CN115936208A - 基于深度混合学习模型的短期电力负荷预测方法及装置 - Google Patents
基于深度混合学习模型的短期电力负荷预测方法及装置 Download PDFInfo
- Publication number
- CN115936208A CN115936208A CN202211531587.XA CN202211531587A CN115936208A CN 115936208 A CN115936208 A CN 115936208A CN 202211531587 A CN202211531587 A CN 202211531587A CN 115936208 A CN115936208 A CN 115936208A
- Authority
- CN
- China
- Prior art keywords
- power load
- prediction
- model
- layer
- network unit
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度混合学习模型的短期电力负荷预测方法及装置，所述方法包括：获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN‑BiLSTM网络；采用所述特征数据集对所述CNN‑BiLSTM网络进行预测训练，得到预测训练模型；利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；根据所述优化模型预测短期内的电力负荷，得到电力预测结果。本发明可以预先构建包含CNN网络和BiLSTM网络的深度混合学习模型，以及获取电力负荷的特征数据，采用特征数据对深度混合学习模型进行预测训练，并利用鲸鱼优化算法对模型进行预测优化得到电力负荷预测结果，通过结合CNN网络能提升模型对数据的深度挖掘能力，进而提高预测的精度，降低预测的误差。
Description
背景技术
电力负荷，又称“用电负荷”，具体是指电能用户的用电设备在某一时刻向电力系统取用的电功率的总和。为了能让电力系统安全有效地运行，首先需要准确预测电力负荷，进而才能根据预测的电力负荷制定合理的运行计划和适当的调度方案，使用户能安全正常地用电。
目前常用的电力负荷的预测方法是使用LSTM神经网络进行预测，具体是由LSTM网络对时序性数据进行提取，然后从在先的数据中查找若干与提取数据相关联的数据，基于相关联数据进行模型训练，再利用训练好的模型进行预测。
但目前常用的方法有如下技术问题：由于LSTM查找的数据是历史关联数据，利用在先的历史关联数据训练后的LSTM模型仅能结合用户的在先使用状态进行预测，而用户的用电负荷状态可能时刻在发生变化，使得预测结果可能与用户的当前或未来用电状态不同，预测的误差较低，准确率较低。
发明内容
本发明提出一种基于深度混合学习模型的短期电力负荷预测方法及装置，所述方法可以预先构建包含CNN网络和BiLSTM网络的深度混合学习模型，以及获取电力负荷的特征数据，采用特征数据对深度混合学习模型进行预测训练，并利用鲸鱼优化算法对模型进行预测优化得到电力负荷预测结果，通过结合CNN网络能提升模型对数据的深度挖掘能力，进而提高预测的精度提，降低预测的误差。
本发明实施例的第一方面提供了一种基于深度混合学习模型的短期电力负荷预测方法，所述方法包括：
获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN-BiLSTM网络；
采用所述特征数据集对所述CNN-BiLSTM网络进行预测训练，得到预测训练模型；
利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；
根据所述优化模型预测短期内的电力负荷，得到电力预测结果。
在第一方面的一种可能的实现方式中，所述利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型，包括：
设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；
利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；
采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。
在第一方面的一种可能的实现方式中，所述CNN-BiLSTM网络，包括：九层网络单元；
第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本为Xtrain∈RN×1；
第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1；
第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素；
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层；
第九层网络单元为全连接层。
在第一方面的一种可能的实现方式中，所述获取关于电力负荷的特征数据集，包括：
获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期；
对所述相关数据集进行归一化处理，得到归一化数据；
利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。
本发明实施例的第二方面提供了一种基于深度混合学习模型的短期电力负荷预测装置，所述装置包括：
获取与构建模块，用于获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN-BiLSTM网络；
训练模块，用于采用所述特征数据集对所述CNN-BiLSTM网络进行预测训练，得到预测训练模型；
优化模块，用于利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；
预测模块，用于根据所述优化模型预测短期内的电力负荷，得到电力预测结果。
在第二方面的一种可能的实现方式中，所述优化模块，还用于：
设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；
利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；
采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。
在第二方面的一种可能的实现方式中，所述CNN-BiLSTM网络，包括：九层网络单元；
第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本为Xtrain∈RN×1；
第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1；
第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素；
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层；
第九层网络单元为全连接层。
在第二方面的一种可能的实现方式中，所述获取与构建模块，还用于：
获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期；
对所述相关数据集进行归一化处理，得到归一化数据；
利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。
相比于现有技术，本发明实施例提供的一种基于深度混合学习模型的短期电力负荷预测方法及装置，其有益效果在于：本发明可以预先构建包含CNN网络和BiLSTM网络的深度混合学习模型，以及获取电力负荷的特征数据，采用特征数据对深度混合学习模型进行预测训练，并利用鲸鱼优化算法对模型进行预测优化得到电力负荷预测结果，通过结合CNN网络能提升模型对数据的深度挖掘能力，进而提高预测的精度提，降低预测的误差。
附图说明
图1是本发明一实施例提供的一种基于深度混合学习模型的短期电力负荷预测方法的流程示意图；
图2是本发明一实施例提供的CNN-BiLSTM网络的组成示意图；
图3是本发明一实施例提供的利用鲸鱼优化算法优化模型的操作流程图；
图4是本发明一实施例提供的一种基于深度混合学习模型的短期电力负荷预测方法的操作流程图；
图5是本发明一实施例提供的一种基于深度混合学习模型的短期电力负荷预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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所有其他实施例，都属于本发明保护的范围。
电力负荷，又称“用电负荷”，具体是指电能用户的用电设备在某一时刻向电力系统取用的电功率的总和。为了能让电力系统安全有效地运行，首先需要准确预测电力负荷，进而才能根据预测的电力负荷制定合理的运行计划和适当的调度方案，使用户能安全正常地用电。
目前常用的电力负荷的预测方法是使用LSTM神经网络进行预测，具体是由LSTM网络对时序性数据进行提取，然后从在先的数据中查找若干与提取数据相关联的数据，基于相关联数据进行模型训练，再利用训练好的模型进行预测。
但目前常用的方法有如下技术问题：由于LSTM查找的数据是历史关联数据，利用在先的历史关联数据训练后的LSTM模型仅能结合用户的在先使用状态进行预测，而用户的用电负荷状态可能时刻在发生变化，使得预测结果可能与用户的当前或未来用电状态不同，预测的误差较低，准确率较低。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于深度混合学习模型的短期电力负荷预测方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种基于深度混合学习模型的短期电力负荷预测方法的流程示意图。
其中，作为示例的，所述基于深度混合学习模型的短期电力负荷预测方法，可以包括：
S11、获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN-BiLSTM网络。
在一实施例中，CNN-BiLSTM网络可以是将CNN网络与BiLSTM网络结合的深度混合学习模型，该模型可以包含多层神经单元。
所述特征数据集可以是与电力负荷相关联的数据集。
为了能让数据集包含各类电力负荷的相关特征或者让数据集能满足电力负荷的相关特征要求，其中，作为示例的，步骤S11可以包括以下子步骤：
S111、获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期。
S112、对所述相关数据集进行归一化处理，得到归一化数据。
S113、利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。
短期电力负荷预测往往受多种因素影响，通过数据筛选，能筛选出满足各类因素要求的数据集，从而能采用上述数据集对模型进行训练，以提高模型预测的准确率。在一实施例中，多维特征参数集包含多种类型的特征参数，如历史负荷、人口增长率、社会经济情况、地理环境、预测时刻温度、历史降雨量、风速、相对湿度、是否为节假日、星期、时刻、月份等。
在使用CNN-BiLSTM模型之前，对输入数据进行规范化处理，首先收集电力负荷的相关数据，为了消除由于输入数据量纲不同带来的影响，采用min-max标准化的方式将数据归一化，对相关影响因素和负荷直接的相关性利用皮尔逊系数分析的方法，利用python/scipy.stats/pearsonr函数筛选出符合短期电力负荷预测特征的相关数据，具体可以包含：历史负荷数据(小时级日负荷需求)、天气因素(平均温度、相对湿度、降雨量、风力、污染程度)、梯度电价、日期因素等几项时间序列作为网络的输入。
具体地，电力负荷表达为式x所示函数。
Pt＝[Pt-1,Tt,Dt,Vt,Ot] 公式(1)；
上式中：Pt为t时刻电力负荷；Pt-1为t-1时刻的电力负荷；Tt为t时刻由温度引起的波动；Dt为特殊日期带来的波动，如节假日等；Vt为考虑梯度电价带来的影响；Ot为其他原因带来的波动，考虑到电力线路的定期巡检，大风、湿度过高、污染度超标导致的电力系统继电保护动作等因素。
在本实施例中，通过将CNN的挖掘能力和BiLSTM的时间序列预测能力相结合，建立CNN-BiLSTM混合深度学习网络的网络结构。t时刻实际电力负荷用Y表示；t-1时刻的实际电力负荷用X表示；气象因素、特殊日期因素、其他因素为外部因素，用E表示，则公式(1)可以简化为：
Y＝[X,E] 公式(2)；
在本实施例中，历史负荷矩阵H为BiLSTM层的输入；矩阵H为BiLSTM的输出矩阵；E为其他因素组成的矩阵，与BiLSTM层的输入矩阵H一起作为CNN层的输入，通过全连接层得到预测输出Y。
参照图2，示出了本发明一实施例提供的CNN-BiLSTM网络的组成示意图。
在一可选的实施例中，所述CNN-BiLSTM网络，包括：九层网络单元；
第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本为Xtrain∈RN×1。
第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1。
第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素。
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层。
第九层网络单元为全连接层。
具体地，第一层网络单元为：输入层，用于将训练数据传入到模型。第一层网络单元作为BiLSTM网络的输入，可以输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本Xtrain∈RN×1。即，输入为N×1阶的矩阵。
第二层网络单元和第三层网络单元为了：BiLSTM层。假设第二层网络单元的输入矩阵为Xtrain，t时刻第二层网络单元和第三层网络单元的输出分别为H1和H2。其中，H1和H2如下式所示：
H1＝BiLSTM(ht-1，Xtrain，t) 公式(3)；
H2＝BiLSTM(ht-1，H1，t) 公式(4)；
在一实施例中，BiLSTM层输出矩阵记为B，B∈RN×1。
第四层网络单元：组合层。包括BiLSTM层输出矩阵B，还包括气象因素、特殊日期因素和其他因素。各项影响因素组成的特征用矩阵Strain表示，Strain∈RN×D，D为各项影响因素特征的维度。Strain与H共同作为第四层网络单元的输入，通过concat函数将二者组合成一个新的矩阵X′，X′可表示为
X′ ＝ concat(ht,Strain ) ＝ [ht Strain] 公式(5)；
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元分别：CNN层。
各项影响因素组成的矩阵S与输出矩阵H连接为新的矩阵，可以作为CNN层的输入，通过全连接层得到预测输出Y，矩阵Y代表未来几个节点的负荷数据。第五层网络单元的输入矩阵为X′，第五层网络单元至第八层网络单元的输出分别为H′3～H′6，H′3～H′6分别为N×H3、N×H4、N×H5、N×H6的矩阵，其中H3～H6分别为四个隐藏层的神经元数。H′3～H′68的输出可如下式所示：
H′3 ＝ CNN(X′) 公式(6)；
H′4 ＝ CNN(H′3 ) 公式(7)；
H′5 ＝ CNN(H′4 ) 公式(8)；
H′6 ＝ CNN(H′5 ) 公式(9)；
历史负荷矩阵X为BiLSTM网络的输入矩阵，矩阵H为BiLSTM网络的输出矩阵，各项影响因素组成的矩阵S与输出矩阵H连接为新的矩阵，作为CNN的输入，通过全连接层得到预测输出Y，矩阵Y代表未来几个节点的负荷数据。
第九层网络单元为：全连接层。最后的预测输出Y为M×1阶矩阵，M为预测步长，预测输出矩阵Y只有一列，即为电力负荷预测值，预测公式表示为：
Y＝DNN(H′6)公式(10)。
双向长短时记忆(BiLSTM)作为LSTM的一种变形结构，它包含了LSTM的前向传播层和后向传播层。Bi-LSTM是过去和未来隐藏层的状态都可以递归，进行反馈的神经网络，可以很好的发掘时间序列数据间隐藏的联系，从而能拓展挖掘数据的能力，实现深度挖掘的效果，以提高模型的学习效果。
而在BiLSTM的基础上增加一层卷积神经网络(CNN)提高对特征数据的利用率，从而能有效提高预测的准确率。
S12、采用所述特征数据集对所述CNN-BiLSTM网络进行预测训练，得到预测训练模型。
在一实施例中，可以采用特征数据集对网络进行模型训练，在使用数据集进行训练的阶段，每一轮训练都根据评价指标来更新权重，通过反向传播和权重更新不断对模型进行优化，从而得到预测训练模型。
S13、利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型。
利用鲸鱼优化算法(WOA)可以找到全局最优解，针对模型网络参数选择存在局部最优的问题，对模型参数进行训练，能有效提升模型的预测准确度，使模型达到最佳的学习和预测效果。
在其中一种的实施例中，步骤S13可以包括以下子步骤：
S131、设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比。
S132、利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数。
S133、采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。
具体地，假设具有N只鲸鱼的种群为M(m1，m2，…，mN)，第i只鲸鱼在Z维空间内的位置为Xi(Xi1，Xi2，…，Xiz)，其中，i＝1，2…，N。则鲸鱼位置的更新可用下述公式(11)和公式(12)进行计算。
D＝|C·X*(t)-Xi(t)| 公式(11)；
其中D为鲸鱼个体位置与种群全局最优位置的距离，Xi(t)为第i只鲸鱼个体在第t次迭代时的位置，X*(t)为第t次迭代时鲸鱼种群的全局最优位置，C为摆动因子。
Xi(t+1)＝X*(t)-A·D 公式(12)；
A为收敛因子，A和C的计算公式如下述公式(13)和公式(14)所示。
A＝2a·r-a 公式(13)；
C＝2r公式(14)；
a在迭代过程中从2按照线性减少到0，r是[0，1]中的随机向量。
每只鲸鱼捕食的移动轨迹方程如下式所示。
Xi(t+1)＝D·ebl·cos(2πl)+X*(t) 公式(15)；
e是指数运算，b是用于定义对数螺旋形状的常数，l是[-1，1]中的随机数。
鲸鱼个体移动到种群全局最优位置的路径计算公式如下式所示。
其中p的取值为0到1范围内均匀分布的随机数。
当收敛因子的绝对值|A|<1时，鲸鱼个体按照下述公式(17)向种群全局最优位置移动；当收敛因子的绝对值|A|>1时，鲸鱼个体主动远离鲸鱼种群的全局最优位置，从而扩大种群的搜索范围，以搜寻到更好的全局最优解。WOA的全局随机搜索过程如下述公式(17)和公式(18)所示。
D＝|C·Xi,rand-Xi(t)| 公式(17)；
Xi(t+1)＝Xi,rand-A·D 公式(18)；
其中Xi，rand为鲸鱼个体随机生成位置。
参照图3，示出了本发明一实施例提供的利用鲸鱼优化算法优化模型的操作流程图。
在实际操作中，采用WOA算法对CNN-BiLSTM进行参数寻优的流程包括：
第一步：设置种群数、种群参数、迭代次数、发现者占比等WOA算法参数。
第二步：初试化算法，将迭代次数，学习率，卷积层节点数，双向LSTM节点数进行随机赋值初始化。
第三步：计算出每只鲸鱼所在位置的对应CNN-BiLSTM模型的均方误差作为适应度函数。
第四步：根据适应度选择鲸鱼个体位置与种群全局最优位置的距离，以选出X*(t)为第t次迭代时鲸鱼种群的全局最优位置。
第五步：将本次最优值与之前保存最优值进行比较，若有改进则更新全局最优参数。
第六步：判断是否达到终止条件。若是，结束优化；若否，按照公式(16)更新鲸鱼位置，开始下一次优化。
CNN-BiLSTM的各个参数对最终输出结果有很大的影响，根据传统的经验法和网络寻优法去选择的参数，如迭代次数、学习率、卷积层节点率，其选择结果会导致拟合误差较大的问题。而通过鲸鱼优化算法对CNN-BiLSTM的迭代次数，学习率，卷积层节点数，双向LSTM节点数进行寻优，经过多次迭代得到最终结果，可以避免拟合误差过大的问题，使得CNN-BiLSTM网络能输出最优预测值。
S14、根据所述优化模型预测短期内的电力负荷，得到电力预测结果。
在完成训练和优化后，模型可以根据在先的数据集进行预测，最后得到电力负荷的预测结果，并将预测结果传输给用户。
参照图4，示出了本发明一实施例提供的一种基于深度混合学习模型的短期电力负荷预测方法的操作流程图。
具体地，先获取电力负荷的相关数据集，然后从相关数据集中提取符合特征要求的特征数据集并对特征数据集进行数据筛选，采用筛选的数据集对CNN-BiLSTM网络进行模型训练，训练完成后采用WOA算法优化模型的参数，最后使用优化后的模型进行电力负荷预测，得到预测结果。
利用组合模型对多维输入特征参数的短期电力负荷数据进行预测的过程，从输入特征中选择出对于模型和预测结果有益的相关特征可以减少特征参数数量和维度，减少运算过拟合现象，提升模型运算效率与泛化能力，增强模型对于特征参数的挖掘，进而提升模型预测精度。采用鲸鱼优化算法(WOA)对参数进行寻优，搜寻到更好的全局最优解，优化后能大大提升负荷预测的准确度与现有技术相比，引入混合深度学习算法WOA-CNN-BiLSTM，能增加预测模型的复杂性，使得数据拟合的效果预测准确率能大大的提高。
在本实施例中，本发明实施例提供了一种基于深度混合学习模型的短期电力负荷预测方法，其有益效果在于：本发明可以预先构建包含CNN网络和BiLSTM网络的深度混合学习模型，以及获取电力负荷的特征数据，采用特征数据对深度混合学习模型进行预测训练，并利用鲸鱼优化算法对模型进行预测优化得到电力负荷预测结果，通过结合CNN网络能提升模型对数据的深度挖掘能力，进而提高预测的精度提，降低预测的误差。
本发明实施例还提供了一种基于深度混合学习模型的短期电力负荷预测装置，参见图5，示出了本发明一实施例提供的一种基于深度混合学习模型的短期电力负荷预测装置的结构示意图。
其中，作为示例的，所述基于深度混合学习模型的短期电力负荷预测装置可以包括：
获取与构建模块501，用于获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN-BiLSTM网络；
训练模块502，用于采用所述特征数据集对所述CNN-BiLSTM网络进行预测训练，得到预测训练模型；
优化模块503，用于利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；
预测模块504，用于根据所述优化模型预测短期内的电力负荷，得到电力预测结果。
可选地，所述优化模块，还用于：
设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；
利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；
采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。
可选地，所述CNN-BiLSTM网络，包括：九层网络单元；
第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本为Xtrain∈RN×1；
第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1；
第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素；
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层；
第九层网络单元为全连接层。
可选地，所述获取与构建模块，还用于：
获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期；
对所述相关数据集进行归一化处理，得到归一化数据；
利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。
所属技术领域的技术人员可以清楚地了解到，为方便的描述和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于深度混合学习模型的短期电力负荷预测方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行如上述实施例所述的基于深度混合学习模型的短期电力负荷预测方法。
以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述方法包括：
获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN-BiLSTM网络；
采用所述特征数据集对所述CNN-BiLSTM网络进行预测训练，得到预测训练模型；
利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；
根据所述优化模型预测短期内的电力负荷，得到电力预测结果。
2.根据权利要求1所述的基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型，包括：
设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；
利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；
采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。
3.根据权利要求1所述的基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述CNN-BiLSTM网络，包括：九层网络单元；
第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本为Xtrain∈RN×1；
第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1；
第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素；
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层；
第九层网络单元为全连接层。
4.根据权利要求1所述的基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述获取关于电力负荷的特征数据集，包括：
获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期；
对所述相关数据集进行归一化处理，得到归一化数据；
利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。
5.一种基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述装置包括：
获取与构建模块，用于获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN-BiLSTM网络；
训练模块，用于采用所述特征数据集对所述CNN-BiLSTM网络进行预测训练，得到预测训练模型；
优化模块，用于利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；
预测模块，用于根据所述优化模型预测短期内的电力负荷，得到电力预测结果。
6.根据权利要求5所述的基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述优化模块，还用于：
设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；
利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；
采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。
7.根据权利要求5所述的基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述CNN-BiLSTM网络，包括：九层网络单元；
第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，每个样本为Xtrain∈RN×1；
第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1；
第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素；
第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层；
第九层网络单元为全连接层。
8.根据权利要求5所述的基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述获取与构建模块，还用于：
获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期；
对所述相关数据集进行归一化处理，得到归一化数据；
利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。
9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任意一项所述的基于深度混合学习模型的短期电力负荷预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行如权利要求1-4任意一项所述的基于深度混合学习模型的短期电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211531587.XA CN115936208A (zh) | 2022-12-01 | 2022-12-01 | 基于深度混合学习模型的短期电力负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211531587.XA CN115936208A (zh) | 2022-12-01 | 2022-12-01 | 基于深度混合学习模型的短期电力负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936208A true CN115936208A (zh) | 2023-04-07 |
Family
ID=86648611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211531587.XA Pending CN115936208A (zh) | 2022-12-01 | 2022-12-01 | 基于深度混合学习模型的短期电力负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936208A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236485A (zh) * | 2023-08-15 | 2023-12-15 | 湖北华中电力科技开发有限责任公司 | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 |
-
2022
- 2022-12-01 CN CN202211531587.XA patent/CN115936208A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236485A (zh) * | 2023-08-15 | 2023-12-15 | 湖北华中电力科技开发有限责任公司 | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 |
| CN117236485B (zh) * | 2023-08-15 | 2024-05-03 | 湖北华中电力科技开发有限责任公司 | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Niu et al. | Wind power forecasting using attention-based gated recurrent unit network | |
| Zhang et al. | Improved deep mixture density network for regional wind power probabilistic forecasting | |
| Feng et al. | A taxonomical review on recent artificial intelligence applications to PV integration into power grids | |
| Sarmas et al. | Short-term photovoltaic power forecasting using meta-learning and numerical weather prediction independent Long Short-Term Memory models | |
| Zhang et al. | A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| Bilgili et al. | Long short-term memory (LSTM) neural network and adaptive neuro-fuzzy inference system (ANFIS) approach in modeling renewable electricity generation forecasting | |
| Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
| Zou et al. | Deep non-crossing probabilistic wind speed forecasting with multi-scale features | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| 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 | |
| Fan et al. | Multi-objective LSTM ensemble model for household short-term load forecasting | |
| CN115936208A (zh) | 基于深度混合学习模型的短期电力负荷预测方法及装置 | |
| CN113962454A (zh) | 基于双重特征选择+粒子群优化的lstm能耗预测方法 | |
| CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
| Thejus et al. | Deep learning-based power consumption and generation forecasting for demand side management | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| CN115577872A (zh) | 基于多能智能体深度强化学习的结构化数据预测优化方法 | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
| Sina et al. | An accurate hybrid approach for electric short-term load forecasting | |
| Dai et al. | Spatio-temporal prediction for distributed PV generation system based on deep learning neural network model | |
| Lin et al. | A novel ultra-short-term wind power prediction model jointly driven by multiple algorithm optimization and adaptive selection |
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 |