CN115936185A - 基于dcnn-lstm-ae-am的短期电力负荷和碳排放量预测方法及系统 - Google Patents

Abstract

本发明公开了基于DCNN‑LSTM‑AE‑AM的短期电力负荷和碳排放量预测方法及系统，包括以下步骤：采集城市电力负荷数据，并对其进行预处理；构建基于自注意力机制及DCNN‑LSTM‑AE的短期电力负荷预测模型；训练模型并对城市用户的短期电力负荷进行预测；构建阶梯式碳排放量预测模型，并基于短期电力负荷预测结果输出不同区间下的电力负荷对应的碳排放量。本发明采用空洞卷积扩大了时间视野，更加充分地提取了震荡数据的特征，解决部分数据长期震荡的问题；加入LSTM编码器结构来进一步提取时空特征信息，采用了注意力机制对前面提取到的特征进行重要性分析来完成最终的预测，提升了城市负荷预测的准确度。

Description

基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法及系统

技术领域

本发明属于电力负荷预测技术领域，具体地，涉及基于DCNN-LSTM-AE-AM 的短期电力负荷和碳排放量预测方法及系统。

背景技术

电力行业是我国经济社会的基础行业，电力设施是国家发展生产的基础设施，电网的稳定运行关乎国计民生，合理的电力调度预分配可以大幅减少电力的损失。因此，有必要制定合理调度计划，准确的短期电力负荷预测可以极大地促进电力系统地运行。短期负荷预测主要是指一年之内按月为单位的预测和以周、天、小时为单位的负荷预测。随着电网技术的不断发展，现代智能电网是由高效的通信网络建立的，通过多种传感器接收信息和先进的设备进行控制。智能电网是当前全球电力行业的热点，而消费者在智能电网的需求响应中扮演着重要的角色。根据消费者的能源消费规模和消费习惯，可将其分为居民消费者、企业消费者和工业消费者。城市消费者包括商业消费和工业消费，占据了能源消费的很大一部分。

以往对于短期负荷预测的发展，大致可以分为两个阶段：第一阶段是基于数学建模的预测方法，包括时间序列法、回归分析法等。在负荷预测发展的第一阶段中，预测时通过对数据构建数学模型和参数来拟合曲线。这就导致了对于电力负荷的预测往往忽略了其内在规律性和负荷的受影响因素，使得对于负荷的预测上误差偏大，预测效果不理想。

第二阶段是基于人工智能的负荷预测模型。如人工神经网络(ANN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)，得益于它们的出色时空特征提取能力，因而在负荷预测领域得到了广泛的应用。电力负荷数据是由多种复杂因素产生的，利用非线性模型来提升预测精度是研究的主要方向。 CNN可以提取时空特征给电力负荷预测注入了活力。RNN、LSTM、GRU等时序结构网络对时序数据具有极度的敏感性，能够充分挖掘相邻数据之间的与时间有关的特征信息，为短期电力负荷预测提供新思路。

随着经济的增长给环境带来了很大的压力，大量的能源损耗和碳排放导致了环境污染问题日益严重。因此，需要对碳排放量进行计算和预测，以此为控制碳排放做基础准备。本申请的目的是在用电负荷的预测下，将碳排放量预测出来，以此来为后续碳减排活动和碳交易进行预处理。并对碳排放达峰现状进行相应的分析，识别各行业碳排放的差异后提出对应的政策建议。

发明内容

为解决现有技术中存在的不足，本发明提供一种用于城市短期电力负荷预测的混合模型(DCNN-LSTM-AE-AM)。本发明使用空洞卷积通过扩大时间视野来初步提取时间序列负荷中的时间特征，LSTM-AE模块对DCNN提取好的特征进一步充分挖掘短期城市用电行为特征；为了融合这些不同行为特征，我们使用了注意力机制来反应行为在负荷预测中的重要性。

本发明采用如下的技术方案。

基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，包括以下步骤：

步骤1，采集城市电力负荷数据，并对其进行预处理；

步骤2，构建基于自注意力机制及DCNN-LSTM-AE的短期电力负荷预测模型；

步骤3，训练模型并对城市用户的短期电力负荷进行预测；

步骤4，构建阶梯式碳排放量预测模型，并基于短期电力负荷预测结果输出不同区间下的电力负荷对应的碳排放量。

优选地，预处理包括填补缺失值、对奇异数据进行归一化；其中采用TNN 算法来填补缺失值，在时刻t时，TNN的定义如下：

其中，K表示为选取的邻近的值的个数；T表示为间隔的周期；I_t表示为t时刻的城市用户负荷数据。

优选地，当缺失值持续时间过长时，即缺失时间大于两倍间隔周期，舍弃该时间长度的数据。

优选地，步骤2包括：

步骤2.1，将预处理后的电力负荷数据按时间顺序进行排列得到初始时间序列数据，采用窗口滑动的方法，选取固定时间步长的时间序列负荷数据作为特征输入，并将紧跟特征输入的下一个负荷数据作为目标输出；

步骤2.2，采用空洞卷积提取初始时间序列数据的时空特征；

步骤2.3，采用LSTM-AE提取前后向传播中的时间序列特征；

步骤2.4，采用注意力机制处理序列数据的谷值，应用多个全连接层作为输出层来细化值的权重，得到短期电力负荷预测模型。

优选地，步骤2.2中，对于初始时间序列数据，数据位置i相对应的输出y_i和滤波器w，输入特征v后的空洞卷积的映射函数为：

其中，空洞卷积调整速率r表示为选取输入数据的间隔步长；k表示为滤波器的数量，在加入卷积层之后，加入RELU激活函数、池化层以提高梯度的反向传播能力、提升初始时间序列数据中的非线性特征。

优选地，步骤2.3包括：构建BiLSTM模型：将输入数据以相同时间步长进行同步训练，一个将数据以时间正序格式输入，另一个以时间逆序格式输入进行处理，前向传播后向传播的隐藏状态及BiLSTM的输出H_t如下：

其中，S_t表示当前t时刻LSTM层中的内部状态；ξ_t表示当前t时刻的输入；表示时间步；FC代表全连接层。

优选地，步骤2.3还包括：基于步骤2.2构建的BiLSTM模型，最小化自动编码器的原始输入和输出之间的重构误差，找到一组最佳连接权重，自动编码器包括一个含有n维向量的输入和一个可定义任意维度的输出∈_t，则输入可以根据映射函数映射成输出∈_t：

其中，Θ是编码层的映射函数；和表示为权重矩阵；f和ρ是任意两种激活函数；α和β分别是编码器和解码器的偏置参数；，编码器采用两个BiLSTM 层，解码器采用两层LSTM作为特征分析层。

优选地，注意力机制的输出μ_t计算公式如下：

μ_t＝∑Ω_t⊙η_t

其中，η_t＝{h₁，…，h_χ}是LSTM-AE在时刻t的χ维的输出；Ω_t是一个权重矩阵。

优选地，阶梯式的碳排放模型如下：

其中，x_p表示短期电力负荷预测模型输出的预测电力负荷量；μ为碳排放增长率；E_P表示根据预测电力负荷量得出的碳排放量；x表示为电网统计的用电量； C_t表示结合时间因子的电力消耗碳排放因子；t代表每天的时间；k为整数。

优选地，结合时间因子的电力消耗碳排放因子为：

基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测系统，系统包括：数据采集模块，用于采集城市电力负荷数据；

数据预处理模块，用于对城市电力负荷数据填补缺失值、对奇异数据进行归一化；

模型构建模块，用于构建基于自注意力机制及DCNN-LSTM-AE的短期电力负荷预测模型及阶梯式碳排放量预测模型；

模型训练及输出模块：用于输出短期电力负荷预测结果及碳排放量预测结果

本发明的有益效果在于，与现有技术相比，采用了空洞卷积扩大了时间视野，更加充分地提取了震荡数据的特征，解决部分数据长期震荡的问题；加入LSTM 编码器结构来进一步提取时空特征信息，采用了注意力机制对前面提取到的特征进行重要性分析来完成最终的预测，提升了城市负荷预测的准确度。

本发明的有益效果还包括：

(1)采用TNN算法填补缺失值，降低电力数据的奇异数据对模型的负影响，解决缺失值持续时间相对较长而无法的推测问题，提高模型预测准确度；

(2)采用ACNN-LSTM-AE-AM混合模型减少信息损失、提升负荷数据中的非线性特征、学习到更多的特征信息并且增加上下文信息联系的敏感性；神经网络结构深度的增加有利于负荷特征的提取与融合，同时在解码器部分，减少非必要的网络计算负担；

(3)结合时间因子和碳排放因子,根据不同区间下的电力负荷量对当前的碳排放量进行预测，提升预测准确度。

附图说明

图1是基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法流程图；

图2是本发明的DCNN-LSTM-AE-AM预测模型架构；

图3是本发明具体实施例中LSTM-AE的结构；

图4是本发明具体实施例中经过填充处理的负荷数据；

图5是本发明具体实施例归一化处理后的负荷数据；

图6是本发明具体实施例某城市电力负荷1小时数据集预测效果；

图7是本发明具体实施例某城市电力负荷4小时数据集预测效果；

图8是本发明具体实施例某居民楼15分钟数据集的电力负荷预测效果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。

针对城市消费者短期电力负荷以及其碳排放量的短期预测，本文提出了一种基于神经网络和注意力机制的网络模型；同时，根据预测模型预测的电力负荷与本文提出的碳排放预测模型，进行城市消费者的碳排放量预测，具体流程如图1所示。

本文提出的城市电力负荷预测模型是由空洞卷积网路、基于LSTM与 BiLSTM的编码解码器与注意力机制构成的。对于城市历史负荷数据进行补全和归一化处理后，按照时间顺序构建出数据集，并将其输入到预测模型中即可得出预测电力负荷；同时将得到的预测电力负荷与预测对象电力消耗碳排放因子放入本文提出的碳排放预测模型就能够得出碳排放量预测值，从而实现基于历史负荷数据对短期电力负荷与碳排放的预测。城市消费者是智能电网中关键的组成部分，通过挖掘城市用电模式，提高电力系统运行短期负荷预测的准确性至关重要。申请的预测架构为DCNN-LSTM-AE-AM，用以最后，本方法采用了注意力机制对前面提取到的特征进行重要性分析来完成最终的预测。图2展示了城市电力负荷信息的提取过程和整合过程。

如图1-8所示的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，包括：步骤1，采集城市用户的电力负荷数据，并对其进行预处理；具体地，城市的电力负荷数据是由智能电表来采集的，智能电表能够准确的采集到城市的电力消耗情况，并通过各种通信网络传输到数据管理中心。

预处理包括填补缺失值和对奇异数据进行归一化：由于通信网络容易受到各种因素干扰，少部分电力负荷数据在传输过程会出现传输丢失的情况。因此，在任何模型训练之前，这些缺失的数据都需要一些合理的方法来处理。本申请采用 T-Nearest Neighbors(TNN)算法来填补缺失值，在时刻t时，TNN的定义如下：

其中K表示为选取的邻近的值的个数；T表示为间隔的周期；I_t表示为t时刻的城市用户负荷数据。该算法解决缺失值持续时间相对较长的问题。此外，当缺失值持续时间过长时，即缺失时间大于两倍间隔周期，舍弃该时间长度的数据。

收集的电力数据往往都会存在少量的奇异数据，这将会对整体的模型产生一定的负影响。因此，将这些数据缩放到某个固定范围内，使之符合一定的分布是必要的。本申请使用线性归一化(max-min normalization)来对负荷数据进行处理，它的定义如下：

其中θ_norm表示为归一化后的负荷输出；θ表示为当前的负荷输入；θ_max和θ_min分别表示为当前序列负荷输入的负荷最大值和最小值。

步骤2.1，将现有的数据按时间顺序进行排列得到时间序列数据。采用窗口滑动的方法，选取固定时间步长的时间序列负荷数据作为特征输入，并将紧跟特征输入的下一个负荷数据作为目标输出。

步骤2.2，采用空洞卷积提取初始的时空特征；

每个CNN都会有一个卷积核，卷积核可以根据卷积运算分享不同的权值。但是，CNN会损失部分前后时刻的信息。为了扩大CNN的视野，本申请将连续数据的卷积计算转变成跳跃数据的卷积计算，这种方法被称为空洞卷积(DCNN)。考虑一个1维数据，对于数据位置i相对应的输出y_i和滤波器w，输入特征v后的空洞卷积的映射函数可以定义为：

其中，空洞卷积调整速率r表示为选取输入数据的间隔步长；k表示为滤波器的数量。如图3所示为一个卷积核为2，膨胀度为2的一维空洞卷积的内部结构。此外，在加入卷积层之后，加入RELU激活函数和池化层有助于梯度的反向传播能力来提升负荷数据中的非线性特征。

步骤2.3，采用LSTM-AE提取前后向传播中的时间序列特征；

RNN是一种具备前向传播能力的顺序神经网络结构。虽然该网络在预测时间顺序数据时性能优越，但是当它处理持续时间很长的数据时，通常都会面临一些挑战，如：梯度爆炸和梯度消失。这些问题都会导致模型训练到一个极不稳定的状态。Hochreiter等人根据RNN结构提出了一种改进的时序循环神经网络并命名为LSTM。LSTM的结构加入了记忆功能，这种记忆功能成功解决了RNN 只能建立前后一个时刻的信息交互的问题。LSTM中的记忆细胞可以保留很久之前时刻的信息，同时遗忘门也可以选择丢弃部分特征信息。这种反向传播能力加强了上下文信息的交互能力，保留了更多有用的时空特征信息。LSTM的处理过程可以被定义为：

f_t＝σ(W_ftx_t+W_fhh_t-1+b_f)                   (4)

u_t＝σ(W_txx_t+W_uhh_t-1+b_u)                  (5)

g_t＝tan_h(W_gxx_t+W_ghh_t-1+b_g)                (6)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)                  (7)

c_t＝g_t⊙u_t+c_t-1⊙f_t                    (8)

h_t＝tanh(c_t)⊙o_t                       (9)

式(4)-(7)中x_t,f_t，u_t，g_t，o_t分别表示为t时刻的输入、遗忘门、输入门、输入节点、输出门，这些单元结构借助乘法操作和激活函数σ，tanh来完成负荷数据特征的筛选、提取。激活函数σ，tanh的非线性处理能力将输入不断压缩到更小的范围来逼近目标值。式(8)-(9)中c_t，h_t分别表示为记忆细胞和隐藏状态。 W_ft，W_fh，W_tx，W_uh，W_gx，W_gh，W_ox，W_oh分别是对应处理单元的权重矩阵；b_f，b_u，b_g，b_o分别是对应处理单元的偏置参数；⊙表示元素相乘；FC代表全连接层。

Paliwal和Schuster等人提出的双向长短期记忆网络(BiLSTM)是一种LSTM 的变异版本。如图5所示，BiLSTM实际上是两层LSTM叠加而成的特殊RNN 网络结构。这两层LSTM将输入数据以相同时间步长进行同步训练，它们的不同之处在于一个将数据以时间正序格式输入，另一个以时间逆序格式输入进行处理。这种结构被称为前后向传播层，它不仅利用了前一时刻的信息，而且还依赖了后一时刻的信息。前向传播和后向传播的隐藏状态以及BiLSTM的输出 H_t可以计算如下：

其中，S_t表示当前t时刻LSTM层中的内部状态，即包含了记忆细胞和隐藏状态；ξ_t表示当前t时刻的输入；表示时间步；FC代表全连接层。

自动编码器(AE)作为一种人工神经网络(ANN)，并不具有特定的网络结构，而是一种具有编码器和解码器的概念结构。AE旨在通过最小化AE的原始输入和输出之间的重构误差，找到一组最佳连接权重。对于任意的AE，都有一个含有n维向量的输入和一个可定义任意维度的输出∈_t，则输入可以根据映射函数映射成输出∈_t：

其中，Θ是编码层的映射函数；和表示为权重矩阵；f和ρ是任意两种激活函数；α和β分别是编码器和解码器的偏置参数。

显然，简单的非线性AE对于时间序列数据特征提取是困难的。本申请利用 LSTM和BiLSTM来构建AE，基于LSTM-AE的结构如图6所示。为了学习到更多的特征信息和增加上下文信息联系的敏感性，编码器部分采用了两个 BiLSTM层。此外，神经网络结构深度的增加有利于负荷特征的提取与融合。在解码器部分，为了减少非必要的网络计算负担，我们只需要加入两层LSTM作为特征分析层即可。

步骤2.4，融合之前的所有特征，提升谷值的预测准确性；

为了再进一步提高整体系统预测的准确性以及谷值的捕获能力，本研究采用了注意力机制对谷值段进行处理。图7给出了注意力机制的结构。注意力机制的输出μ_t可以计算如下：

μ_t＝∑Ω_t⊙η_t                    (15)

其中，η_t＝{h₁，…，h_χ}是LSTM-AE在时刻t的χ维的输出。Ω_t是一个权重矩阵，Ω_t＝{λ₁，…，λ_χ}。Ω_t可以根据接下来的过程实现。首先，将η_t作为注意力机制的输入。然后，对齐模型a(·)将输入与目标输出向量φ_t＝{ε₁，…，ε_χ}对齐。对齐分数的计算过程如下：

φ_t＝a(δ_t-1，η_t)                 (16)

本研究中对齐模型a(δ_t-1，η_t)表示为tanh(δ_t-1⊙η_t+γ)，δ_t-1是LSTM-AE在时刻t-1的χ维的最终输出的细胞状态，γ是一个偏置参数向量。最后，λ_j的计算公式为：

其中，i和j表示φ_t中的第i、j个元素。在注入注意力机制之后，我们还应用了多个全连接层作为输出层来细化值的权重，强化特征组合能力来逐渐得到准确的负荷预测值。

步骤3，训练模型并对城市用户的短期电力负荷进行预测；

步骤4，构建阶梯式碳排放量预测模型，并基于短期电力负荷预测结果输出不同区间下的电力负荷对应的碳排放量。

在碳排放的计算中一般是按照电力负荷量乘以电力消耗碳排放因子来进行的，其中采用了《2010年中国区域及省级电网平均二氧化碳排放因子》中的碳排放因子作为因数。本方法主要对城市的用电负荷进行预测，预测后进行相应碳排放量的预测和计算。一般的电力产生的碳排放公式为：

E＝x×C                 (18)

其中，E为消费电力所产生的碳排放量，单位为万t；x为电力负荷量，单位为kwh； C表示电力消耗碳排放因子。考虑在不同时间段内会有用电量的不同，因此对C_p进行改进，加入时间因子达到在不同时间段内碳排放因子不同的效果，改进后的 C_t为：

其中，C_t表示电力消耗碳排放因子，该因子会随着时间段的改变而改变，t代表每天的时间(一般取整)，电力能耗碳排放因子在早上八点到晚上八点的时间段内取0.7356kg/kwh，晚上九点到早上七点取0.3678kg/kwh。

在一般的电力碳排放模型下，根据预测的电力负荷来更新预测的碳排放量，本项目对一般式模型进行改进成阶梯式的碳排放模型，达到根据不同区间下的电力负荷量对当前的碳排放量进行预测的效果。改进后的预测碳排放量的模型如下：

其中，x_p表示短期电力负荷预测模型输出的预测电力负荷量；μ为碳排放增长率；E_P表示根据预测电力负荷量得出的碳排放量；x表示为电网统计的用电量；C_t表示结合时间因子的电力消耗碳排放因子；t代表每天的时间；k为整数。本方法中μ取1.25，E₀取3000(该值会随着预测周期的长短而改变)。x表示为电网所统计的用电量，只需对其值进行更改即可。同时，随着环境和外部条件的变化，碳排放因子也会不断的改变，需要对政策进行解读，确定不同的碳排放因子，即可得到所预测的碳排放量。

本实施例使用了两个数据集，一个是中国某城市的电力负荷数据集，包含了2016年11月25日到2019年11月24日的每小时负荷数据，共计26280条。另一个数据集是居民楼的电力负荷数据集。

表1列出了本文提出的ACNN-LSTM-AE-AM的超参数设置。该方法中的所有网络层都是基于Python3.6、Keras2.2以及TensorFlow2.0来构建的。使用了两层空洞卷积层，第一层采用卷积核大小为3，12个过滤器，膨胀率为2的空洞卷积来提取特征以及RELU作为输出结果，第二层则将过滤器提升为24个。两个 SpatialDropout层分别采用了0.1和0.2的概率来随机将参数置零。在编码器-解码器结构中，四个时序模型都采用了32个神经单元。在最终的输出层中，注意力机制采用了32个神经单元，三个Dense层则分别采用了96、32、1个神经单元。

表1提出方法的超参数设置

4.1.2评价指标

众所周知，机器学习中的部分方法可以使用准确度来衡量的。准确度可以评价有明确定义的拟合情况，但是针对含有不明确定义的时间序列数据，准确度对回归类的方法进行评价是不合时宜的。为了客观评价方法的公平性和完整性，本研究利用MAE、RMSE、MSE、MAPE这四种误差度量方法。MAE是一种平均量化误差的方法。与MAE相比，其它三种方法都对此做出了改进。MSE更加注重异常值对整体模型预测效果的影响，而RMSE在MSE的整体基础上进行了算数平方根，有利于性能极好时的模型提升。MAPE可以正视误差与实际值的差距。MAE、RMSE、MSE、MAPE的公式如下：

其中，N代表了负荷数据的总量；δ和δ_prev分别代表预测的负荷和真实的负荷。

这些评价标准都是数值越接近于0，模型效果越好；反之，则越差。

设置了各种类型的优化超参数，并根据评价指标MSE对这些超参数的进行性能评估。为了保证实验的公平性，我们将训练轮次设为50轮，选取批次大小为64，优化器为Adam，学习率为0.001。

每次输入到模型中的时间序列数据长度也是影响短期负荷预测鲁棒性和准确度的因素之一。在很深的网络中，输入的数据过大往往会造成过拟合。当然，在我们提出的方法中也有体现。表2展示了不同数据长度对我们提出的方法的精度影响。

表2提出方法的不同数据长度的评价指标

负荷数据长度	MSE	RMSE	MAE	MAPE
					4	0.01264	0.11246	0.08426	5.80739
6	0.01283	0.11327	0.08488	5.86216
					8	0.01282	0.11323	0.08486	5.85950
10	0.01276	0.11298	0.08467	5.84271
					12	0.01264	0.11246	0.08430	5.80859
14	0.01276	0.11297	0.08469	5.84243
					16	0.01266	0.11256	0.08438	5.81430

经过对每个参数进行五次运行并取其平均值得到的实验结果显示，负荷数据长度为4、36、52的MSE、RMSE、MAE、MAPE数据差异极小。而其他数据长度的数据波动较大，差距也越来越大，极大可能存在过拟合的现象。从最小的误差率结果来看，本文采用36的负荷数据长度作为输入最为合适。

本实施例为测试DCNN-LSTM-AE-AM实际的预测效果进行实验，基于上述消融实验结果，本实验将训练轮次设为50轮，负荷数据长度设为36，选取批次大小为64，优化器为Adam，学习率为0.001。图6-8分别为1小时、4小时的某城市电力负荷以及15分钟的某居民楼电力负荷预测效果，从图中可以看出本申请的DCNN-LSTM-AE-AM模型具有出色的趋势追踪能力。

本发明的有益效果在于，与现有技术相比，采用了空洞卷积扩大了时间视野，更加充分地提取了震荡数据的特征，解决部分数据长期震荡的问题；加入LSTM 编码器结构来进一步提取时空特征信息，采用了注意力机制对前面提取到的特征进行重要性分析来完成最终的预测，提升了城市负荷预测的准确度。

本发明的有益效果还包括：

(1)采用TNN算法填补缺失值，降低电力数据的奇异数据对模型的负影响，解决缺失值持续时间相对较长而无法的推测问题，提高模型预测准确度；

(2)采用ACNN-LSTM-AE-AM混合模型减少信息损失、提升负荷数据中的非线性特征、学习到更多的特征信息并且增加上下文信息联系的敏感性；神经网络结构深度的增加有利于负荷特征的提取与融合，同时在解码器部分，减少非必要的网络计算负担；

(3)结合时间因子和碳排放因子,根据不同区间下的电力负荷量对当前的碳排放量进行预测，提升预测准确度。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (13)

1.基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于，包括以下步骤：

步骤1，采集城市电力负荷数据，并对其进行预处理；

步骤2，构建基于自注意力机制及DCNN-LSTM-AE的短期电力负荷预测模型；

步骤3，训练模型并对城市用户的短期电力负荷进行预测；

步骤4，构建阶梯式碳排放量预测模型，并基于短期电力负荷预测结果输出不同区间下的电力负荷对应的碳排放量。

2.根据权利要求1所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

预处理包括填补缺失值、对奇异数据进行归一化；其中采用TNN算法来填补缺失值，在时刻t时，TNN的定义如下：

其中，K表示为选取的邻近的值的个数；T表示为间隔的周期；I_t表示为t时刻的城市用户负荷数据。

3.根据权利要求2所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

当缺失值持续时间过长时，即缺失时间大于两倍间隔周期，舍弃该时间长度的数据。

4.根据权利要求2所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

步骤2包括：

步骤2.1，将预处理后的电力负荷数据按时间顺序进行排列得到初始时间序列数据，采用窗口滑动的方法，选取固定时间步长的时间序列负荷数据作为特征输入，并将紧跟特征输入的下一个负荷数据作为目标输出；

步骤2.2，采用空洞卷积提取初始时间序列数据的时空特征；

步骤2.3，采用LSTM-AE提取前后向传播中的时间序列特征；

步骤2.4，采用注意力机制处理序列数据的谷值，应用多个全连接层作为输出层来细化值的权重，得到短期电力负荷预测模型。

5.根据权利要求4所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

步骤2.2中，对于初始时间序列数据，数据位置i相对应的输出y_i和滤波器w，输入特征v后的空洞卷积的映射函数为：

其中，空洞卷积调整速率r表示为选取输入数据的间隔步长；k表示为滤波器的数量，在加入卷积层之后，加入RELU激活函数、池化层以提高梯度的反向传播能力、提升初始时间序列数据中的非线性特征。

6.根据权利要求4所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

步骤2.3包括：构建BiLSTM模型：将输入数据以相同时间步长进行同步训练，一个将数据以时间正序格式输入，另一个以时间逆序格式输入进行处理，前向传播

后向传播的隐藏状态

及BiLSTM的输出H如下：

其中，S_t表示当前t时刻LSTM层中的内部状态，即包含了记忆细胞和隐藏状态；ξ_t表示当前t时刻的输入；

表示时间步；FC代表全连接层。

7.根据权利要求6所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

步骤2.3还包括：基于步骤2.2构建的BiLSTM模型，最小化自动编码器的原始输入和输出之间的重构误差，找到一组最佳连接权重，自动编码器包括一个含有n维向量的输入

和一个可定义任意维度的输出∈_t，则输入

可以根据映射函数映射成输出∈_t：

其中，Θ是编码层的映射函数；

和

表示为权重矩阵；f和ρ是任意两种激活函数；α和β分别是编码器和解码器的偏置参数；，编码器采用两个BiLSTM层，解码器采用两层LSTM作为特征分析层。

8.根据权利要求7所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

注意力机制的输出μ_t计算公式如下：

μ_t＝∑Ω_t⊙η_t

其中，η_t＝{h₁，…，h_x}是LSTM-AE在时刻t的χ维的输出；Ω_t是一个权重矩阵。

9.根据权利要求8所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

阶梯式的碳排放模型如下：

其中，x_p表示短期电力负荷预测模型输出的预测电力负荷量；μ为碳排放增长率；E_P表示根据预测电力负荷量得出的碳排放量；x表示为电网统计的用电量；C_t表示结合时间因子的电力消耗碳排放因子；t代表每天的时间；k为整数。

10.根据权利要求9所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

结合时间因子的电力消耗碳排放因子为：

11.基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测系统，运行根据权利要求1-10中任一项所述的基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法，其特征在于：

该系统包括：数据采集模块，用于采集城市电力负荷数据；

数据预处理模块，用于对城市电力负荷数据填补缺失值、对奇异数据进行归一化；

模型构建模块，用于构建基于自注意力机制及DCNN-LSTM-AE的短期电力负荷预测模型及阶梯式碳排放量预测模型；

模型训练及输出模块：用于输出短期电力负荷预测结果及碳排放量预测结果。

12.一种终端，包括处理器及存储介质；其特征在于：

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根据权利要求1-10任一项所述方法的步骤。

13.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1-10任一项所述方法的步骤。

Images