CN115375002A

CN115375002A - 一种短期电力负荷预测方法、系统、存储介质及计算设备

Info

Publication number: CN115375002A
Application number: CN202210815771.0A
Authority: CN
Inventors: 苏伟; 肖小龙; 史明明; 袁晓冬; 杨景刚; 朱卫平; 孙健; 杨雄; 郭佳豪
Original assignee: State Grid Jiangsu Electric Power Co Ltd; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Current assignee: State Grid Jiangsu Electric Power Co Ltd; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2022-07-12
Filing date: 2022-07-12
Publication date: 2022-11-22

Abstract

本发明公开了一种短期电力负荷预测方法、系统、存储介质及计算设备，本发明采用电力负荷预测模型进行负荷预测，在电力负荷预测模型中，对输入数据进行多维度特征提取，从而获得增强的特征，对增强的特征进行一般性时序信息挖掘和周期性时序信息挖掘，从而得到全面的历史数据表征，即挖掘了数据各维度特征，也考虑了电力负荷变化的周期性规律，相较于传统的方法，预测准确度高。

Description

一种短期电力负荷预测方法、系统、存储介质及计算设备

技术领域

本发明涉及一种短期电力负荷预测方法、系统、存储介质及计算设备，属于负荷预测领域。

背景技术

电力能源是重要的能源之一，准确的电力负荷预测对于电力生产部门制定合理的发电计划、提高电力系统运行的安全稳定性等具有重要意义。短期电力负荷预测是对未来日或周的负荷进行预测。该预测任务是电力系统中进行生产调度调整的主要依据，具有重要的研究应用价值。

传统的短期电力负荷预测方法主要分为两大类：基于统计理论的方法和基于机器学习的方法。其中，基于统计理论的方法主要包括多元线性回归(MLR)、自回归移动平均值法(ARMA)、差分整合移动平均自回归(ARIMA)等，这类方法虽然模型简单、运行效率高，但是对非线性数据特征的拟合能力较弱，在实际应用中难以取得良好的效果；而基于机器学习的方法主要包括人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)等，该类方法虽然可以建模电力负荷数据中的时序性特征和其他非线性因素，但仍然存在诸多弊端，例如只适用于数据规模较小的情况，训练时间较长，对原始数据的平稳性要求较高等。

近年来，随着深度学习方法的发展，越来越多的研究人员尝试利用深度学习方法来解决短期电力负荷预测任务，虽然现有工作已经取得了一定的进展，但他们都存在以下局限：由于缺乏对数据各维度特征挖掘、忽略了电力负荷变化的周期性规律，从而导致预测准确度低。

发明内容

本发明提供了一种短期电力负荷预测方法、系统、存储介质及计算设备，解决了现有预测方法准确度低的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种短期电力负荷预测方法，包括：

获取预设历史时段的电力负荷数据和天气数据；

将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；该步骤包括，

在电力负荷预测模型中，对输入数据进行多层特征提取，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘；

根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据；

在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合。

在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合，包括：

采用一维卷积神经网络，对上一层特征提取的输出进行静态特征提取；

采用门控循环单元网络，对上一层特征提取的输出进行时序特征提取

将提取的静态特征和时序特征进行级联，并通过全连接层进行特征融合。

在提取出静态特征后，还对静态特征进行压缩和激励，采用压缩和激励后的静态特征进行级联。

对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：

采用门控循环单元网络，对多层特征提取的输出进行一般性时序编码，并用最后一个时刻对应的隐藏状态表征一般性时序信息；

采用跳跃门控循环单元对多层特征提取的输出进行周期性时序编码，并用最后预设数量个时刻对应的隐藏状态表征周期性时序信息；

根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据。

根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：

根据一般性时序信息和周期性时序信息，采用注意力机制，获得最终的周期性时序信息；

将一般性时序信息和最终的周期性时序信息进行级联，并利用全连接层进行预设未来时段的电力负荷数据预设。

电力负荷预测模型采用均方误差作为损失函数；

在电力负荷预测模型训练时，利用L2正则化项对模型参数进行约束。

一种短期电力负荷预测系统，包括：

数据获取模块，获取预设历史时段的电力负荷数据和天气数据；

预测模块，将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；其中，在电力负荷预测模型中，对输入数据进行多层特征提取，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据；在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行短期电力负荷预测方法。

一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行短期电力负荷预测方法的指令。

本发明所达到的有益效果：本发明采用电力负荷预测模型进行负荷预测，在电力负荷预测模型中，对输入数据进行多维度特征提取，从而获得增强的特征，对增强的特征进行一般性时序信息挖掘和周期性时序信息挖掘，从而得到全面的历史数据表征，即挖掘了数据各维度特征，也考虑了电力负荷变化的周期性规律，相较于传统的方法，预测准确度高。

附图说明

图1为本发明方法的流程图；

图2为本发明方法的原理框图。

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。

如图1所示，一种短期电力负荷预测方法，包括以下步骤：

步骤1，获取预设历史时段的电力负荷数据和天气数据；

步骤2，将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；；该步骤包括，

上述方法采用电力负荷预测模型进行负荷预测，在电力负荷预测模型中，对输入数据进行多维度特征提取，从而获得增强的特征，对增强的特征进行一般性时序信息挖掘和周期性时序信息挖掘，从而得到全面的历史数据表征，即挖掘了数据各维度特征，也考虑了电力负荷变化的周期性规律，相较于传统的方法，预测准确度高。

如图2所示，电力负荷预测模型主要包括依此连接的多层特征提取模块(多层特征提取模块构成图中的多视角特征学习组件)和周期性规律增强组件。

多层特征提取模块用以对输入数据进行多层特征提取，在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合，具体过程可以为：

11)采用一维卷积神经网络，对上一层特征提取的输出进行静态特征提取，对静态特征进行压缩和激励进行级联；

12)采用门控循环单元网络，对上一层特征提取的输出进行时序特征提取

13)将时序特征、压缩和激励后的静态特征进行级联，并通过全连接层进行特征融合。

周期性规律增强组件用以对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，具体过程可以为：

21)采用门控循环单元网络，对多层特征提取的输出进行一般性时序编码，并用最后一个时刻对应的隐藏状态表征一般性时序信息；

22)采用GRU-Skip(跳跃门控循环单元)对多层特征提取的输出进行周期性时序编码，并用最后预设数量个时刻对应的隐藏状态表征周期性时序信息；

23)根据一般性时序信息和周期性时序信息，采用注意力机制，获得最终的周期性时序信息；

14)将一般性时序信息和最终的周期性时序信息进行级联，并利用全连接层进行预设未来时段的电力负荷数据预设。

训练上述模型的样本中包括历史时刻的电力负荷数据和天气数据、未来时刻的电力负荷数据。

假设给定一段历史时期内某区域的电力负荷采样序列为{x₁,...,x_i,...,x_Q}，序列采样间隔为D分钟，其中D可以被60整除，则每天的电力负荷共有

个采样点；此外，还可获取与该电力负荷采样序列各时刻相对应的天气数据序列，设为{x′₁,...,x′_i,...,x′_Q}，其中，

表示每一时刻的天气相关多变量数据，包括温度和湿度等，其中，

表示d维向量。

对{x₁,...,x_i,...,x_Q}和{x′₁,...,x′_i,...,x′Q}按照滑动窗口的方式进行分割，每个窗口覆盖M天的历史电力负荷数据和天气数据，即

个采样点数据。最终可获得一个包含N个训练样本数据的集合D＝{(X¹,y¹),...,(X^j,y^j),...,(X^N,y^N)}，其中，

表示

个连续历史时刻的电力负荷和天气信息历史数据，j＝1...N，

表示(d+1)×T维的矩阵，

表示第t个时刻观察到的电力负荷采样值和相关天气多变量数据，t＝1...T，

表示对应的未来一天内τ个时刻的真实电力负荷采样值，

表示τ维向量。

可采用D＝{(X¹,y¹),...,(X^j,y^j),...,(X^N,y^N)}训练上述模型，利用L2正则化项对模型参数进行约束；该电力负荷预测模型采用均方误差作为损失函数，具体公式可表示为：

其中，L为损失函数，

为模型针对第j个样本预测的未来电力负荷数据，

为L2正则化项，λ为人为设置的平衡超参数，w为模型中待优化的参数。

像获取X^j一样，获取预设历史时段的电力负荷数据和天气数据，将获取的数据作为模型的输入X，假设共K层特征提取层，每个特征提取层主要由两个模块构成，包括基于1D-CNN(一维卷积神经网络)的静态特征提取模块和基于GRU(门控循环单元网络)的时序特征提取模块。

以第k个特征提取为例，基于一维卷积的静态特征提取网络的具体步骤包括：

2-1-1)将输入数据送入一维卷积网络中进行静态特征提取，计算公式为：

其中，

是

通过第k层一维卷积神经网络得到的潜在表示特征，

表示t时刻对应的潜在表示向量，k＝1,...K，第1层一维卷积神经网络输入的为X。

2-1-2)将2-1-1)的输出个送入归一化层以及激活函数层，计算公式为：

U^k+1＝δ(BN(E^k+1))

其中，BN表示批量归一化层，δ表示ReLU激活函数，U^k+1表示经过批量归一化与激活函数激活的特征。

获得U^k+1后，进一步利用特征压缩(Squeeze)激励(Excitation)模块(简称SE模块)对数据中的重要特征进行突出，对不重要特征进行抑制。

对2-1-2)的输出进行时间维度上的平均操作，以获得每维特征的全局性表示，以第q维特征为例，计算公式为：

其中，U^k+1[q,:]表示取U^k+1第q维度对应的所有数值，共有d_k+1维，

为在时间维度上取平均之后数值。

将U^k+1每一维特征通过上述方式计算得到全局信息表示向量

表示d_k+1维向量。

利用门控机制得到表示各个维度重要程度的权重值，该过程的计算公式为：

其中，σ为Sigmoid激活函数，W₁ ^k、

为待学习的网络权重，s^k+1表示各个维度重要程度的权重值。

利用计算得到的权重值对U^k+1进行特征激励，该过程的公式为：

其中，

为s^k+1的第q个元素，

为基于一维卷积的静态特征提取网络提取的静态特征，

为第t个经过特征激励的特征值。

基于GRU(门控循环单元网络)的时序特征提取网络具体步骤包括：

将输入数据送入GRU网络中进行动态时序特征提取，该过程的计算公式为：

其中，

为第k层GRU输出的整体隐藏状态表示，蕴含输入数据的时序特征，

表示d″_k+1×T维矩阵，

为第k层GRU对应第t个隐藏状态输出，

表示d″_k+1维向量。

GRU的具体计算公式为：

其中，

为待学习的相关参数，σ为Sigmoid激活函数，r_t ^k+1,

为GRU隐层特征，

为GRU最后一个时间步隐层状态表示。

将

和H^k+1进行级联、融合，具体计算公式为：

其中，

为待学习的参数，

为融合了静态特征与时序特征的特征，

表示矩阵维度，

为第t个特征值。

基于上述过程，K层特征提取后会获得特征

输入周期性规律增强组件，首先进行基于GRU的一般性时序编码，该过程的计算公式为：

其中，

表示基于GRU_g获得的第t个时刻的隐藏状态表示，

表示d_G维向量；采用最后一个时刻对应的隐藏状态

表征一般性时序信息。

将

送入GRU-Skip中捕捉数据中的周期性规律，该过程的计算公式为：

其中，

为待学习的相关参数，σ为Sigmoid激活函数，r_t ^S,

为GRU隐层特征，

表示基于GRU-Skip获得的第t(t＝p+1,...,T)个时刻的隐藏状态表示，p为超参数，表示电力负荷变化规律的周期，在这里采用最后p个时刻(最后一个周期)的隐藏层状态

表征周期性时序信息，

分别表示d_S维向量、p×d_S维矩阵。

将

和

基于注意力机制的信息融合，注意力权重的计算公式为：

其中，W_SG为待学习参数，exp为取指数操作，a_l为第l时刻的周期性历史表征的注意力权重。

利用上述注意力权重，对p个时刻的隐藏层状态行加权求和，计算公式为：

其中，

表示周期性时序特征。

采用h^S和

进行最终的电荷预测，具体公式为：

其中，

表示未来τ个时刻的电力负荷预测结果，

与

为待学习的参数，维度分别为τ×d_G、τ×d_S。

上述方法充分利用卷积神经网络的静态局部特征提取能力和门控循环单元的动态时序信息挖掘能力，提高了模型对电力负荷历史的特征提取效果；上述方法考虑了电力负荷变化的周期性规律，设计了基于注意力机制联合GRU与GRU-Skip的电力负荷预测，能够同时实现一般时序性历史编码与周期性时序历史编码，进而促进了模型对电力负荷的预测效果。

基于真实数据集进行了大量而充分的实验，结果表明上述方法可以大幅提高在短期电力负荷预测任务上的效果。

基于相同的技术方案，本发明还公开了上述方法的软件系统，一种短期电力负荷预测系统，包括：

上述软件系统的各模块的数据处理流程与方法的一致，这里不重复描述了。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims

1.一种短期电力负荷预测方法，其特征在于，包括：

获取预设历史时段的电力负荷数据和天气数据；

2.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合，包括：

3.根据权利要求2所述的一种短期电力负荷预测方法，其特征在于，在提取出静态特征后，还对静态特征进行压缩和激励，采用压缩和激励后的静态特征进行级联。

4.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：

5.根据权利要求4所述的一种短期电力负荷预测方法，其特征在于，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：

6.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，电力负荷预测模型采用均方误差作为损失函数；

7.一种短期电力负荷预测系统，其特征在于，包括：

8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。

9.一种计算设备，其特征在于，包括：

一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。