CN115600640A - 基于分解网络的电力负荷预测方法 - Google Patents

基于分解网络的电力负荷预测方法 Download PDF

Info

Publication number
CN115600640A
CN115600640A CN202211214761.8A CN202211214761A CN115600640A CN 115600640 A CN115600640 A CN 115600640A CN 202211214761 A CN202211214761 A CN 202211214761A CN 115600640 A CN115600640 A CN 115600640A
Authority
CN
China
Prior art keywords
value
matrix
data
sequence
day
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
CN202211214761.8A
Other languages
English (en)
Inventor
周冬旭
许洪华
朱红
朱正谊
罗兴
吴辉
张玮亚
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.)
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202211214761.8A priority Critical patent/CN115600640A/zh
Publication of CN115600640A publication Critical patent/CN115600640A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电力负荷预测领域，尤其涉及基于分解网络的电力负荷预测方法，包括：采集用户侧历史负荷数据和气象数据作为原始数据；预处理原始数据；构建预测模型并训练；将待测日前的历史负荷数据和气象数据输入至训练好的预测模型中，得到待测日的电力负荷预测值；预测模型中，预测模型包括分解网络、卷积层和多层感知机；分解网络中的分解模块包括前后切分单元和局部关联信息提取单元；预处理后的原始数据作为输入序列，前后切分单元将输入序列前后切分为前序列和后序列，再通过两个局部关联信息提取单元完成序列中向量数据的提取，输出子序列；分解网络最终得到若干组子序列；最后通过卷积和多层感知机输出负荷预测值。本发明预测效果准确。

Description

基于分解网络的电力负荷预测方法
技术领域
本发明涉及电力负荷预测领域，尤其涉及一种基于分解网络的电力负荷预测方法。
背景技术
随着社会的不断发展，个人和企业对于能源的需求量愈发变大。在众多能源种类中，电能作为一种清洁能源，在社会能源消费中占有很大比例。一个安全、稳定、经济的电力系统，是维系社会秩序稳定的基础，而电力负荷预测是电力系统中的重要组成部分。短期电力负荷预测是指对未来几个小时、一天、或一周以内的负荷预测，其对减少能源消耗，优化资源配置有着积极影响。
目前的负荷预测方法主要有时间序列预测法，回归分析预测法和神经网络预测法。时间序列预测法可以从时间序列中寻找出负荷变化的趋势，从而对未来负荷进行有效预测，但其未考虑外界因素的影响，当外界因素发生较大变化时，其预测结果往往会有较大偏差。回归分析预测法是指将一个或几个自变量作为依据，来预测负荷的发展趋势的一种方法，但由于回归分析法的模型缺乏学习能力，其短期负荷的预测结果往往并不理想。神经网络预测法是指将历史数据作为输入，经过神经网络中的隐含层运算，输出预测值，以预测值与真实值的误差作为目标函数，通过不断减小误差值来更新网络中参数，直到误差达到要求后，固定参数值建立最终的预测模型，但神经网络预测法所需的数据量很大，且运算成本相对较高。
鉴于此，为克服上述缺陷，提供一种基于分解网络的电力负荷预测方法成为本领域亟待解决的问题。
发明内容
本发明的目的是为了提供一种基于分解网络的电力负荷预测方法，预测效果准确。
为解决以上技术问题，本发明的技术方案为：基于分解网络的电力负荷预测方法，包括：
步骤1：采集用户侧历史负荷数据和气象数据作为原始数据；
步骤2：对原始数据进行预处理；
步骤3：构建预测模型并训练：
预测模型包括分解网络、卷积层和多层感知机；分解网络为多层结构，分解网络的每层包括若干分解模块；分解模块包括前后切分单元和局部关联信息提取单元；
预处理后的原始数据作为输入序列，前后切分单元将输入序列前后切分为前序列和后序列，前序列和后序列再通过两个局部关联信息提取单元完成序列中向量数据的提取，输出得到两个子序列；输出的子序列再分别输入至下一层的各个分解模块中直至达到分解网络的最终层后得到若干组子序列；将最终得到的每组子序列分别通过一层卷积层，得到若干个数值；最后将若干个数值通过多层感知机输出负荷预测值；
步骤4：将待测日前的历史负荷数据和气象数据输入至训练好的预测模型中，得到待测日的电力负荷预测值。
进一步地，步骤1中，负荷数据为目标区域内历史的每天每小时的平均总负荷功率；气象数据包括每天每小时的平均气温和平均湿度。
进一步地，步骤2具体包括：
判断原始数据中的异常值并对异常值进行修正；
对原始数据中的缺失值进行填补。
对完成修正和填补的每类原始数据分别进行归一化处理，以消除特征量纲的影响，提高模型的精度。
进一步地，所述判断原始数据中的异常值并对异常值进行修正的方法为：通过3sigma准则来判断是否为一天中的异常值点，对于异常值点，根据其同一天前后两个时刻的数据和前后两天的同时刻数据为其赋值修正。
进一步地，对于原始数据中的缺失值点：若缺失点数量大于等于一天的记录点数量的一半，则删去当前日数据；若缺失点数量小于一天的记录点数量一半，则取当前缺失点前后时刻数据的均值来填补缺失点。
进一步地，归一化处理方法采用min-max归一化方法。
进一步地，局部关联信息提取单元采用掩码机制，使该单元输入序列中任意向量只与其自身和之前一定范围内的向量计算关联性，掩码机制操作有利于符合时序逻辑的有效信息的提取，同时减小了网络的运算量。
进一步地，步骤3中，将每天时间划分为等时间间隔的T个时间点，原始数据中的特征维数为P；以每个时间点的特征表示为一个维度为P的向量，即每天有T组向量；取连续N天的数据用于训练，即有T*N组向量，作为输入序列，即输入序列长度为T*N，维度为P；
将长度为T*N，维度为P的输入序列通过若干层提取局部关联信息的分解模块，得到若干组长度相同的子序列，将每组子序列分别通过一层卷积层，得到若干个数值；最后，将若干个数值通过一个多层感知机，输出T个值，分别代表次日每个时间点的负荷预测值；
其中，第一层分解模块的前后切分单元将长度为T*N，维度为P的输入序列前后对半切分为前序列和后序列，前序列和后序列的长度为
Figure BDA0003875724750000021
维度为P；
其中，分解模块的两个局部关联信息提取单元用于完成前序列和后序列中向量数据的提取；局部关联信息提取单元采用掩码机制，具体为：
局部关联信息提取单元将前序列或后序列视为行高为
Figure BDA0003875724750000022
列宽为P的矩阵I，并将I分别乘以三个大小为P*P的参数矩阵Wq、Wk、Wv，得到查询矩阵Q、键矩阵K和值矩阵V，用矩阵乘法表示为：
Q＝IWq
K＝IWk
V＝IWv
将查询矩阵Q乘以键矩阵K的转置，求出关联性矩阵A；
定义掩码矩阵E，掩码矩阵E的行高或列宽与关联性矩阵A相同，掩码矩阵由(-10^6，0)组成，掩码矩阵E中的0值数量逐行增加并最终固定为一定值，使得输入序列中任意向量只与其某一相邻范围内的向量计算关联性；掩码矩阵E中的-10^6值使得输入序列中任意向量只与其自身和之前向量计算关联性；
当掩码矩阵E与关联性矩阵A相加，并进行一次softmax运算后，得到归一化的关联性矩阵A′；关联性矩阵A′中与掩码矩阵E中-10^6对应的值为0，其余位置的值为正常的归一化值；
最后，关联性矩阵A′与值矩阵V相乘得到最终的输出矩阵O，输出矩阵O的行高为
Figure BDA0003875724750000031
列宽为P，其每一行的元素代表输出序列中对应位置的向量，即第一层分解模块中任意一个局部关联信息提取单元的输出均为长度为
Figure BDA0003875724750000032
维度为P的子序列；
经过B层分解模块的处理后，最终得到2B组子序列，每组子序列的长度为
Figure BDA0003875724750000033
维度为P；
分别对每组子序列通过一层卷积层，输出得到2B个值；
最后，将这2B个值通过一个多层感知机，输出T个值，分别代表待测日每个时间点的负荷预测值。
进一步地，步骤3中还包括对预测模型进行测试的步骤；具体为：
采用损失函数Loss表示预测值与真实值间的误差大小，损失函数的值越小表示预测值与真实值间的误差越小；采用均方误差来表示损失函数，计算公式如下：
Figure BDA0003875724750000034
其中，yi表示第i时刻的真实负荷值，
Figure BDA0003875724750000035
表示第i时刻的预测负荷值，Loss表示损失函数的值；通过梯度下降算法，模型中的参数将不断迭代更新，使Loss值不断降低，当Loss值几乎不再变化，说明预测模型已经收敛，训练过程结束，模型的参数固定。
进一步地，采集原始数据时，以目标区域内每天每小时的平均总负荷功率作为历史负荷数据，以每天每小时的平均气温和平均湿度作为气象数据；预测模型预测的数据为待测日每小时的负荷预测值。
本发明具有如下有益效果：
一、本发明使用了一种提取局部关联信息的分解网络，该网络由多层提取局部关联信息的分解模块构成，随着分解网络中分解模块层数的增加，更深层次的时序信息将被提取出来；通过此结构，分解网络完成了从整体信息提取到局部信息提取的过渡，从而使输出的预测值兼顾了与输入数据的长期关系和短期关系，从而实现预测模型的准确预测；
二、分解模块包括前后切分单元与局部关联信息提取单元；在局部关联信息提取单元中采用的特殊掩码机制，使该单元输入序列中任意向量只与其自身和前面一定范围内的向量计算关联性，这不仅减少了网络的运算量，同时有利于符合时序逻辑的有效信息更快地被提取，从而加速网络的收敛。
附图说明
图1为本发明预测方法流程图；
图2为本发明实施例中分解网络示意图；
图3为本发明实施例中分解模块示意图；
图4为本发明实施例中掩码矩阵示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。
请参考图1，本实施例提供了一种提取局部关联信息的分解网络的负荷预测流程图。首先，收集用户侧的历史负荷数据和气象数据，并对其进行数据预处理，然后用预处理后的数据训练提取局部关联信息的分解网络，构建预测模型，最后，基于模型预测目标区域次日每小时的负荷情况。
本发明为一种基于分解网络的电力负荷预测方法，包括以下步骤：
步骤1：采集用户侧历史负荷数据和气象数据作为原始数据；具体为：
收集目标区域内一段时间每天每小时的平均总负荷功率，将其作为原始的历史负荷数据；收集目标区域内每天每小时的平均气温、平均湿度作为原始的气象数据。
步骤2：对原始数据进行预处理；
对于原始的历史负荷数据和气象数据，可能存在数据异常或数据缺失，这些不干净的数据往往会导致模型的预测准确度下降。因此需要对异常值和缺失值进行预处理操作；具体包括：判断原始数据中的异常值并对异常值进行修正；对原始数据中的缺失值进行填补；对完成修正和填补的每类原始数据分别进行归一化处理。
对于原始数据中的异常值点，首先通过3sigma准则来判断其是否为一天中的异常值点，判断公式如下：
Figure BDA0003875724750000051
其中，vn,t表示第n天t时刻的值，
Figure BDA0003875724750000052
表示第n天的所有时刻的均值，σ表示第n天所有时刻的标准差。对于符合上式的点，将其判断为异常值点，并根据其同一天前后两个时刻的数据和前后两天的同时刻数据来为异常值点赋值修正，修正异常值的公式如下：
Figure BDA0003875724750000053
其中，vn,t′为修正后的第n天t时刻的值，vn+1,t和vn-1,t分别为第n+1天和第n-1天t时刻的值，vn,t+1和vn,t-1分别为第n天t+1时刻和t-1时刻的值。α1和α2为权重系数，且两者之和应等于1。
对于原始数据中的缺失值点，若缺失点数量大于或等于一天的记录点数量的一半，则删去该日数据。若缺失点数量小于一天的记录点数量一半，则取该缺失点前后各两个时刻的值的均值来填补缺失点，填补缺失值公式如下：
Figure BDA0003875724750000054
其中，vn,t′为填补后的第n天t时刻的值，vn,t+1和vn,t-1分别为第n天t+1时刻和t-1时刻的值，vn,t+2和vn,t-2分别为第n天t+2时刻和t-2时刻的值，β1和β2为权重系数，且两者之和应等于1。
完成异常值和缺失值的修正和填补后，还需要对每天的气温，湿度，负荷功率这三组数据分别进行归一化处理，以消除各特征间量纲的影响，提高模型的精度。归一化处理方法采用min-max归一化方法，对于任意一组数据归一化公式如下：
Figure BDA0003875724750000055
其中，
Figure BDA0003875724750000061
表示第n天t时刻的归一化值，Rn,t表示第n天t时刻的原始值，maxRn和minRn分别表示第n天所有时刻中的最大值和最小值。
步骤3：构建预测模型并训练：
如图2和3所示，构建了一种基于提取局部关联信息的分解网络的预测模型。预测模型包括分解网络、卷积层和多层感知机；分解网络为多层结构，分解网络的每层包括若干分解模块；分解模块包括前后切分单元和局部关联信息提取单元；
预处理后的原始数据作为输入序列，前后切分单元将输入序列前后切分为前序列和后序列，前序列和后序列再通过两个局部关联信息提取单元完成序列中向量数据的提取，输出得到两个子序列；输出的子序列再分别输入至下一层的各个分解模块中直至达到分解网络的最终层后得到若干组子序列；将最终得到的每组子序列分别通过一层卷积层，得到若干个数值；最后将若干个数值通过多层感知机输出负荷预测值；
将每天时间按小时划分为T＝24个时间点，每小时的气温，湿度，负荷功率可表示为一组维度为P＝3的向量，即每天有24组向量。取连续N＝4天的数据用于训练，即有96组向量，将其视为序列，即输入序列长度为96，维度为3。
首先，将输入序列通过第一层的提取局部关联信息的分解模块(LAD-block)，得到2组长度为48，维度为3的子序列。
其中，提取局部关联信息的分解模块(LAD-block)结构图，如图3所示。该模块由前后切分单元和局部关联信息提取单元组成。以第一层LAD-block为例，其前后切分单元将该模块的输入序列(长度96，维度3)前后对半切分为前序列和后序列(长度48，维度3)；接着，前序列和后序列分别进入两个局部关联信息提取单元。局部关联信息提取单元将前序列或后序列视为行高为48列宽为3的矩阵I，并将I分别乘以三个大小为3*3的参数矩阵Wq，Wk，Wv，得到查询矩阵Q，键矩阵K和值矩阵V，用矩阵乘法可表示为:
Q＝IWq
K＝IWk
V＝IWv
将查询矩阵Q乘以键矩阵K的转置，可求出关联性矩阵A。
根据时序预测任务的特点，定义掩码矩阵E，与关联性矩阵A相加；其中，掩码矩阵示意图，如图4所示；掩码矩阵由(-10^6，0)组成，足够大的负值经过softmax后，其值才变为0；图4中的填充部分的值设为-10^6，白色部分的值设为0，掩码矩阵E的行高或列宽与关联性矩阵A相同。图中的填充倒三角设计，使得输入序列中任意向量只与其自身和之前向量计算关联性。图4中白色部分的数量逐行增加并最终固定为一定值的设计，使得输入序列中任意向量只与其某一相邻范围内的向量计算关联性。局部关联信息提取单元运用特殊的掩码机制，使该单元输入序列中任意向量只与其自身和之前一定范围内的向量计算关联性。此操作有利于符合时序逻辑的有效信息的提取，同时减小了网络的运算量。
当掩码矩阵E与关联性矩阵A相加，并进行一次softmax运算后，得到归一化的关联性矩阵A′。A′中与掩码矩阵E填充位置对应的值为0，其余位置的值为正常的归一化值。
最后，A′与值矩阵V相乘得到最终的输出矩阵O，输出矩阵的行高为48，列宽为3，其每一行的元素代表输出序列中对应位置的向量，即第一层LAD-block中任意一个局部关联信息提取单元的输出均为长度为48，维度为3的子序列。
经过B＝5层LAD-block的处理后，最终得到32组子序列，每组子序列的长度为3，维度为3。分别对每组子序列通过一层卷积层，卷积核大小为3*3，输出得到32个值。最后，将这32个值通过一个多层感知机，输出24个值，分别代表待测日即次日每小时的负荷预测值。
步骤3中还包括对预测模型进行测试的步骤；具体为：
采用损失函数Loss表示预测值与真实值间的误差大小，损失函数的值越小表示预测值与真实值间的误差越小；采用均方误差来表示损失函数，计算公式如下：
Figure BDA0003875724750000071
其中，yi表示第i时刻的真实负荷值，
Figure BDA0003875724750000072
表示第i时刻的预测负荷值，Loss表示损失函数的值；通过梯度下降算法，模型中的参数将不断迭代更新，使Loss值不断降低，当Loss值几乎不再变化，说明预测模型已经收敛，训练过程结束，模型的参数固定。
步骤四：由模型预测次日的负荷情况：
将前四天的历史负荷数据、气温数据和湿度数据作为已完成训练模型的输入，即输入为长度为96，维度为3的序列，即可输出得到次日每小时的负荷预测值。
本发明结合用户的历史负荷数据和其他相关数据，构建并训练出能够准确预测短期电力负荷的模型。
本发明未涉及部分均与现有技术相同或采用现有技术加以实现。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.基于分解网络的电力负荷预测方法，其特征在于：方法步骤包括：
步骤1：采集用户侧历史负荷数据和气象数据作为原始数据；
步骤2：对原始数据进行预处理；
步骤3：构建预测模型并训练：
预测模型包括分解网络、卷积层和多层感知机；分解网络为多层结构，分解网络的每层包括若干分解模块；分解模块包括前后切分单元和局部关联信息提取单元；
预处理后的原始数据作为输入序列，前后切分单元将输入序列前后切分为前序列和后序列，前序列和后序列再通过两个局部关联信息提取单元完成序列中向量数据的提取，输出得到两个子序列；输出的子序列再分别输入至下一层的各个分解模块中直至达到分解网络的最终层后得到若干组子序列；将最终得到的每组子序列分别通过一层卷积层，得到若干个数值；最后将若干个数值通过多层感知机输出负荷预测值；
步骤4：将待测日前的历史负荷数据和气象数据输入至训练好的预测模型中，得到待测日的电力负荷预测值。
2.根据权利要求1所述的基于分解网络的电力负荷预测方法，其特征在于：步骤1中，负荷数据为目标区域内历史的每天每小时的平均总负荷功率；气象数据包括每天每小时的平均气温和平均湿度。
3.根据权利要求1所述的基于分解网络的电力负荷预测方法，其特征在于：步骤2具体包括：
判断原始数据中的异常值并对异常值进行修正；
对原始数据中的缺失值进行填补；
对完成修正和填补的每类原始数据分别进行归一化处理。
4.根据权利要求3所述的基于分解网络的电力负荷预测方法，其特征在于：所述判断原始数据中的异常值并对异常值进行修正的方法为：通过3sigma准则来判断是否为一天中的异常值点，对于异常值点，根据其同一天前后两个时刻的数据和前后两天的同时刻数据为其赋值修正。
5.根据权利要求3所述的基于分解网络的电力负荷预测方法，其特征在于：对于原始数据中的缺失值点：若缺失点数量大于等于一天的记录点数量的一半，则删去当前日数据；若缺失点数量小于一天的记录点数量一半，则取当前缺失点前后时刻数据的均值来填补缺失点。
6.根据权利要求3所述的基于分解网络的电力负荷预测方法，其特征在于：归一化处理方法采用min-max归一化方法。
7.根据权利要求1所述的基于分解网络的电力负荷预测方法，其特征在于：局部关联信息提取单元采用掩码机制。(使该单元输入序列中任意向量只与其自身和之前一定范围内的向量计算关联性)。
8.根据权利要求1所述的基于分解网络的电力负荷预测方法，其特征在于：步骤3中，将每天时间划分为等时间间隔的T个时间点，原始数据中的特征维数为P；以每个时间点的特征表示为一个维度为P的向量，即每天有T组向量；取连续N天的数据用于训练，即有T*N组向量，作为输入序列，即输入序列长度为T*N，维度为P；
将长度为T*N，维度为P的输入序列通过若干层提取局部关联信息的分解模块，得到若干组长度相同的子序列，将每组子序列分别通过一层卷积层，得到若干个数值；最后，将若干个数值通过一个多层感知机，输出T个值，分别代表次日每个时间点的负荷预测值；
其中，第一层分解模块的前后切分单元将长度为T*N，维度为P的输入序列前后对半切分为前序列和后序列，前序列和后序列的长度为
Figure FDA0003875724740000021
维度为P；
其中，分解模块的两个局部关联信息提取单元用于完成前序列和后序列中向量数据的提取；局部关联信息提取单元采用掩码机制，具体为：
局部关联信息提取单元将前序列或后序列视为行高为
Figure FDA0003875724740000022
列宽为P的矩阵I，并将I分别乘以三个大小为P*P的参数矩阵Wq、Wk、Wv，得到查询矩阵Q、键矩阵K和值矩阵V，用矩阵乘法表示为：
Q＝IWq
K＝IWk
V＝IWv
将查询矩阵Q乘以键矩阵K的转置，求出关联性矩阵A；
定义掩码矩阵E，掩码矩阵E的行高或列宽与关联性矩阵A相同，掩码矩阵由(-10^6，0)组成，掩码矩阵E中的0值数量逐行增加并最终固定为一定值，使得输入序列中任意向量只与其某一相邻范围内的向量计算关联性；掩码矩阵E中的-10^6值使得输入序列中任意向量只与其自身和之前向量计算关联性；
当掩码矩阵E与关联性矩阵A相加，并进行一次softmax运算后，得到归一化的关联性矩阵A′；关联性矩阵A′中与掩码矩阵E中-10^6对应的值为0，其余位置的值为正常的归一化值；
最后，关联性矩阵A′与值矩阵V相乘得到最终的输出矩阵O，输出矩阵O的行高为
Figure FDA0003875724740000031
列宽为P，其每一行的元素代表输出序列中对应位置的向量，即第一层分解模块中任意一个局部关联信息提取单元的输出均为长度为
Figure FDA0003875724740000032
维度为P的子序列；
经过B层分解模块的处理后，最终得到2B组子序列，每组子序列的长度为
Figure FDA0003875724740000033
维度为P；
分别对每组子序列通过一层卷积层，卷积核大小为3*3，输出得到2B个值；
最后，将这2B个值通过一个多层感知机，输出T个值，分别代表待测日每个时间点的负荷预测值。
9.根据权利要求1所述的基于分解网络的电力负荷预测方法，其特征在于：步骤3中还包括对预测模型进行测试的步骤；具体为：
采用损失函数Loss表示预测值与真实值间的误差大小，损失函数的值越小表示预测值与真实值间的误差越小；采用均方误差来表示损失函数，计算公式如下：
Figure FDA0003875724740000034
其中，yi表示第i时刻的真实负荷值，
Figure FDA0003875724740000035
表示第i时刻的预测负荷值，Loss表示损失函数的值；通过梯度下降算法，模型中的参数将不断迭代更新，使Loss值不断降低，当Loss值几乎不再变化，说明预测模型已经收敛，训练过程结束，模型的参数固定。
10.根据权利要求1所述的基于分解网络的电力负荷预测方法，其特征在于：采集原始数据时，以目标区域内每天每小时的平均总负荷功率作为历史负荷数据，以每天每小时的平均气温和平均湿度作为气象数据；预测模型预测的数据为待测日每小时的负荷预测值。
CN202211214761.8A 2022-09-30 2022-09-30 基于分解网络的电力负荷预测方法 Pending CN115600640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211214761.8A CN115600640A (zh) 2022-09-30 2022-09-30 基于分解网络的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211214761.8A CN115600640A (zh) 2022-09-30 2022-09-30 基于分解网络的电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN115600640A true CN115600640A (zh) 2023-01-13

Family

ID=84845082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211214761.8A Pending CN115600640A (zh) 2022-09-30 2022-09-30 基于分解网络的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN115600640A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205355A (zh) * 2023-02-22 2023-06-02 正泰电气股份有限公司 电力负荷的预测方法、装置以及存储介质
CN116865261A (zh) * 2023-07-19 2023-10-10 王克佳 基于孪生网络的电力负荷预测方法及系统
CN117117860A (zh) * 2023-10-20 2023-11-24 浙江大学 一种多频率时间模式渐进解缠的电力负载预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205355A (zh) * 2023-02-22 2023-06-02 正泰电气股份有限公司 电力负荷的预测方法、装置以及存储介质
CN116205355B (zh) * 2023-02-22 2023-12-01 正泰电气股份有限公司 电力负荷的预测方法、装置以及存储介质
CN116865261A (zh) * 2023-07-19 2023-10-10 王克佳 基于孪生网络的电力负荷预测方法及系统
CN116865261B (zh) * 2023-07-19 2024-03-15 梅州市嘉安电力设计有限公司 基于孪生网络的电力负荷预测方法及系统
CN117117860A (zh) * 2023-10-20 2023-11-24 浙江大学 一种多频率时间模式渐进解缠的电力负载预测方法

Similar Documents

Publication Publication Date Title
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
CN115600640A (zh) 基于分解网络的电力负荷预测方法
CN112149879B (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
CN110348624B (zh) 一种基于Stacking集成策略的沙尘暴等级预测方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN105303262A (zh) 一种基于核主成分分析和随机森林的短期负荷预测方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN110197307B (zh) 一种结合注意力机制的区域型海表面温度预测方法
CN112001556B (zh) 一种基于深度学习模型的水库下游水位预测方法
CN111931989A (zh) 基于深度学习神经网络的电力系统短期负荷预测方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN116090602A (zh) 一种用电负荷预测方法及系统
CN114781744A (zh) 基于编码解码器的深度学习多步长辐照度预测方法
CN112381282A (zh) 基于宽度学习系统的光伏发电功率预测方法
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN110807508A (zh) 计及复杂气象影响的母线峰值负荷预测方法
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
CN117455536A (zh) 基于误差补偿的短期煤价预测方法及系统
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
CN116885699A (zh) 基于双重注意力机制的电力负荷预测方法

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