200epochs就可以趋近收敛,而reinforced-flow需要400epoch才能趋近收敛。TL-reinforced-flow模型的训练速度也是明显快于reinforced-flow模型的。表明通过对条件flow生成模型迁移获得目标域模型不仅可以提升模型的预测准确度,还能缩减模型的训练时间。
Claims (4)
1.可迁移的居民家庭用电负荷场景预测方法,其特征在于,具体按照以下步骤实施:
步骤1、通过灰色关联分析源域家庭与目标域家庭负荷数据之间的关联度,构建多源域家庭负荷数据集,多源域家庭负荷数据和目标域家庭负荷数据比例为2:1;
步骤2、建立基于flow的条件生成模型,对基于flow的条件生成模型结构进行改进,得到reinforced-flow模型,利用多源域家庭负荷数据集训练reinforced-flow模型;
步骤3、冻结训练后reinforced-flow模型的部分单步流结构参数,利用目标域家庭负荷数据训练冻结部分单步流结构参数的reinforced-flow模型,微调未被冻结的单步流结构参数,得到目标域模型;
步骤4、采用目标域模型对居民家庭用电负荷场景预测。
2.根据权利要求1所述可迁移的居民家庭用电负荷场景预测方法,其特征在于,步骤1具体过程为:
参考序列与观察序列间某关联样本点的灰色关联系数计算公式为:
其中,ρ为0到1内取值的分辨系数,一般取0.5;
计算时间段内灰色关联系数的平均值,该值即为目标家庭E1和源域家庭Ei的关联度值:
其中,N表示采样次数;
设定关联度阈值,当计算得到的关联度值不高于关联度阈值时,则舍弃该源域家庭负荷数据,选择下一个源域家庭重复计算,当计算的关联度值高于关联度阈值时,将该源域家庭的负荷数据作为一组多源域家庭负荷数据,由多组多源域家庭负荷数据构成多源域家庭负荷数据集,多源域家庭负荷数据和目标域家庭负荷数据比例为2:1。
3.根据权利要求1所述可迁移的居民家庭用电负荷场景预测方法,其特征在于,步骤2中具体过程为:
步骤2.1、在待预测日前一日历史负荷样本X的条件下,待预测日负荷样本Y的条件概率密度函数为pY|X(y|x),fθ表示参数化的双射函数,x,y分别为X,Y的一个样本点,将y作为输入,x作为y的条件输入,pZ表示标准高斯分布,z为潜在变量,建立基于flow的条件生成模型过程如下:
使得fθ(y;x)=z,fθ(z;x)-1=y,根据变量代换公式,y在x处的条件概率密度可表示为:
将公式写成对数表达式为:
采用最大似然估计法在来选择合适的θ值,以最大化上式Y的条件对数似然:
当从家庭负荷数据集中收集M个独立分布样本(x1,y1),…,(xM,yM),根据上一个公式,在该数据集上通过以下公式来训练基于flow的条件生成模型:
其中,在多源域训练集中给定一个待预测日负荷样本为yi,待预测日前一日历史负荷样本为xi;det(·)表示雅可比行列式;
在为基于flow条件生成模型构造参数化双射函数fθ时,为模型中每个仿射耦合层的缩放函数s(·)和平移函数t(·)提供了x作为额外输入,⊙表示矩阵元素乘积,给定输入y,仿射耦合层的输出如下所示:
h1:d=y1:d
hd+1:D=yd+1:D⊙exp(s(y1:d,x))+t(y1d,x)
以上称为基于flow的条件生成模型;
步骤2.2、对基于flow的条件生成模型仿射耦合层结构进行改进,改进结构表示为:
h1:d=y1:d⊙exp(s(x))+t(x)
hd+1:D=yd+1:D⊙exp(s(y1:d,x))+t(y1:d,x)
x为输入参数,h为输出的预测值,y1:d为输入参数y后经缩放函数s(·)和平移函数t(·)得到的值;
将改进的基于flow的条件生成模型命名为reinforced-flow模型;与y1:d相关联的缩放函数s(·)和平移函数t(·)的输入只有条件输入x;
其中z是从标准多元高斯分布中取的任何样本,如果从标准多元高斯分布中取w个样本,能够产生w个未来住宅负荷的预测结果;
步骤2.3、将(xi,yi)作为一组独立训练样本,取M组样本(x1,y1),…,(xM,yM),训练reinforced-flow模型。
4.根据权利要求1所述可迁移的居民家庭用电负荷场景预测方法,其特征在于,步骤3中具体过程为:
进行迁移学习,在reinforced-flow模型中有K个单步流结构,将源域中训练的reinforced-flow模型冻结前K-1个单步流结构参数,采用目标域数据训练部分冻结单步流结构参数的reinforced-flow模型,调整未被冻结的单步流结构参数,迁移得到目标域模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169208.0A CN114742258B (zh) | 2022-02-23 | 2022-02-23 | 可迁移的居民家庭用电负荷场景预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169208.0A CN114742258B (zh) | 2022-02-23 | 2022-02-23 | 可迁移的居民家庭用电负荷场景预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742258A true CN114742258A (zh) | 2022-07-12 |
CN114742258B CN114742258B (zh) | 2022-11-29 |
Family
ID=82274850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210169208.0A Active CN114742258B (zh) | 2022-02-23 | 2022-02-23 | 可迁移的居民家庭用电负荷场景预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742258B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
US20180197111A1 (en) * | 2015-10-28 | 2018-07-12 | Fractal Industries, Inc. | Transfer learning and domain adaptation using distributable data models |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN112257787A (zh) * | 2020-10-23 | 2021-01-22 | 天津大学 | 基于生成式双重条件对抗网络结构的图像半监督分类方法 |
CN112613666A (zh) * | 2020-12-26 | 2021-04-06 | 福建维力能源科技有限公司 | 一种基于图卷积神经网络和迁移学习的电网负荷预测方法 |
-
2022
- 2022-02-23 CN CN202210169208.0A patent/CN114742258B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
US20180197111A1 (en) * | 2015-10-28 | 2018-07-12 | Fractal Industries, Inc. | Transfer learning and domain adaptation using distributable data models |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN112257787A (zh) * | 2020-10-23 | 2021-01-22 | 天津大学 | 基于生成式双重条件对抗网络结构的图像半监督分类方法 |
CN112613666A (zh) * | 2020-12-26 | 2021-04-06 | 福建维力能源科技有限公司 | 一种基于图卷积神经网络和迁移学习的电网负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
刘世昌 等: "多尺度分析与数据互迁移相结合的短期电力负荷预测方法", 《计算机科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114742258B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Kani et al. | Very short-term wind speed prediction: A new artificial neural network–Markov chain model | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN109242169B (zh) | 一种面向电力大客户的短期负荷预测方法 | |
Xie et al. | A novel deep interval prediction model with adaptive interval construction strategy and automatic hyperparameter tuning for wind speed forecasting | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
Mokarram et al. | Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
CN114757416A (zh) | 一种基于定额法的需水预测方法及系统 | |
CN109146191B (zh) | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 | |
CN117424208A (zh) | 一种综合缺失数据的概率光伏发电预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN114742258B (zh) | 可迁移的居民家庭用电负荷场景预测方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN112819244B (zh) | 一种基于气象因子的rf-hw水质指标混合预测方法 | |
CN112417768B (zh) | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 | |
Viana et al. | Load forecasting benchmark for smart meter data | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |