CN114861967A - 一种电力负荷预测方法、系统、装置及存储介质 - Google Patents
一种电力负荷预测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114861967A CN114861967A CN202210257379.9A CN202210257379A CN114861967A CN 114861967 A CN114861967 A CN 114861967A CN 202210257379 A CN202210257379 A CN 202210257379A CN 114861967 A CN114861967 A CN 114861967A
- Authority
- CN
- China
- Prior art keywords
- power load
- data
- periodic
- input matrix
- time
- 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 50
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 230000000737 periodic effect Effects 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000002123 temporal effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷预测方法、系统、装置及存储介质,属于电力负荷预测技术领域,所述方法包括:获取历史电力负荷数据;对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的引入了注意力机制的门控循环单元中提取周期特征;将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷;提升电力负荷预测的准确度。
Description
技术领域
本发明涉及一种电力负荷预测方法、系统、装置及存储介质,属于电力负荷预测技术领域。
背景技术
随着经济的不断发展,人民的生活质量不断上升,社会对电力的需求也就不断增大,电力负荷预测的目的就是为电力部门生产发电提供相关依据,因此,对电力负荷进行预测意义重大。
准确的电力负荷预对电网运作方式提供了相应的参考;电力负荷预测按照时间的长短,可以分成中期和短期预测,设计围绕短期的电力负荷预测来展开;短期的电力负荷预测相对于中长期更加具有意义,精准的短期电力负荷预测可以合理安排电力系统中各种设备的维护,同时有利于节省煤、油等能源;这正符合现在所倡导的建设节能型社会。短期的负荷预测为相关的电力部门制定电价提供了参考,电价的制订与未来用电负荷息息相关;因此,准确的电力负荷预测可以为电力部门制定更加低廉的电价,提高企业的竞争力;因此,不论从经济、社会安全还是社会发展角度来讲,对短期电力负荷进行预测意义重大,但目前没有一个成熟可靠的电力负荷预测方法能够得到精准的电力负荷预测数据。
发明内容
本发明的目的在于提供一种电力负荷预测方法、系统、装置及存储介质,提升电力负荷预测的准确度。
为实现以上目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种电力负荷预测方法,包括:
获取历史电力负荷数据;
对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的引入了注意力机制的门控循环单元中提取周期特征;
将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
结合第一方面,进一步的,对历史电力负荷数据进行预处理,包括对历史电力负荷数据进行最大最小归一化处理,得到预处理数据,最大最小归一化处理计算公式如下:
y=(x-Xmin)/(Xmax-Xmin)
其中,Xmax和Xmin分别表示历史电力负荷数据的最大值和最小值,x为某个时刻的电力负荷数据,y为x最大最小归一化之后的电力负荷数据。
结合第一方面,进一步的,利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征,包括:
使用卷积神经网络中的一维卷积层处理电力负荷输入矩阵中的每一行元素,通过滑动一维卷积层的卷积核获取不同监测点的空间特征,具体如下:
ai=f(Waxi+ab)
其中,ai表示第i个卷积核在滑动过程中提取的局部特征,Wa表示卷积核处理输入的权重,ab为偏置项,xi表示第i个卷积核对应的输入,f表示Leaky Relu激活函数。
结合第一方面,进一步的,所述门控循环单元的计算过程包括:
zt=(Wzxt+UzSt-1+bz)
rt=σ(Wrxt+UrSt-1+br)
S't=tanh(WSxt+US(rt⊙St-1)+bs)
St=(1-zt)⊙St-1+zt⊙S't
其中,zt和rt分别表示更新门和重置门, xt表示t时刻输入的特征向量,St-1表示门控循环单元在t-1时刻的隐藏状态,σ表示Sigmoid激活函数,St表示门控循环单元在t时刻的隐藏状态,S't表示St的候选状态,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wz、Uz、bz、Wr、Ur、br、WS、US、bs是待学习的参数。
结合第一方面,进一步的,在门控循环单元中引入注意力机制,包括对门控循环单元的输出采用以下注意力机制公式进行处理:
et=vetanh(WeSt+be)
其中,et表示t时刻门控循环单元的输出St对应的注意力评分值,tanh表示双曲正切激活函数,T表示时刻总个数,𝛼t表示et进行Softmax归一化后得到的权重系数,c表示电路负荷特征,Si表示门控循环单元在i时刻的隐藏状态,ve、We、be表示待学习的参数,ei表示i时刻门控循环单元的输出对应的注意力评分值,𝛼i表示ei进行Softmax归一化后得到的权重系数。
结合第一方面,进一步的,利用预处理数据构建电力负荷输入矩阵,包括:
结合第一方面,进一步的,所述周期输入矩阵通过以下方法构建:
利用历史电力负荷数据的周期特性将历史电力负荷数据构建为周期输入矩阵。
第二方面,本发明还提供了一种电力负荷预测系统,包括:
数据获取模块:用于获取历史电力负荷数据;
数据预处理模块:用于对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
空间特征提取模块:用于利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
时间特征提取模块:用于将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
周期特征提取模块:用于利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的门控循环单元中提取周期特征;
预测模块:用于将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
第三方面,本发明还提供了一种电力负荷预测装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面任一项所述方法的步骤。
第四方面,本发明还提供了计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果是:
本发明提供的一种电力负荷预测方法、系统、装置及存储介质,对历史电力负荷数据预处理后得到预处理数据,再利用其构建电力负荷输入矩阵,该电力负荷输入矩阵是二维输入矩阵,矩阵的两个维度分别为空间维度和时间维度,利于后续对电力负荷数据的时空特征的提取,从而更加精准的进行预测;利用卷积神经网络提取电力负荷输入矩阵的空间特征,卷积神经网络具有局部连接和权值共享等特性,这些特性可以大大减少网络的参数数量,加快训练速度,降低特征提取的复杂度,从而加快预测速度并提高预测的准确度;将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征,考虑到了各个时刻电力负荷特征对预测时刻电力负荷的影响程度不同,引入注意力机制层,注意力机制能够自动计算各个时刻输入特征的重要性,使门控循环单元关注重要性大的特征,从而提高预测的准确度;最后提取的所有特征进行融合后输入所述卷积神经网络的全连接层得到最终的预测结果,综合了所有特征的特性,本发明方案能够提升电力负荷的预测准确度。
附图说明
图1是本发明实施例提供的一种电力负荷预测方法的流程图。
具体实施方式
下面结合附图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。
实施例1
如图1所示,本发明实施例提供的一种电力负荷预测方法,包括如下步骤:
S1、获取历史电力负荷数据。
获取不同监测点的所有历史电力负荷数据。
S2、对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵。
对S1中得到的历史电力负荷数据进行预处理,预处理包括对历史电力负荷数据进行最大最小归一化处理,最大最小归一化处理计算公式如下:
y=(x-Xmin)/(Xmax-Xmin)
其中,Xmax和Xmin分别表示历史电力负荷数据的最大值和最小值,x为某个时刻的电力负荷数据,y为x最大最小归一化之后的电力负荷数据。
归一化处理后得到预处理数据,再利用预处理数据构建电力负荷输入矩阵。
电力负荷数据具有时空特征,在时间上,一个监测点可以在各个时刻持续收集电力负荷数据,形成一个随时间变化的电力负荷序列;在空间上,同一区域或不同区域均可以设置多个监测点,而同一区域各个监测点的电力负荷可能会彼此影响;因此对于归一化后的电力负荷数据,为了充分提取时空特征,需要将其转换为二维输入矩阵,矩阵的两个维度分别为时间维度和空间维度。
利用预处理数据构建电力负荷输入矩阵的具体方法如下:
S3、利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征。
预先构建卷积神经网络,卷积神经网络主要包括卷积层和池化层,具有局部连接和权值共享等特性,这些特性可以大大减少网络的参数数量,加速训练速度,降低特征提取的复杂度,卷积层主要是使用不同的卷积核对输入数据进行卷积运算从而提取不同的局部特征。
在本发明实施例中,不适用池化层对电力负荷输入矩阵进行压缩,只使用卷积层提取电力负荷输入矩阵的空间特征。
使用一维卷积层处理电力负荷输入矩阵中的每一行元素,通过滑动一维卷积层的卷积核获取不同监测点的空间特征,具体如下:
ai=f(Waxi+ab)
其中,ai表示第i个卷积核在滑动过程中提取的局部特征,Wa表示卷积核处理输入的权重,ab为偏置项,xi表示第i个卷积核对应的输入,f表示Leaky Relu激活函数。
S4、将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征。
预先构建引入注意力机制的门控循环单元,再将空间特征输入其中进行处理,从而提取时间特征。
门控循环单元的计算过程包括:
zt=(Wzxt+UzSt-1+bz)
rt=σ(Wrxt+UrSt-1+br)
S't=tanh(WSxt+US(rt⊙St-1)+bs)
St=(1-zt)⊙St-1+zt⊙S't
其中,zt和rt分别表示更新门和重置门, xt表示t时刻输入的特征向量,St-1表示门控循环单元在t-1时刻的隐藏状态,σ表示Sigmoid激活函数,St表示门控循环单元在t时刻的隐藏状态,S't表示St的候选状态,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wz、Uz、bz、Wr、Ur、br、WS、US、bs是待学习的参数。
上述更新门控制前一时刻有多少状态信息被带入到当前状态,上述重置门控制前一时刻状态信息的忽略程度。
门控循环单元不会随着时间清除之前时刻的信息,更新门和重置门实现了信息的长时间传递,使之前时刻的信息可以一直参与网络训练。
针对门控循环单元引入注意力机制;对于门控循环单元输出的t时刻的隐藏状态St,对门控循环单元的输出采用以下注意力机制公式进行处理:
et=vetanh(WeSt+be)
其中,et表示t时刻门控循环单元的输出St对应的注意力评分值,tanh表示双曲正切激活函数,T表示时刻总个数,𝛼t表示et进行Softmax归一化后得到的权重系数,c表示电路负荷特征,Si表示门控循环单元在i时刻的隐藏状态,ve、We、be表示待学习的参数,ei表示i时刻门控循环单元的输出对应的注意力评分值,𝛼i表示ei进行Softmax归一化后得到的权重系数。
C表示对门控循环单元输出的各个时刻隐藏状态进行了加权,得到的表示含有注意力概率分布的电路负荷特征。
注意力机制通过模拟人脑注意力的特点,由于各个时刻的电力负荷特征对预测时刻电力负荷的影响程度不同,所以需要在传统的门控循环单元后面,引入注意力机制层,注意力机制可以自动计算各个时刻输入特征的重要性,使模型关注重要性大的特征。
S5、利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的门控循环单元中提取周期特征。
利用电力负荷数据的周期特性构建周期输入矩阵提取周期特征;每个监测点每天的电力负荷设备的工作时间通常是固定的,因此出行产生的电力负荷数据存在以日、周为单位的相似规律,因此可以分别以日、周为周期单位构建周期输入矩阵。
其中,r表示预测时刻在前一天的对应时刻,z表示预测时刻在前一周的对应时刻,n为周期时间步长,d表示监测点数量,表示第d个监测点在r+n时刻的电力负荷,表示第d个监测点在z+n时刻的电力负荷,将周期输入矩阵输入到引入注意力机制的门控循环单元中进行处理,得到电力负荷数据的周期特征。
S6、将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
使用均方误差函数作为模型训练的损失函数,该函数定义如下:
其中,Pdt表示第d个监测点在第t个时刻的电力负荷预测值,Ydt表示第d个监测点在第t个时刻的电力负荷真实值,N是预测值的总个数;根据上述损失函数,通过反向传播算法不断更新模型参数;训练好模型之后,将之前时刻的电力负荷数据输入到模型中,模型最后输出所有监测点在下一时刻的电力负荷预测值。
本实施例所用的电力负荷数据的时间间隔为10分钟,选取位于同一台区上的5个监测点作为本实施例的预测站点。
以2019年3月到5月两个月的电力负荷作为实验数据,并选取前50天的数据作为训练集,后10天的数据作为测试集。
将电力负荷输入矩阵的时刻个数设置为9,即使用预测时刻之前90分钟的数据去预测未来10分钟的电力负荷数据;将两个周期输入矩阵的时刻个数设置为12。
模型训练阶段,将批的大小设为64,训练轮数设为100,采用Adam优化器,学习率设为0.001,使用早停法防止过拟合。
使用训练数据训练好模型之后,将测试数据输入到模型中得到预测结果。
本实施例使用回归问题最常用的两个评价指标来对模型进行评价,两个指标分别是平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)。
两个指标分别定义为:
其中,Pdt表示第d个监测点在第t个时刻的电力负荷预测值,Ydt表示第d个监测点在第t个时刻的电力负荷真实值,N是预测值的总个数。
MAE和MAPE的值越小,表明方法的预测效果越好。依据上述评价指标,将本发明提出的方法和线性回归算法(LASSO)、非线性回归算法(SVR)、卷积神经网络(CNN)进行比较。各个方法的对比结果如表1所示。
上述分析说明,本发明提出的基于深度学习的电力负荷预测方法,相比现有预测方法具有更低的预测误差,可以提升电力负荷的预测精度,其预测结果可以预先了解城市用电情况。
实施例2
本发明实施例提供的一种电力负荷预测系统,包括:
数据获取模块:用于获取历史电力负荷数据;
数据预处理模块:用于对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
空间特征提取模块:用于利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
时间特征提取模块:用于将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
周期特征提取模块:用于利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的门控循环单元中提取周期特征;
预测模块:用于将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
实施例3
本发明实施例提供的一种电力负荷预测装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例1所述方法的步骤:
获取历史电力负荷数据;
对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的引入了注意力机制的门控循环单元中提取周期特征;
将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
实施例4
本发明实施例提供的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1所述方法的步骤:
获取历史电力负荷数据;
对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的引入了注意力机制的门控循环单元中提取周期特征;
将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种电力负荷预测方法,其特征在于,包括:
获取历史电力负荷数据;
对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的引入了注意力机制的门控循环单元中提取周期特征;
将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
2.根据权利要求1所述的一种电力负荷预测方法,其特征在于,对历史电力负荷数据进行预处理,包括对历史电力负荷数据进行最大最小归一化处理,得到预处理数据,最大最小归一化处理计算公式如下:
y=(x-Xmin)/(Xmax-Xmin)
其中,Xmax和Xmin分别表示历史电力负荷数据的最大值和最小值,x为某个时刻的电力负荷数据,y为x最大最小归一化之后的电力负荷数据。
3.根据权利要求1所述的一种电力负荷预测方法,其特征在于,利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征,包括:
使用卷积神经网络中的一维卷积层处理电力负荷输入矩阵中的每一行元素,通过滑动一维卷积层的卷积核获取不同监测点的空间特征,具体如下:
ai=f(Waxi+ab)
其中,ai表示第i个卷积核在滑动过程中提取的局部特征,Wa表示卷积核处理输入的权重,ab为偏置项,xi表示第i个卷积核对应的输入,f表示Leaky Relu激活函数。
4.根据权利要求1所述的一种电力负荷预测方法,其特征在于,所述门控循环单元的计算过程包括:
zt=(Wzxt+UzSt-1+bz)
rt=σ(Wrxt+UrSt-1+br)
S't=tanh(WSxt+US(rt⊙St-1)+bs)
St=(1-zt)⊙St-1+zt⊙S't
其中,zt和rt分别表示更新门和重置门, xt表示t时刻输入的特征向量,St-1表示门控循环单元在t-1时刻的隐藏状态,σ表示Sigmoid激活函数,St表示门控循环单元在t时刻的隐藏状态,S't表示St的候选状态,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wz、Uz、bz、Wr、Ur、br、WS、US、bs是待学习的参数。
7.根据权利要求1所述的一种电力负荷预测方法,其特征在于,所述周期输入矩阵通过以下方法构建:
利用历史电力负荷数据的周期特性将历史电力负荷数据构建为周期输入矩阵。
8.一种电力负荷预测系统,其特征在于,包括:
数据获取模块:用于获取历史电力负荷数据;
数据预处理模块:用于对历史电力负荷数据进行预处理得到预处理数据,利用预处理数据构建电力负荷输入矩阵;
空间特征提取模块:用于利用预构建的卷积神经网络提取电力负荷输入矩阵的空间特征;
时间特征提取模块:用于将空间特征输入预构建的引入了注意力机制的门控循环单元中提取时间特征;
周期特征提取模块:用于利用历史电力负荷数据构建周期输入矩阵,将周期输入矩阵输入预构建的门控循环单元中提取周期特征;
预测模块:用于将空间特征、时间特征、周期特征进行拼接融合后输入所述卷积神经网络的全连接层中,输出预测电力负荷。
9.一种电力负荷预测装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行权利要求1至7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257379.9A CN114861967A (zh) | 2022-03-16 | 2022-03-16 | 一种电力负荷预测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257379.9A CN114861967A (zh) | 2022-03-16 | 2022-03-16 | 一种电力负荷预测方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861967A true CN114861967A (zh) | 2022-08-05 |
Family
ID=82628121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210257379.9A Pending CN114861967A (zh) | 2022-03-16 | 2022-03-16 | 一种电力负荷预测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861967A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
-
2022
- 2022-03-16 CN CN202210257379.9A patent/CN114861967A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
CN116596144B (zh) * | 2023-05-22 | 2024-01-23 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Time series forecasting for hourly photovoltaic power using conditional generative adversarial network and Bi-LSTM | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
Ramirez-Gonzalez et al. | Convolutional neural nets with hyperparameter optimization and feature importance for power system static security assessment | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
CN110991729A (zh) | 一种基于迁移学习和多头注意力机制的负荷预测方法 | |
CN114861967A (zh) | 一种电力负荷预测方法、系统、装置及存储介质 | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
CN117436920A (zh) | 嵌入多头注意力机制的混合神经网络日前电价预测方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN115034426B (zh) | 一种基于相空间重构与多模型融合Stacking集成学习方式的滚动负荷预测方法 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN113011628B (zh) | 基于拓扑结构和时间卷积网络的电力负荷预测方法 | |
Hu et al. | Incremental forecaster using C–C algorithm to phase space reconstruction and broad learning network for short-term wind speed prediction | |
Li et al. | Short-term Power Load Forecasting based on Feature Fusion of Parallel LSTM-CNN | |
Li et al. | A Novel Short-term Load Forecasting Model by TCN-LSTM Structure with Attention Mechanism | |
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 |