CN116227721A - 基于生成对抗网络的用户负荷率预测方法及系统 - Google Patents
基于生成对抗网络的用户负荷率预测方法及系统 Download PDFInfo
- Publication number
- CN116227721A CN116227721A CN202310252260.7A CN202310252260A CN116227721A CN 116227721 A CN116227721 A CN 116227721A CN 202310252260 A CN202310252260 A CN 202310252260A CN 116227721 A CN116227721 A CN 116227721A
- Authority
- CN
- China
- Prior art keywords
- user
- load rate
- function
- data
- sample
- 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 29
- 230000006870 function Effects 0.000 claims abstract description 108
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007621 cluster analysis Methods 0.000 claims abstract description 11
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 5
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 7
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于生成对抗网络的用户负荷率预测方法及系统,采集同一电压等级下终端电力用户数据,计算负荷率;建立生成对抗网络(Generative Adversarial Network,GAN)模型,引入Wasserstein距离与梯度惩罚函数;使用终端电力用户负荷率数据对GAN模型进行训练,并采用RMSprop算法优化GAN的网络参数;通过训练后的GAN模型生成若干用户负荷率生成数据样本,补充样本数量;对生成数据样本进行聚类分析,计算每簇聚类的子系统负荷率与子系统同时率,并采用线性回归方法绘制BARY曲线,实现用户子系统负荷率的预测。本发明有效提高用户负荷率预测效率及可靠性,进一步提高电网运行效率。
Description
技术领域
本发明涉及电力预测领域,具体涉及一种基于生成对抗网络的用户负荷率预测方法及系统。
背景技术
电价改革是电力体制改革的重要组成部分,科学合理、实际可行的电价机制是电力体制改革顺利进行的重要因素之一,因此需要研究适应我国电力市场发展要求的电价机制。可选择电价机制是基于机制设计理论和电价管理实践而产生的一种新的电价机制,通过给用户提供多种电价标准,允许用户根据自身负荷特性自由选择,在国内外得到了广泛的应用。通过输配电成本分摊方法对不同用户类别所需承担的电网输配电成本进行分析,有助于电力市场交易的公平公正、电力用户的权责对等,实现电价的公共事业功能,提高电网运行效率,满足“双碳”目标下新型电力系统的建设要求。
而现在急需一种用户负荷率预测的方案,实现对用户负荷率的准确预测,并进一步用于输配电成本分配或输配电分配,提高电网运行效率。
发明内容
有鉴于此,本发明的目的在于提供一种基于生成对抗网络的用户负荷率预测方法及系统,有效提高用户负荷率预测效率及可靠性,进一步提高电网运行效率。
为实现上述目的,本发明采用如下技术方案:
一种基于生成对抗网络的用户负荷率预测方法,包括以下步骤:
步骤S1:采集供电范围内的同一电压等级下终端电力用户数据,并计算该电压等级下终端电力用户的负荷率数据x;
步骤S2:构建GAN模型;
步骤S3:引入Wasserstein距离与梯度惩罚函数到GAN模型;
步骤S4:将一组随机噪声数据z输入GAN模型的生成器,输出为用户负荷率生成数据样本G(z);
步骤S5:将终端电力用户的负荷率数据x与用户负荷率生成数据样本G(z)输入GAN模型的判别器,判别器输出对终端电力用户的负荷率数据样本x和用户负荷率生成数据样本G(z)的判别值;
步骤S6:计算生成器和判别器的损失函数,采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新;
步骤S7:当训练结束后,保留GAN中的生成器模型,输入若干组随机噪声数据z,生成器输出若干组用户负荷率生成数据样本;
步骤S8:对终端电力用户的负荷率数据样本x,与若干组用户负荷率生成数据样本进行聚类分析,并对聚类分析K值进行判定;
步骤S9:基于用户负荷率生成数据样本聚类分析结果,计算每个簇样本用户的子系统负荷率和子系统同时率,并采用线性回归方法绘制BARY曲线,实现用户子系统负荷率的预测。
进一步的,终端电力用户在某一时间段负荷率的计算公式为:
LF=LDave/LDmax (1)
式中,LDave表示终端电力用户在该时段的平均负荷;LDmax表示终端电力用户在该时段的最大负荷。
进一步的,所述步骤S2具体为:
定义终端电力用户的负荷率数据为x,定义一组随机噪声数据z作为生成器的输入,以pz(z)表示z的概率分布,同时以pdata(x)表示终端电力用户的负荷率数据x的概率分布,生成器的输出为用户负荷率生成数据样本G(z),概率分布为pG(z);
根据生成器与判别器的训练目标,分别构造生成器和判别器的损失函数LG和LD如下:
根据和判别器的损失函数LG和LD,将式(1)和式(2)相结合,得到GAN训练过程中的目标函数:
进一步的,Wasserstein距离的定义如下:
式中,Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合;W(pdata,pG)为(u,v)~γ期望的下确界,表示将生成分布pG拟合成真实分布pdata,需要将u移动到v的距离,其中u和v分别表示从联合分布γ中随机采样的终端电力用户的负荷率数据样本与生成样本;
采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离:
式中||fD||L≤K表明判别器函数D(x)满足K-Lipschitz连续,即函数梯度的绝对值上限为K;
对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数,GAN的目标函数转化为:
进一步的,GAN模型的生成器结构如下所示:
卷积层1:32个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层2:64个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层3:4个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数ReLU。
进一步的,GAN模型的判别器结构如下所示:
输入层:64个卷积核,每个卷积核尺寸为3;步幅为1;
卷积层1:128个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层2:256个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层3:512个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层4:128个卷积核,每个卷积核尺寸为3;步幅为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层5:512个卷积核,每个卷积核尺寸为1;步幅为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
输出层:稠密层结构,包含1024个神经网络单元,1个样本作为输出。
进一步的,RMSprop优化算法的公式如下:
在公式中sdw和sdb分别是损失函数在前几次迭代过程中累积的梯度动量,β是一个表示梯度累积的参数;RMSprop算法对梯度计算了微分平方加权平均数。当dW或者db中出现超出预设范围的值时,将此变化量除以它在之前迭代过程中累积的梯度动量,以满足梯度摆动幅度值的要求;ε是为了防止分母为零造成奇异的辅助参数。
进一步的,手肘法具体为:随着聚类数K值的增大,用户负荷率生成数据样本G(z)的划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和也会逐渐变小;当K值小于真实聚类数时,误差平方和的下降幅度会很大;而当K值到达真实聚类数时,增加K值所得到的误差平方和的下降幅度会骤减,且趋于平缓,故根据样本用户在不同K值下的聚类偏差结果,设置最优聚类K值。
进一步的,同时率的计算公式如下:
CF=Pmax/∑Pimax (9)
式中,Pmax表示该输配电压等级下的簇样本用户在某时间段的总体最大负荷;Pimax表示簇样本内第i个用户在该时段的最大负荷。
一种基于生成对抗网络的用户负荷率预测系统,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如权利要求1-9任一项所述的基于生成对抗网络的用户负荷率预测方法中的步骤。
本发明与现有技术相比具有以下有益效果:
本发明有效提高用户负荷率预测效率及可靠性,进一步提高电网运行效率。
附图说明
图1是本发明方法流程示意图;
图2是本发明一实施例中样本用户不同K值的聚类偏差分析图;
图3是本发明一实施例中样本用户的负荷率聚类分布图;
图4是本发明一实施例中样本用户的BARY曲线;
图5是本发明一实施例中负荷率与同时率曲线。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于生成对抗网络的用户负荷率预测方法,包括以下步骤:
步骤S1:采集供电范围内的同一电压等级下终端电力用户数据,并计算该电压等级下终端电力用户的负荷率数据x,终端电力用户在某一时间段负荷率的计算公式为:
LF=LDave/LDmax (1)
式中,LDave表示终端电力用户在该时段的平均负荷;LDmax表示终端电力用户在该时段的最大负荷。
步骤S2:构建GAN模型;
步骤S3:引入Wasserstein距离与梯度惩罚函数到GAN模型;
在本实施例中,Wasserstein距离的定义如下:
式中,Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合;W(pdata,pG)为(u,v)~γ期望的下确界,表示将生成分布pG拟合成真实分布pdata,需要将u移动到v的距离,其中u和v分别表示从联合分布γ中随机采样的终端电力用户的负荷率数据样本与生成样本。采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离:
式中||fD||L≤K表明判别器函数D(x)满足K-Lipschitz连续,即函数梯度的绝对值上限为K;为了保证梯度不超过限值K,对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数,使判别器函数D(x)近似满足K-Lipschitz连续,以精确描述Wasserstein距离,此时,GAN的目标函数转化为:
步骤S4:将一组随机噪声数据z输入GAN模型的生成器,输出为用户负荷率生成数据样本G(z);
步骤S5:将终端电力用户的负荷率数据x与用户负荷率生成数据样本G(z)输入GAN模型的判别器,判别器输出对终端电力用户的负荷率数据样本x和用户负荷率生成数据样本G(z)的判别值;
步骤S6:计算生成器和判别器的损失函数,采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新;。设定RMSprop优化算法的学习2×10-4,参数0.9。此时一轮训练结束,返回步骤S4进行下一轮训练;
RMSprop优化算法的公式如下:
在公式中sdw和sdb分别是损失函数在前几次迭代过程中累积的梯度动量,β是一个表示梯度累积的参数。RMSprop算法对梯度计算了微分平方加权平均数。当dW或者db中出现超出预设范围的值时,将此变化量除以它在之前迭代过程中累积的梯度动量,以满足梯度摆动幅度值的要求;ε是为了防止分母为零造成奇异的辅助参数。
步骤S7:当训练结束后,保留GAN中的生成器模型,输入若干组随机噪声数据z,生成器输出若干组用户负荷率生成数据样本;
步骤S8:对终端电力用户的负荷率数据样本x,与若干组用户负荷率生成数据样本进行聚类分析,并对聚类分析K值进行判定;
步骤S9:基于用户负荷率生成数据样本聚类分析结果,计算每个簇样本用户的子系统负荷率和子系统同时率,并采用线性回归方法绘制BARY曲线,实现用户子系统负荷率的预测。
在本实施例中,定义终端电力用户的负荷率数据为x,定义一组随机噪声数据z作为生成器的输入,以pz(z)表示z的概率分布,同时以pdata(x)表示终端电力用户的负荷率数据x的概率分布。生成器的输出为用户负荷率生成数据样本G(z),概率分布为pG(z)。
根据生成器与判别器的训练目标,分别构造生成器和判别器的损失函数LG和LD如下:
根据和判别器的损失函数LG和LD,将式(1)和式(2)相结合,可得到GAN训练过程中的目标函数:
GAN模型的生成器结构如下所示:
卷积层1:32个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层2:64个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层3:4个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数ReLU。
GAN模型的判别器结构如下所示:
输入层:64个卷积核,每个卷积核尺寸为3;步幅为1;
卷积层1:128个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层2:256个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层3:512个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层4:128个卷积核,每个卷积核尺寸为3;步幅为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层5:512个卷积核,每个卷积核尺寸为1;步幅为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
输出层:稠密层结构,包含1024个神经网络单元,1个样本作为输出。
在本实施例中,手肘法:随着聚类数K值的增大,用户负荷率生成数据样本G(z)的划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和也会逐渐变小。当K值小于真实聚类数时,误差平方和的下降幅度会很大;而当K值到达真实聚类数时,增加K值所得到的误差平方和的下降幅度会骤减,且趋于平缓。如图2所示,样本用户在不同K值下的聚类偏差结果,可以看出在样本用户聚类的K值为4以后,增加聚类数量对于减少偏差效果已经非常不显著,因此最优聚类K值应为4。
如图3所示,该图即为用户负荷率生成数据样本的聚类分布结果。
优选地,在本实施例中,依据每簇样本用户的子系统负荷率与子系统同时率,借助经济学软件EVIEWES使用线性回归对BARY曲线的未知参数α进行估计,绘制该电压等级下所有终端电力用户的BARY曲线,如图4所示;
负荷率的计算公式如步骤S1所示。
同时率的计算公式如下:
CF=Pmax/∑Pimax (9)
式中,Pmax表示该输配电压等级下的簇样本用户在某时间段的总体最大负荷;Pimax表示簇样本内第i个用户在该时段的最大负荷。
BARY曲线的经验公式如下:
CF=1-eα·LF (10)
两边取自然对数可得:
ln(1-CF)=α·LF (11)
其中:CF为该输配电压等级下的簇样本用户子系统同时率,LF为该输配电压等级下的簇样本用户子系统负荷率,α为小于零的待估未知参数。
将第k簇样本用户定义为第k种用户类型,并确定上述聚类分析中每种用户类型在BARY曲线上的位置;
如图5所示,BARY曲线上横坐标为每簇样本用户子系统负荷率,纵坐标为每簇样本用户子系统同时率。LF1与CF1交于A点、LF2与CF2交于B点、LF3与CF3交于C点,A点、B点、C点分别代表每种用户类型,其横坐标即为用户子系统负荷率预测的最终结果。本发明还可以进一步实现对用电用户的分类。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (10)
1.一种基于生成对抗网络的用户负荷率预测方法,其特征在于,包括以下步骤:
步骤S1:采集供电范围内的同一电压等级下终端电力用户数据,并计算该电压等级下终端电力用户的负荷率数据x;
步骤S2:构建GAN模型;
步骤S3:引入Wasserstein距离与梯度惩罚函数到GAN模型;
步骤S4:将一组随机噪声数据z输入GAN模型的生成器,输出为用户负荷率生成数据样本G(z);
步骤S5:将终端电力用户的负荷率数据x与用户负荷率生成数据样本G(z)输入GAN模型的判别器,判别器输出对终端电力用户的负荷率数据样本x和用户负荷率生成数据样本G(z)的判别值;
步骤S6:计算生成器和判别器的损失函数,采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新;
步骤S7:当训练结束后,保留GAN中的生成器模型,输入若干组随机噪声数据z,生成器输出若干组用户负荷率生成数据样本;
步骤S8:对终端电力用户的负荷率数据样本x,与若干组用户负荷率生成数据样本进行聚类分析,并对聚类分析K值进行判定;
步骤S9:基于用户负荷率生成数据样本聚类分析结果,计算每个簇样本用户的子系统负荷率和子系统同时率,并采用线性回归方法绘制BARY曲线,实现用户子系统负荷率的预测。
2.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法,其特征在于,
终端电力用户在某一时间段负荷率的计算公式为:
LF=LDave/LDmax (1)
式中,LDave表示终端电力用户在该时段的平均负荷;LDmax表示终端电力用户在该时段的最大负荷。
4.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法,其特征在于,Wasserstein距离的定义如下:
式中,Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合;W(pdata,pG)为(u,v)~γ期望的下确界,表示将生成分布pG拟合成真实分布pdata,需要将u移动到v的距离,其中u和v分别表示从联合分布γ中随机采样的终端电力用户的负荷率数据样本与生成样本;
采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离:
式中||fD||L≤K表明判别器函数D(x)满足K-Lipschitz连续,即函数梯度的绝对值上限为K;
对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数,GAN的目标函数转化为:
5.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法,其特征在于,
GAN模型的生成器结构如下所示:
卷积层1:32个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层2:64个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层3:4个卷积核,每个卷积核尺寸为3;步幅为1;边缘填充数为1;归一化函数为BatchNorm2D;激活函数为线性整流函数ReLU。
6.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法,其特征在于,GAN模型的判别器结构如下所示:
输入层:64个卷积核,每个卷积核尺寸为3;步幅为1;
卷积层1:128个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层2:256个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层3:512个卷积核,每个卷积核尺寸为4;步幅为2;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层4:128个卷积核,每个卷积核尺寸为3;步幅为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
卷积层5:512个卷积核,每个卷积核尺寸为1;步幅为1;归一化函数为BatchNorm2D;激活函数为线性整流函数LeakyReLU;
输出层:稠密层结构,包含1024个神经网络单元,1个样本作为输出。
8.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法,其特征在于,
手肘法具体为:随着聚类数K值的增大,用户负荷率生成数据样本G(z)的划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和也会逐渐变小;当K值小于真实聚类数时,误差平方和的下降幅度会很大;而当K值到达真实聚类数时,增加K值所得到的误差平方和的下降幅度会骤减,且趋于平缓,故根据样本用户在不同K值下的聚类偏差结果,设置最优聚类K值。
9.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法,其特征在于,
同时率的计算公式如下:
CF=Pmax/∑Pimax (9)
式中,Pmax表示该输配电压等级下的簇样本用户在某时间段的总体最大负荷;Pimax表示簇样本内第i个用户在该时段的最大负荷。
10.一种基于生成对抗网络的用户负荷率预测系统,其特征在于,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如权利要求1-9任一项所述的基于生成对抗网络的用户负荷率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252260.7A CN116227721A (zh) | 2023-03-16 | 2023-03-16 | 基于生成对抗网络的用户负荷率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252260.7A CN116227721A (zh) | 2023-03-16 | 2023-03-16 | 基于生成对抗网络的用户负荷率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116227721A true CN116227721A (zh) | 2023-06-06 |
Family
ID=86585600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310252260.7A Pending CN116227721A (zh) | 2023-03-16 | 2023-03-16 | 基于生成对抗网络的用户负荷率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227721A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681176A (zh) * | 2023-06-12 | 2023-09-01 | 济南大学 | 一种基于聚类和异构图神经网络的交通流预测方法 |
-
2023
- 2023-03-16 CN CN202310252260.7A patent/CN116227721A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681176A (zh) * | 2023-06-12 | 2023-09-01 | 济南大学 | 一种基于聚类和异构图神经网络的交通流预测方法 |
CN116681176B (zh) * | 2023-06-12 | 2024-05-03 | 济南大学 | 一种基于聚类和异构图神经网络的交通流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN116227721A (zh) | 基于生成对抗网络的用户负荷率预测方法及系统 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN109066728B (zh) | 特高压电网多个区间振荡模式在线阻尼协调控制方法 | |
CN116468138A (zh) | 空调负荷预测方法、系统、电子设备及计算机存储介质 | |
CN116187190A (zh) | 基于Informer-SCINet的电负荷预测方法 | |
CN116933922A (zh) | 基于woa-cnn-lstm光伏发电功率预测的方法 | |
CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
Dewandra et al. | Journal Unique Visitors Forecasting Based on Multivariate Attributes Using CNN | |
CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
CN111914900B (zh) | 一种用户用电模式分类方法 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN111797899A (zh) | 一种低压台区kmeans聚类方法及系统 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN116090615A (zh) | 一种基于序列分解的母线负荷降噪预测方法 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
CN114036845A (zh) | 一种风电场群模型构建方法 | |
CN113361892A (zh) | 基于时序云模型的电动汽车需求响应潜力估计方法 | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 |
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 |