CN116720143A - 泛在电力物联网的高精度负载预测方法 - Google Patents

Abstract

本发明涉及电力物联网技术领域，尤其为泛在电力物联网的高精度负载预测方法，包括如下步骤：S1：采集电力互联网电力负载数据；S2：对采集的电力物联网电力负载数据进行数据处理；S3：对处理后的电力负载数据进行特征提取；S4：搭建负载传输网络进行高精度负载预测。本发明通过异常值检测算法对电力负载数据进行异常检测和填充，提升了数据的可靠性；利用蜉蝣优化算法对电力负载特征数据进行选择，且通过多点交叉及多点变异的方法进行电力负载特征数据的选取，降低了数据的冗余性特征，提高了特征数据的代表性；通过CNN‑LSTM负载传输网络对负载进行预测，提高了模型的学习效率，提升预测数据的精度。

Description

泛在电力物联网的高精度负载预测方法

技术领域

本发明涉及电力物联网技术领域，尤其是泛在电力物联网的高精度负载预测方法。

背景技术

随着科技的发展以及电力物联网技术的不断提升,为电力通信传输提供了巨大便利。但由于人口众多、需要传输的数据庞大，会增加电力数据传输负载，导致电力物联网数据出现传输耗时多、资源利用率低的问题。电力物联网数据传输负载对数据传输性能有着很大的影响，所以需要对电力物联网数据传输负载预测展开详细研究，达到提升网络数据传输效率及精度的目的。

现有技术中，LSTM网络被广泛应用于负载预测方法中，LSTM虽然改善了循环神经网络固有的梯度消失问题，能够学习长期依赖的信息，但容易丢失超出限度的序列信息，故本发明通过CNN-LSTM负载传输网络对负载进行预测，改善了LSTM网络易丢失超出限度的序列信息的问题，通过LSTM网络处理限度内的电力负载数据，由CNN网络进行处理，提高模型的学习效率。

发明内容

本发明的目的是通过提出泛在电力物联网的高精度负载预测方法，以解决上述背景技术中提出的缺陷。

本发明采用的技术方案如下：

提供泛在电力物联网的高精度负载预测方法，包括如下步骤：

S1：采集电力互联网电力负载数据；

S2：对采集的电力物联网电力负载数据进行数据处理；

S3：对处理后的电力负载数据进行特征提取；

S4：搭建负载传输网络进行高精度负载预测。

作为本发明的一种优选技术方案：所述S2中，基于异常检测算法搭建孤立树，对采集的电力负载数据进行异常值检测，并对检测的异常值进行重构。

作为本发明的一种优选技术方案：所述异常检测算法具体如下：

基于所述S1采集的电力负载数据得到电力负载数据序列(a₁,…,a_m)，从m个电力负载数据中随机采样放入孤立树的根节点，选择一个数据维度进行随机切分，直至叶子节点只剩一个数据或已达到限定高度；将电力负载数据构建完成二叉树孤立森林后，整合全部孤立树的结果，用生成的孤立树计算异常分数s(a,m)：

其中，E(h(a))表示电力负载数据a在孤立树结构路径长度的期望均值，c(m)表示给定电力负载数据数量m时路径长度的平均值，β为欧拉常数。

作为本发明的一种优选技术方案：所述S2中，基于所述异常检测算法计算的得分值进行如下的异常程度划分：

对于筛选出的异常电力负载数据通过相近数据替代的方法进行数据值填充。

作为本发明的一种优选技术方案：所述S3中，基于蜉蝣优化算法进行电力负载数据的特征提取，所述蜉蝣优化算法中，每个蜉蝣的位置对应表示一个电力负载特征数据，蜉蝣位置集合由二进制0和1表示，根据蜉蝣更新规则进行更新搜索蜉蝣的位置值。

作为本发明的一种优选技术方案：所述蜉蝣优化算法定义适应度函数f(z)如下：

其中，z表示输入数据，W表示所有电力负载特征数据数量，z_w表示输入的第w个电力负载特征数据。

作为本发明的一种优选技术方案：所述蜉蝣优化算法具体如下：

雄蜉蝣位置更新如下：

其中，和/>分别表示第i只雄蜉蝣在t时刻的位置和速度，/>和/>分别表示第i只雄蜉蝣在t+1时刻的位置和速度，b₁和b₂为正吸引系数，g为引力系数，α为可见度系数，p_i表示第i只蜉蝣的历史最优位置，g_i表示整个种群的全局最优位置，l₁表示/>与p_i的笛卡尔距离，l₂表示/>与g_i的距离，/>和f(g_i)分别表示第i只雄蜉蝣和全局最优蜉蝣在t时刻的适应度值，d为舞蹈系数，t为当前迭代次数，为间的随机值，r为[-1,1]间的随机系数，e为数学常量；

雌蜉蝣位置更新公式如下：

其中，和/>分别表示第i只雌蜉蝣在t时刻的位置和速度，/>和/>分别表示第i只雌蜉蝣在t+1时刻的位置和速度，l₃表示雌雄蜉蝣间的距离，b₃表示雌雄蜉蝣间的吸引力常数，h表示随机游走系数，/>表示第i只雌蜉蝣在t时刻的适应度值。

作为本发明的一种优选技术方案：所述蜉蝣优化算法中，基于多点交叉的方式进行雌雄蜉蝣间的交配，并通过基本位变异方法进行多点变异。

作为本发明的一种优选技术方案：所述S4中，基于所述蜉蝣优化算法进行特征提取获取的电力负载特征数据输入至CNN-LSTM负载传输网络中进行高精度负载预测；所述CNN-LSTM负载传输网络将电力负载特征输入至一维卷积层、再通过全局池化、LSTM网络和全连接层，最后使用sigmoid函数作为激活函数输出高精度负载预测数据。

作为本发明的一种优选技术方案：所述LSTM网络搭建如下：

其中，σ为激活函数，f_t、i_t和o_t分别为遗忘门、输入门和输出门，c_t表示输入门中记忆单元所处状态，h_t表示记忆单元输出，h_t-1表示上一时刻的记忆单元输出，tanh表示双曲线正切激活函数，W_f、W_i、W_o和W_c对应不同指标的权重，b_t、b_i、b_o和b_c对应不同指标的偏置项，X_t表示输入数据；

所述sigmoid函数具体如下：

其中，S(Y)表示负载预测结果，Y表示输入至sigmoid函数中的电力负载特征数据值，e为数学常量。

本发明提供的泛在电力物联网的高精度负载预测方法，与现有技术相比，其有益效果有：

本发明通过异常值检测算法对电力负载数据进行异常检测和填充，提升了数据的可靠性；利用蜉蝣优化算法对电力负载特征数据进行选择，且通过多点交叉及多点变异的方法进行电力负载特征数据的选取，降低了数据的冗余性特征，提高了特征数据的代表性；通过CNN-LSTM负载传输网络对负载进行预测，提高了模型的学习效率，提升预测数据的精度。

附图说明

图1为本发明优选实施例的方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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做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。

参照图1，本发明优选实施例提供了泛在电力物联网的高精度负载预测方法，包括如下步骤：

S1：采集电力互联网电力负载数据；

S2：对采集的电力物联网电力负载数据进行数据处理；

S3：对处理后的电力负载数据进行特征提取；

S4：搭建负载传输网络进行高精度负载预测。

所述S2中，基于异常检测算法搭建孤立树，对采集的电力负载数据进行异常值检测，并对检测的异常值进行重构。

所述异常检测算法具体如下：

基于所述S1采集的电力负载数据得到电力负载数据序列(a₁,…,a_m)，从m个电力负载数据中随机采样放入孤立树的根节点，选择一个数据维度进行随机切分，直至叶子节点只剩一个数据或已达到限定高度；将电力负载数据构建完成二叉树孤立森林后，整合全部孤立树的结果，用生成的孤立树计算异常分数s(a,m)：

其中，E(h(a))表示电力负载数据a在孤立树结构路径长度的期望均值，c(m)表示给定电力负载数据数量m时路径长度的平均值，β为欧拉常数。

所述S2中，基于所述异常检测算法计算的得分值进行如下的异常程度划分：

对于筛选出的异常电力负载数据通过相近数据替代的方法进行数据值填充。

所述S3中，基于蜉蝣优化算法进行电力负载数据的特征提取，所述蜉蝣优化算法中，每个蜉蝣的位置对应表示一个电力负载特征数据，蜉蝣位置集合由二进制0和1表示，根据蜉蝣更新规则进行更新搜索蜉蝣的位置值。

所述蜉蝣优化算法定义适应度函数f(z)如下：

其中，z表示输入数据，W表示所有电力负载特征数据数量，z_w表示输入的第w个电力负载特征数据。

所述蜉蝣优化算法具体如下：

雄蜉蝣位置更新如下：

其中，和/>分别表示第i只雄蜉蝣在t时刻的位置和速度，/>和/>分别表示第i只雄蜉蝣在t+1时刻的位置和速度，b₁和b₂为正吸引系数，g为引力系数，α为可见度系数，p_i表示第i只蜉蝣的历史最优位置，g_i表示整个种群的全局最优位置，l₁表示/>与p_i的笛卡尔距离，l₂表示/>与g_i的距离，/>和f(g_i)分别表示第i只雄蜉蝣和全局最优蜉蝣在t时刻的适应度值，d为舞蹈系数，t为当前迭代次数，为间的随机值，r为[-1,1]间的随机系数，e为数学常量；

雌蜉蝣位置更新公式如下：

其中，和/>分别表示第i只雌蜉蝣在t时刻的位置和速度，/>和/>分别表示第i只雌蜉蝣在t+1时刻的位置和速度，l₃表示雌雄蜉蝣间的距离，b₃表示雌雄蜉蝣间的吸引力常数，h表示随机游走系数，/>表示第i只雌蜉蝣在t时刻的适应度值。

所述蜉蝣优化算法中，基于多点交叉的方式进行雌雄蜉蝣间的交配，并通过基本位变异方法进行多点变异。

所述S4中，基于所述蜉蝣优化算法进行特征提取获取的电力负载特征数据输入至CNN-LSTM负载传输网络中进行高精度负载预测；所述CNN-LSTM负载传输网络将电力负载特征输入至一维卷积层、再通过全局池化、LSTM网络和全连接层，最后使用sigmoid函数作为激活函数输出高精度负载预测数据。

所述LSTM网络搭建如下：

其中，σ为激活函数，f_t、i_t和o_t分别为遗忘门、输入门和输出门，c_t表示输入门中记忆单元所处状态，h_t表示记忆单元输出，h_t-1表示上一时刻的记忆单元输出，tanh表示双曲线正切激活函数，W_f、W_i、W_o和W_c对应不同指标的权重，b_t、b_i、b_o和b_c对应不同指标的偏置项，X_t表示输入数据；

所述sigmoid函数具体如下：

其中，S(Y)表示负载预测结果，Y表示输入至sigmoid函数中的电力负载特征数据值，e为数学常量。

本实施例中，采集电力互联网中的电力负载数据，并通过异常检测算法搭建孤立树，对采集的电力负载数据进行异常值检测：

基于采集的电力负载数据得到电力负载数据序列(a₁,…,a₅₀₀)，从500个电力负载数据中随机采样放入孤立树的根节点，选择一个数据维度进行随机切分，直至叶子节点只剩一个数据或已达到限定高度；将电力负载数据构建完成二叉树孤立森林后，整合全部孤立树的结果，用生成的孤立树计算异常分数s(a,500)：

其中，E(h(a))表示电力负载数据a在孤立树结构路径长度的期望均值，c(500)表示给定电力负载数据数量500时路径长度的平均值，β为欧拉常数。

并基于如下的异常程度划分进行缺失值填充：

对于筛选出的异常电力负载数据通过相近数据替代的方法进行数据值填充。

经过上述异常值的检测及填充过程获取电力负载数据，基于蜉蝣优化算法进行电力负载数据的特征提取，所述蜉蝣优化算法中，每个蜉蝣的位置对应表示一个电力负载特征数据，蜉蝣位置集合由二进制0和1表示，每个蜉蝣的位置表示是否选择其对应的电力负载特征数据，根据蜉蝣更新规则进行更新搜索蜉蝣的位置值。

设置雌雄蜉蝣数量相等，定义适应度函数f(z)如下：

其中，z表示输入的雌雄蜉蝣位置数据，W表示所有电力负载特征数据数量，即雌雄蜉蝣总数，z_w表示输入的第w个电力负载特征数据；

雄蜉蝣位置更新如下：

其中，和/>分别表示第9只雄蜉蝣在时刻为8时的位置和速度，/>和/>分别表示第i只雄蜉蝣在时刻为9时的位置和速度，b₁和b₂为正吸引系数，g为引力系数，α为可见度系数，p₉表示第9只蜉蝣的历史最优位置，g_i表示整个种群的全局最优位置，l₁表示/>与p₉的笛卡尔距离，l₂表示/>与g_i的距离，/>和f(g_i)分别表示第i只雄蜉蝣和全局最优蜉蝣在时刻为8时的适应度值，d为舞蹈系数，当前迭代次数为8，为间的随机值，r为[-1,1]间的随机系数，e为数学常量；

为了繁衍，雌蜉蝣会一直向雄蜉蝣游动，吸引过程取决于解的质量，雌蜉蝣位置更新公式如下：

其中，和/>分别表示第9只雌蜉蝣在时刻为8时的位置和速度，/>和/>分别表示第i只雌蜉蝣在时刻为8时的位置和速度，l₃表示雌雄蜉蝣间的距离，b₃表示雌雄蜉蝣间的吸引力常数，h表示随机游走系数，/>表示第9只雌蜉蝣在时刻为8时的适应度值。

基于多点交叉的方式进行雌雄蜉蝣间的交配，随机生成初始交叉点和交叉结束点，最终生成子代，并通过基本位变异方法进行多点变异，增加种群的多样性，提高算法的全局性。

利用蜉蝣优化算法对电力负载特征数据进行选择，可以获得去除冗余特征的最优子集，且通过多点交叉及多点变异的方法进行电力负载特征数据的选取，降低了数据的冗余性特征，提高了特征数据的代表性。

将基于蜉蝣优化算法提取的电力负载特征数据输入至CNN-LSTM负载传输网络中进行高精度负载预测：

基于CNN网络的一维卷积层、全局池化，再输入至LSTM网络

其中，σ为激活函数，f_t、i_t和o_t分别为遗忘门、输入门和输出门，c_t表示输入门中记忆单元所处状态，h_t表示记忆单元输出，h_t-1表示上一时刻的记忆单元输出，tanh表示双曲线正切激活函数，W_f、W_i、W_o和W_c对应不同指标的权重，b_t、b_i、b_o和b_c对应不同指标的偏置项，X_t表示输入数据。

再输入至CNN网络的全连接层，最后使用sigmoid函数作为激活函数输出高精度负载预测结果S(Y)：

其中，Y表示输入至sigmoid函数中的电力负载特征数据值，e为数学常量。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.泛在电力物联网的高精度负载预测方法，其特征在于：包括如下步骤：

S1：采集电力互联网电力负载数据；

S2：对采集的电力物联网电力负载数据进行数据处理；

S3：对处理后的电力负载数据进行特征提取；

S4：搭建负载传输网络进行高精度负载预测。

2.根据权利要求1所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S2中，基于异常检测算法搭建孤立树，对采集的电力负载数据进行异常值检测，并对检测的异常值进行重构。

3.根据权利要求2所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述异常检测算法具体如下：

基于所述S1采集的电力负载数据得到电力负载数据序列(a₁,…,a_m)，从m个电力负载数据中随机采样放入孤立树的根节点，选择一个数据维度进行随机切分，直至叶子节点只剩一个数据或已达到限定高度；将电力负载数据构建完成二叉树孤立森林后，整合全部孤立树的结果，用生成的孤立树计算异常分数s(a,m)：

其中，E(h(a))表示电力负载数据a在孤立树结构路径长度的期望均值，c(m)表示给定电力负载数据数量m时路径长度的平均值，β为欧拉常数。

4.根据权利要求3所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S2中，基于所述异常检测算法计算的得分值进行如下的异常程度划分：

对于筛选出的异常电力负载数据通过相近数据替代的方法进行数据值填充。

5.根据权利要求1所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S3中，基于蜉蝣优化算法进行电力负载数据的特征提取，所述蜉蝣优化算法中，每个蜉蝣的位置对应表示一个电力负载特征数据，蜉蝣位置集合由二进制0和1表示，根据蜉蝣更新规则进行更新搜索蜉蝣的位置值。

6.根据权利要求5所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述蜉蝣优化算法定义适应度函数f(z)如下：

其中，z表示输入数据，W表示所有电力负载特征数据数量，z_w表示输入的第w个电力负载特征数据。

7.根据权利要求6所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述蜉蝣优化算法具体如下：

雄蜉蝣位置更新如下：

其中，和/>分别表示第i只雄蜉蝣在t时刻的位置和速度，/>和/>分别表示第i只雄蜉蝣在t+1时刻的位置和速度，b₁和b₂为正吸引系数，g为引力系数，α为可见度系数，p_i表示第i只蜉蝣的历史最优位置，g_i表示整个种群的全局最优位置，l₁表示/>与p_i的笛卡尔距离，l₂表示/>与g_i的距离，/>和f(g_i)分别表示第i只雄蜉蝣和全局最优蜉蝣在t时刻的适应度值，d为舞蹈系数，t为当前迭代次数，为间的随机值，r为[-1,1]间的随机系数，e为数学常量；

雌蜉蝣位置更新公式如下：

其中，和/>分别表示第i只雌蜉蝣在t时刻的位置和速度，/>和/>分别表示第i只雌蜉蝣在t+1时刻的位置和速度，l₃表示雌雄蜉蝣间的距离，b₃表示雌雄蜉蝣间的吸引力常数，h表示随机游走系数，/>表示第i只雌蜉蝣在t时刻的适应度值。

8.根据权利要求7所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述蜉蝣优化算法中，基于多点交叉的方式进行雌雄蜉蝣间的交配，并通过基本位变异方法进行多点变异。

9.根据权利要求8所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S4中，基于所述蜉蝣优化算法进行特征提取获取的电力负载特征数据输入至CNN-LSTM负载传输网络中进行高精度负载预测；所述CNN-LSTM负载传输网络将电力负载特征输入至一维卷积层、再通过全局池化、LSTM网络和全连接层，最后使用sigmoid函数作为激活函数输出高精度负载预测数据。

10.根据权利要求9所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述LSTM网络搭建如下：

其中，σ为激活函数，f_t、i_t和o_t分别为遗忘门、输入门和输出门，c_t表示输入门中记忆单元所处状态，h_t表示记忆单元输出，h_t-1表示上一时刻的记忆单元输出，tanh表示双曲线正切激活函数，W_f、W_i、W_o和W_c对应不同指标的权重，b_t、b_i、b_o和b_c对应不同指标的偏置项，X_t表示输入数据；

所述sigmoid函数具体如下：

其中，S(Y)表示负载预测结果，Y表示输入至sigmoid函数中的电力负载特征数据值，e为数学常量。