CN115018179A - 一种基于CNN-BiGRU超短期电力负荷预测方法 - Google Patents
一种基于CNN-BiGRU超短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN115018179A CN115018179A CN202210718252.2A CN202210718252A CN115018179A CN 115018179 A CN115018179 A CN 115018179A CN 202210718252 A CN202210718252 A CN 202210718252A CN 115018179 A CN115018179 A CN 115018179A
- Authority
- CN
- China
- Prior art keywords
- bigru
- data
- cnn
- load
- network
- 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 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 241000288105 Grus Species 0.000 claims 1
- 239000010410 layer Substances 0.000 description 30
- 230000006870 function Effects 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/08—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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于CNN‑BiGRU超短期电力负荷预测方法，步骤S01：对样本数据进行预处理；步骤S02：将负荷影响因素与历史负荷数据转换为矩阵形式；步骤S03：将提取的数据特征输入到BiGRU网络学习其数据分布及变化规律；步骤S04：训练神经网络；步骤；S05：通过训练好的CNN‑BiGRU网络进行预测。本专利提出基于CNN与BiGRU的短期负荷预测方法充分考虑历史时期以及未来时期负荷影响因素对当前预测负荷的影响，同时，通过卷积神经网络来对电力负荷影响因素温度、湿度及气压等进行特征提取，并与历史负荷一同作为网络输入数据，从而提高预测精度。
Description
技术领域
本发明属于电力符合预测，涉及基于CNN-BiGRU超短期电力负荷预测方法。
背景技术
电力系统负荷预测是电力系统规划和稳定、安全、经济运行的基础。根据预测期限可以将负荷预测分为长期预测，中期预测，短期预测和超短期预测。不同的预测类型对电网有着不同的应用目的。其中短期负荷预测(Short term load forecasting,STLF)一般指当前时刻往后1小时到1周的负荷预测，适用于火电分配及水火协调等方面。可靠的预测结果有利于提高发电设备的利用率，降低电力网络的运营成本。而随着电网市场化改革的推进，有效的短期负荷预测对实时电价的影响更加明显。但是随着电网规模的不断扩大，负荷多样性的增加，高效和精确的短期负荷预测变得更加困难。这就要求超短期的负荷预测方法同时具有快速和准确的特点。
目前，用于负荷预测的方法主要可以分为两大类，分别是传统的统计学方法和新兴的机器学习方法。统计学方法包括了多元线性回归模型、卡尔曼滤波器模型、以及时间序列模型等，它建立的模型具有比较明确的数学形式，数据分布的假定和模型的合理性决定了预测结果好坏。而由于电力负荷具有复杂性和非线性的特点，很难做出较为符合实际的分布假定和建立明确的数学模型。因此多数的统计学方法在进行短期负荷预测时效果并不理想。机器学习方法包括了包括模糊推理系统(Fuzzy inference system，FIS)、人工神经网络 (Artificial neural network，ANN)和支持向量机(Support vector machine，SVM)等。这些方法能够较好的处理非线性问题，因此预测的准确率有所提高，但也存在一些其它问题，如缺乏自学能力，无法处理大规模数据，破坏数据的时序特征，手动特征选择等。
长短时记忆(Long-short time memory，LSTM)网络是一种有效的循环神经网络，它能够同时学习数据的非线性以及时序性特征，并且解决了普通RNN梯度消失的问题，但该方法存在收敛过慢的缺点。门控循环单元(Gated recurrent unit，GRU)以LSTM为基础，解决了LSTM收敛过慢的问题，并且能够保持LSTM的准确率。GRU神经网络仅仅考虑历史时期负荷影响因素对预测负荷的影响，而电力负荷不仅仅由历史时期负荷影响因素决定，同时与未来时期负荷影响因素相关联，并且GRU神经网络无法有效选取数据特征。
发明内容
1.所要解决的技术问题：
传统预测模型无法充分考虑历史时期以及未来时期负荷影响因素对当前预测负荷的影响。如何对电力负荷影响因素如温度、湿度、气压等进行有效地特征提取。
2.技术方案：
为了解决以上问题，本发明提供了一种基于CNN-BiGRU超短期电力负荷预测方法，包括以下步骤：步骤S01：对样本数据进行预处理，剔除异常数据，填充残缺数据；步骤S02：将负荷影响因素与历史负荷数据转换为矩阵形式，采用CNN提取数据特征；步骤S03：将提取的数据特征输入到BiGRU网络学习其数据分布及变化规律；步骤S04：训练神经网络，使用Adam算法，以Sigmoid函数作为激活函数，根据损失函数对BiGRU网络进行更新；步骤； S05：通过训练好的CNN-BiGRU网络进行预测。
所述步骤S02的具体方法为：步骤S21：利用二维卷积层进行电力负荷数据局部特征提取；步骤S22：二维最大池化层压缩提取的特征并减少下一层神经网络输入大小，进而减少计算量与参数个数。
所述步骤S03的具体方法为：步骤S31：Dropoutc层防止过拟合并减少模型训练时间；步骤S32：双向GRU层学习数据分布及变化规律。
所述步骤S04的具体方法为：步骤S41：Dropout层防止过拟合并减少模型训练时间；步骤S42：全连接层将计算得到的特征空间映射样本标记空间，得到CNN-BiGRU模型。
3.有益效果：
为了提高短期负荷预测精度，本专利提出基于CNN与BiGRU的短期负荷预测方法。BiGRU 网络能够充分考虑历史时期以及未来时期负荷影响因素对当前预测负荷的影响，同时，通过卷积神经网络(CNN)来对电力负荷影响因素温度、湿度及气压等进行特征提取，并与历史负荷一同作为网络输入数据，从而提高BiGRU网络的预测精度。
附图说明
图1是本发明的流程图。
图2是GRU网络结构图。
图3是BiGRU结构模型图。
具体实施方式
下面结合附图来对本发明进行详细说明。
如图1所示，一种基于CNN-BiGRU超短期电力负荷预测方法，包括以下步骤：步骤S01：对样本数据进行预处理，剔除异常数据，填充残缺数据。
步骤S02：将负荷影响因素与历史负荷数据转换为矩阵形式，采用CNN提取数据特征；具体方法为：步骤S21：利用二维卷积层进行电力负荷数据局部特征提取，步骤S22：二维最大池化层压缩提取的特征并减少下一层神经网络输入大小，进而减少计算量与参数个数。
步骤S03：将提取的数据特征输入到BiGRU网络学习其数据分布及变化规律；具体方法为：步骤S31：Dropoutc层防止过拟合并减少模型训练时间；步骤S32：双向GRU层学习数据分布及变化规律。
步骤S04：训练神经网络，使用Adam算法，以Sigmoid函数作为激活函数，根据损失函数对BiGRU网络进行更新，具体方法为：步骤S41：Dropout层防止过拟合并减少模型训练时间；步骤S42：全连接层将计算得到的特征空间映射样本标记空间，得到CNN-BiGRU模型。
步骤；S05：通过训练好的CNN-BiGRU网络进行预测。
CNN属于深度学习中的一种重要算法,模拟人类的视觉处理流程,可以高效的提取特征,通常情况下﹐CNN包括卷积层,池化层(通常是最大池化层),全连接层,其中,卷积神经网络中对于特征的高效提取是通过卷积层的卷积计算来实现的,它也是卷积神经网络的核心层,是卷积神经网络的重要部分。
GRU具体结构如图2所示。GRU是LSTM的一种变体，它在保持LSTM良好学习性能的同时，参数更少，收敛速度更快。GRU模型内部由更新门和重置门构成，与LSTM不同的是GRU 用更新门替代LSTM的输入门和遗忘门。其中，更新门表示前一时刻隐藏层神经元输出信息对当前时刻隐藏层神经元的影响程度，当更新门值越大时，影响程度越大；重置门表示前一时刻隐藏层神经元输出的被忽略程度，当重置门的值越大时，忽略信息越少。
BiGRU结构如图3所示，其当前时刻的隐藏层状态ht由沿时间前向传播的时刻(t-1) 隐藏层输出
沿时间后向传播的时刻(t-1)隐藏层输出
以及当前时刻输入xt3个部分共同决定。BiGRU在结构上可以看成是前向与后向传播GRU的组合，时刻t的隐藏层输出为信息前向传播隐藏层输出
和信息后向传播隐藏层输出
线性叠加的结果：
式中：αt为时刻t信息前向传播GRU单元隐层输出权重；βt为时刻t信息后向传播GRU单元隐层输出权重；bt为对应的偏置量；GRU(·)为门控循环单元。
Claims (7)
1.一种基于CNN-BiGRU超短期电力负荷预测方法，包括以下步骤：步骤S01：对样本数据进行预处理，剔除异常数据，填充残缺数据；步骤S02：将负荷影响因素与历史负荷数据转换为矩阵形式，采用CNN提取数据特征；步骤S03：将提取的数据特征输入到BiGRU网络学习其数据分布及变化规律；步骤S04：训练神经网络，使用Adam算法，以Sigmoid函数作为激活函数，根据损失函数对BiGRU网络进行更新；步骤；S05：通过训练好的CNN-BiGRU网络进行预测。
2.如权利要求1所述的方法，其特征在于：所述步骤S02的具体方法为：步骤S21：利用二维卷积层进行电力负荷数据局部特征提取；步骤S22：二维最大池化层压缩提取的特征并减少下一层神经网络输入大小，进而减小计算量与参数个数。
3.如权利要求2所述的方法，其特征在于：所述步骤S03的具体方法为：步骤S31：Dropout层防止过拟合并减少模型训练时间；步骤S32：双向GRU层学习数据分布及变化规律。
4.如权利要求3所述的方法，其特征在于：所述步骤S04的具体方法为：步骤S41：Dropout层防止过拟合并减少模型训练时间；步骤S42：全连接层将计算得到的特征空间映射样本标记空间，得到CNN-BiGRU模型。
5.如权利要求1-4任一项权利要求所述的方法，其特征在于：所述BiGRU 结构是前向与后向传播 GRU的组合，时刻 t 的隐藏层输出为信息前向传播隐藏层输出(h_t ) →和信息后向传播隐藏层输出(h_t ) ←线性叠加的结果：
，式中：
为时刻t 信息前向传播 GRU 单元隐层输出权重；
为时刻 t 信息后向传播 GRU 单元隐层输出权重；
为对应的偏置量；
为门控循环单元。
6.如权利要求5所述的方法，其特征在于：GRU是LSTM的一种变体，所述GRU 模型内部包括更新门和重置门，GRU 用更新门替代 LSTM 的输入门和遗忘门。
7.如权利要求6所述的方法，其特征在于：所述更新门表示前一时刻隐藏层神经元输出信息对当前时刻隐藏层神经元的影响程度；所述重置门表示前一时刻隐藏层神经元输出的被忽略程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718252.2A CN115018179A (zh) | 2022-06-23 | 2022-06-23 | 一种基于CNN-BiGRU超短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718252.2A CN115018179A (zh) | 2022-06-23 | 2022-06-23 | 一种基于CNN-BiGRU超短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115018179A true CN115018179A (zh) | 2022-09-06 |
Family
ID=83077399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210718252.2A Pending CN115018179A (zh) | 2022-06-23 | 2022-06-23 | 一种基于CNN-BiGRU超短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018179A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860270A (zh) * | 2023-02-21 | 2023-03-28 | 保定博堃元信息科技有限公司 | 一种基于lstm神经网络的网供负荷预测系统及方法 |
-
2022
- 2022-06-23 CN CN202210718252.2A patent/CN115018179A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860270A (zh) * | 2023-02-21 | 2023-03-28 | 保定博堃元信息科技有限公司 | 一种基于lstm神经网络的网供负荷预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Time series forecasting for hourly photovoltaic power using conditional generative adversarial network and Bi-LSTM | |
| Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
| Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| Patyn et al. | Comparing neural architectures for demand response through model-free reinforcement learning for heat pump control | |
| CN113902202A (zh) | 基于双重注意力机制和lstm的短期负荷预测模型和方法 | |
| CN113902207A (zh) | 一种基于tcn-lstm的短期负荷预测方法 | |
| Semero et al. | An accurate very short-term electric load forecasting model with binary genetic algorithm based feature selection for microgrid applications | |
| CN115632406B (zh) | 基于数字-机理融合驱动建模的无功电压控制方法及系统 | |
| Li et al. | Application of ARIMA and LSTM in relative humidity prediction | |
| CN115018179A (zh) | 一种基于CNN-BiGRU超短期电力负荷预测方法 | |
| Jia et al. | Water quality prediction method based on LSTM-BP | |
| CN114154676A (zh) | 一种基于pso和双向gru的短期负荷预测模型 | |
| Ni et al. | An improved attention-based bidirectional LSTM model for cyanobacterial bloom prediction | |
| Lyu et al. | Online evolutionary neural architecture search for multivariate non-stationary time series forecasting | |
| Lin et al. | Deep reinforcement learning and LSTM for optimal renewable energy accommodation in 5G internet of energy with bad data tolerant | |
| CN115577647B (zh) | 电网故障类型识别方法与智能体构建方法 | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| Cui et al. | Short-time series load forecasting by seq2seq-lstm model | |
| CN114707613B (zh) | 基于分层的深度策略梯度网络的电网调控方法 | |
| Na et al. | Short-term load forecasting algorithm based on LSTM-DBN considering the flexibility of electric vehicle | |
| Wang et al. | Ultra-short-term regional PV power forecasting based on fluctuation pattern recognition with satellite images | |
| Aruna et al. | Sparrow Search Optimization with Deep Belief Network based Wind Power Prediction Model | |
| CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 |
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 |