CN116739130A - TCN-BiLSTM网络的多时间尺度负荷预测方法 - Google Patents
TCN-BiLSTM网络的多时间尺度负荷预测方法 Download PDFInfo
- Publication number
- CN116739130A CN116739130A CN202310161026.3A CN202310161026A CN116739130A CN 116739130 A CN116739130 A CN 116739130A CN 202310161026 A CN202310161026 A CN 202310161026A CN 116739130 A CN116739130 A CN 116739130A
- Authority
- CN
- China
- Prior art keywords
- tcn
- network
- bilstm
- time
- load
- 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 62
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 230000001364 causal effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种TCN‑BiLSTM网络的多时间尺度负荷预测方法,该方法通过获取间隔时间采样的负荷历史数据集合,并进行异常数据修正;根据多时间尺度的需求建立不同层数的TCN网络;利用TCN网络从修正后的数据中提取数据的多时间尺度时序特征;将多时间尺度时序特征输入对应的BiLSTM网络进行模型训练,得到BiLSTM网络训练模型;将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构,得到TCN‑BiLSTM混合网络;采用TCN‑BiLSTM混合网络进行多时间尺度负荷预测。本发明适用于具有时序特征的电力负荷多时间尺度预测,对多时间尺度的数据进行预测分析,在电力负荷预测研究中有重要价值。
Description
技术领域
本发明属于电力系统负荷预测领域,具体是一种TCN-BiLSTM网络的多时间尺度负荷预测方法。
背景技术
电力系统发展迅速,负荷侧的负荷类型呈现多元化,并随着智能电网的发展,越来越多的分布式电源、新能源产业接入电力系统,增强了负荷的随机性、非线性和不确定性,导致出现电能供应紧张、调度不经济、能源利用率低等诸多问题。为保障电力系统的安全稳定运行、提高电力系统可靠性,需进一步提高负荷预测的精度。随着人工智能技术发展日益成熟,并应用在电力系统负荷预测中,提高了负荷预测的精度及计算速度,同时也为电力系统负荷预测提供许多新的思路和方法。
目前的电力负荷预测主要包括基于负荷单尺度时序特征的电力负荷预测和基于负荷多尺度时序特征的电力负荷预测。负荷单尺度时序特征的电力负荷预测是以单位时间为预测步长的单步长预测,但较短的预测步长不能给电力企业和电力监管机构提供充足的电力调度及问题处理时间,而较长的预测步长又会造成预测精度下降,达不到理想预测结果,难以挖掘不同尺度的电力负荷数据的特征。由于电力负荷具有周期性强的特点,在不同的时间尺度下其负荷数据将会呈现不同的波动趋势,因此通过对数据进行不同尺度的处理,可以充分挖掘数据间不同的内在联系,对多尺度处理后的数据进行预测分析,也可以实现电力负荷的多步预测,在电力负荷预测研究中有重要价值。
发明内容
本发明的目的是解决现有技术中未对负荷数据进行多时间尺度的预测分析的问题。
为实现本发明目的而采用的技术方案是这样的,一种TCN-BiLSTM网络的多时间尺度负荷预测方法,包括以下步骤:
获取间隔时间采样的负荷历史数据集合,并对所述负荷历史数据集合进行异常数据修正;
根据多时间尺度的需求,建立不同层数的TCN网络;
利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征;
将各层TCN网络提取的多时间尺度时序特征分别输入对应的BiLSTM网络中进行模型训练,得到BiLSTM网络训练模型;
将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构,得到TCN-BiLSTM混合网络;
采用所述TCN-BiLSTM混合网络进行多时间尺度负荷预测。
可选地,对所述负荷历史数据集合进行异常数据修正包括:
基于箱线图辨识异常值算法剔除明显异常不符合负荷客观分布规律的异常数据;
采用拉格朗日插值法进行数据的修补;
其中,拉格朗日插值函数模型为:
Ln(x)=y0l0(x)+y0l0(x)+···+ynln(x)
式中,l0(x),l1(x),…,ln(x)为以x0,x1,…,xn为节点的n次插值基函数,在确定插值基函数之后,对点x0,x1,…,xn进行插值。
可选地,建立不同层数的TCN网络包括:
根据所需提取负荷的时间尺度大小要求,建立不同层数的TCN网络,其中,TCN网络的模型为:
式中,表示在xt处的膨胀因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列,d为膨胀卷积的间隔采样参数;
调整TCN网络中每层的膨胀卷积参数,根据不同时间尺度需求进行采样,以提取负荷数据不同时间尺度的时序特征。
可选地,利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征的模型包括:
TCN网络的因果卷积模型:
式中,表示在xt处的因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列;
TCN网络的膨胀因果卷积模型:
式中,表示在xt处的膨胀因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列,d为膨胀卷积的间隔采样参数;
调整不同层数的膨胀因果卷积参数d,完成多时间尺度时序特征提取。
可选地,BiLSTM网络的训练包括:
确定BiLSTM网络模型,所述BiLSTM网络模型包括两个反向连接组合的单独的LSTM网络;
两个单独的LSTM网络反向连接组合成的BiLSTM网络结构为:
式中,LSTM为传统的LSTM网络运算过程,ht为前向隐藏层状态,hi为后向隐藏层状态。
可选地,将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构包括:全连接层使用不同的权重加权求和得到TCN-BiLSTM混合网络的模型为:
yt=a1x1+a2x2+a3x3+...+anxn
式中,a为权重系数,x为BiLSTM输出结果,yt为加权求和后的输出结果。
可选地,每个单独的LSTM网络结构包括:
遗忘门:
ft=σ(Wf·[ht-1,xt]+bf)
式中,Wf为遗忘门的权重矩阵,bf为遗忘门的偏置量,ft为遗忘门的输出,σ为sigmoid函数,ht-1为上一时刻隐藏层输出,xt为输入数据;
输入门:
it=σ(Wi·[ht-1,xt]+bi)
式中,为记忆单元的候选状态,Wc为候选状态/>的权重矩阵,bc为候选状态/>的偏置量;it为输入门的输出,Wi为输入门it的权重矩阵,bi为输入门it的偏置量;
通过输入门it和遗忘门ft结合上一时刻记忆状态ct-1和当前时刻候选记忆状态更新当前时刻的记忆单元状态ct,记忆单元状态ct为:
式中,⊙表示按元素相乘;
输出门:
ot=σ(Wo·[ht-1,xt]+bo)
式中,Wo为输出门的权重矩阵,bo为输出门的偏置量,ot为输出门的输出;
隐藏层的输出值ht通过非线性计算得到:
ht=ot⊙tanh(ct)。
可选地,所述间隔时间为15min。
本发明的技术效果是毋庸置疑的。本发明提出的多时间尺度负荷预测方法采用了TCN网络结构,在负荷预测过程中具有稳定的梯度,并且可以根据时间尺度的需求灵活调整感受野以提取多时间尺度的负荷时序特征。
本发明提出的TCN-BiLSTM混合网络利用空洞卷积捕捉多个时间尺度的负荷特征,多个Bi-LSTM在各时间尺度相互配合,发挥TCN网络捕捉局部重要特征和Bi-LSTM处理可变长度序列数据方面的优势,最终将多个时间尺度的预测结果按照权重融合输出预测结果。
本发明针对电力负荷周期期强、在不同时间尺度下呈现出不同的波动趋势的特点,通过对数据进行不同尺度的处理,充分挖掘数据间不同的内在联系,同时,对多尺度处理后的数据进行预测分析,也可以实现电力负荷的多步预测,在电力负荷预测研究中有重要价值。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是TCN-BiLSTM网络的多时间尺度负荷预测方法的流程示意图;
图2是TCN-BiLSTM网络的多时间尺度负荷预测方法的负荷预测模型结构图;
图3是TCN-BiLSTM网络的多时间尺度负荷预测方法的预测结果曲线图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
如图1所示,一种TCN-BiLSTM网络的多时间尺度负荷预测方法,主要包括以下步骤:
步骤S1、获取间隔时间采样的负荷历史数据集合,并对负荷历史数据集合的数据集中异常数据修正。
作为一种可选的实施例,选择负荷预测数据为一天96个点,即采样间隔时间为15min。
作为一种可选的实施例,对负荷历史数据集合的数据集中异常数据修正具体包括:
步骤S111、基于SPSS统计软件剔除明显异常不符合负荷客观分布规律的异常数据。
步骤S112、采用拉格朗日插值法进行数据的修补。
其中,拉格朗日插值法中的拉格朗日插值函数模型如下所示:
Ln(x)=y0l0(x)+y0l0(x)+···+ynln(x) (1)
式中,l0(x),l1(x),…,ln(x)为以x0,x1,…,xn为节点的n次插值基函数,因此,在确定插值基函数之后,就可以对点x0,x1,…,xn进行插值。
步骤S2、根据多时间尺度的需求,建立不同层数的TCN网络。
作为一种可选的实施例,步骤S2具体包括以下步骤:
步骤S211、根据所需提取负荷的时间尺度大小要求,建立不同层数的TCN网络。TCN网络的模型如下:
式中,表示在xt处的膨胀因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列,d为膨胀卷积的间隔采样参数。
步骤S212、调整TCN网络中每层的膨胀卷积参数,根据不同时间尺度需求进行采样,以提取负荷数据不同时间尺度的时序特征。
步骤S3、利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征。
作为一种可选的实施例,步骤S3具体包括以下步骤:
步骤S31、TCN网络的因果卷积模型如下所示:
式中,表示在xt处的因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列。
步骤S32、TCN网络的膨胀因果卷积模型如下所示:
式中,表示在xt处的膨胀因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列,d为膨胀卷积的间隔采样参数。
步骤S33、调整不同层数的膨胀因果卷积参数d,完成多时间尺度时序特征提取。
步骤S4、将各层TCN网络提取的多时间尺度时序特征分别输入对应的BiLSTM网络中进行模型训练,得到BiLSTM网络训练模型。
作为一种可选的实施例,步骤S4具体包括以下步骤:
步骤S41、确定BiLSTM网络模型,BiLSTM网络模型由两个单独的LSTM网络反向连接组合形成,通过BiLSTM网络增加历史数据与未来数据的内在联系,充分利用数据的时序特征,提高特征数据利用率和数据预测精度。
其中,每个单独的LSTM网络结构如下所示:
步骤S411、遗忘门:
ft=σ(Wf·[ht-1,xt]+bf) (5)
式中,Wf为遗忘门的权重矩阵,bf为遗忘门的偏置量,ft为遗忘门的输出,σ为sigmoid函数,ht-1为上一时刻隐藏层输出,xt为输入数据。
步骤S412、输入门:
it=σ(Wi·[ht-1,xt]+bi) (7)
式中,为记忆单元的候选状态,Wc为候选状态/>的权重矩阵,bc为候选状态/>的偏置量;it为输入门的输出,Wi为输入门it的权重矩阵,bi为输入门it的偏置量。
通过输入门it和遗忘门ft结合上一时刻记忆状态ct-1和当前时刻候选记忆状态更新当前时刻的记忆单元状态ct。
式中,⊙表示按元素相乘。
步骤S413、输出门:
ot=σ(Wo·[ht-1,xt]+bo) (9)
式中,Wo为输出门的权重矩阵,bo为输出门的偏置量,ot为输出门的输出。
隐藏层的输出值ht通过非线性计算得到:
ht=ot⊙tanh(ct) (10)
步骤S42、两个单独的LSTM网络反向连接组合成的BiLSTM网络结构如下所示:
式中,LSTM为传统的LSTM网络运算过程,ht为前向隐藏层状态,hi为后向隐藏层状态。
步骤S5、将各层BiLSTM的输出结果通过全连接网络进行叠加重构,得到TCN-BiLSTM混合网络。
作为一种可选的实施例,步骤S5具体包括:通过全连接层使用不同的权重加权求和得到预测结果,即得到TCN-BiLSTM混合网络的模型。全连接层不同的权重加权求和的模型如下所示:
yt=a1x1+a2x2+a3x3+...+anxn (12)
式中,a为权重系数,x为BiLSTM输出结果,yt为加权求和后的输出结果。
步骤S6、采用训练完成的TCN-BiLSTM混合网络进行多时间尺度负荷预测。
作为一种可选的实施例,获取间隔15min采样的负荷历史数据集合,并对数据集中异常数据修正的主要步骤如下:
步骤S121、基于电力系统的负荷点,每隔15min对负荷点数据进行采样记录,一天共产生96个负荷点负荷数据,并建立负荷数据集;
电力负荷数据具有一定的时序特征,其负荷值会受到气候、环境或设备故障等不确定因素影响,常常具有波动性。某些剧烈的外部因素导致负荷数据波动较大或数据缺失,这部分数据无法满足负荷预测特征提取要求。应对异常数据进行剔除、修正,使负荷数据值在正常允许范围内。因此,还包括:
步骤S122、基于箱线图辨识异常值算法,将负荷数据进行排序筛选,并剔除明显异常、不符合负荷客观分布规律的异常数据。
步骤S123、基于拉格朗日插值法对空缺的负荷数据进行修补,其中,采用的拉格朗日插值函数模型如式(1)所示。
作为一种可选的实施例,根据多时间尺度的需求建立不同层数的TCN网络的主要步骤如下:
步骤S221、基于不同时间尺度,建立不同层数的TCN网络。TCN网络模型如式(2)所示。
步骤S222、多时间尺度包括小时、日、周、和月年,不同时间尺度的TCN网络参数不一样,隐含层数的确定决定了提取负荷特征时间尺度的大小。
步骤S223、使用不同层数的TCN网络的膨胀卷积,扩大感受野的范围提取时序特征。调整TCN网络中膨胀卷积的参数,间隔采样以提取负荷数据不同时间尺度的时序特征。
作为一种可选的实施例,利用不同层数的TCN网络提取数据的多时间尺度时序特征的主要步骤如下:
基于TCN网络的因果卷积和膨胀卷积完成负荷数据多时间尺度特征的提取,该网络具有从大样本时间序列中提取特征的能力,并且可以在网络训练过程中有效解决深层次网络的性能退化问题,具有稳定的梯度、灵活接受任意尺寸的感受野和输入维度和输出维度相同等特点,能很好的运用于时序特征的建模。
通过因果卷积,这是一种严格的时间约束模型,它不能看到未来的数据,即有了前面的因才有后面的果,TCN网络的因果卷积模型如式(3)所示;
通过膨胀卷积,允许卷积时的输入存在间隔采样,在不损失原始信息的前提下,加大了感受野,让每个卷积输出都包含较大的信息范围。TCN网络的膨胀因果卷积模型如式(4)所示;
调整不同层数的膨胀因果卷积参数d,完成多时间尺度时序特征提取。
实施例2
对本发明一种TCN-BiLSTM网络的多时间尺度负荷预测方法的具体实例进行详细说明,以使本领域技术人员更了解本发明:
步骤S1、获取间隔15min采样的负荷历史数据集合,并对数据集中异常数据修正。本文选取数据的采样周期为15min,每天产生96组数据。采用拉格朗日插值法对数据进行插补后得到初始数据集。
步骤S2、根据多时间尺度的需求,建立不同层数的TCN网络。混合神经网络中的每个子预测模型中均为1层TCN网络加1层LSTM网络。
步骤S3、利用不同层数的TCN网络提取数据的多时间尺度时序特征。对于TCN网络的模型参数设置如下:卷积核大小为2,但每个TCN的扩张系数有所不同,第一个子模型的扩张系数为1,第2个子模型的扩张系数为1、2,第3个子模型的扩张系数为1、2、4,第4个子模型的扩张系数为1、2、4、8。
步骤S4、将各层TCN网络提取的多时间尺度时序特征分别输入对应的BiLSTM网络中进行模型的训练,得到BiLSTM网络训练模型。对于LSTM网络的模型参数设置如下:LSTM层神经元个数为32,激活函数为relu,其他参数为模型默认参数。模型优化器选用Adam,学习率设为0.01,损失函数选用mae,迭代次数设为800次,batchsize设为128。
步骤S5、将各层BiLSTM的输出结果通过全连接网络进行叠加重构,得到TCN-BiLSTM混合网络。
步骤S6、采用TCN-BiLSTM混合网络进行多时间尺度负荷预测。将数据集以7:3的比例划分为训练集和测试集,采用滑动窗口的方法构造监督学习的样本,输入前一天的数据作为负荷时间序列,预测第二天的负荷值。将TCN-LSTM模型与LSTM模型、TCN模型对电力负荷预测的结果进行比较。以数据集中最后一天的数据进行测试,预测结果与真实结果对比如表1所示。
表1不同模型预测结果比较
从表1中结果可以看出,TCN-LSTM模型的MAPE为7.448%,与单独的TCN或LSTM网络相比,预测精度有所提高。在计算时间上,由于模型的复杂程度增加,在训练混合网络时需要大量的时间,而单一预测模型由于模型参数较少,训练时间较少。
如图3所示,将不同模型的预测结果曲线与原始负荷曲线相比较,可以看出本文提出的TCN-LSTM模型预测效果优于单独的TCN、LSTM模型。
在众多基于深度学习的预测模型中,TCN和LSTM模型由于其良好的时序特征捕捉能力,其预测精度保持较高,当将二者连接起来,并且综合考虑多个子预测模型的结果,进一步考虑了不同时间尺度的时序特征,预测误差有了明显的下降。因此本方法提出的TCN-LSTM混合神经网络模型具有良好的预测性能,对电力负荷这一时序数据展现出良好的预测效果,为电力系统的运行与规划提供了更可靠的决策依据。
以上所述仅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,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,包括以下步骤:
获取间隔时间采样的负荷历史数据集合,并对所述负荷历史数据集合进行异常数据修正;
根据多时间尺度的需求,建立不同层数的TCN网络;
利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征;
将各层TCN网络提取的多时间尺度时序特征分别输入对应的BiLSTM网络中进行模型训练,得到BiLSTM网络训练模型;
将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构,得到TCN-BiLSTM混合网络;
采用所述TCN-BiLSTM混合网络进行多时间尺度负荷预测。
2.根据权利要求1所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,对所述负荷历史数据集合进行异常数据修正包括:
基于箱线图辨识异常值算法剔除明显异常不符合负荷客观分布规律的异常数据;
采用拉格朗日插值法进行数据的修补;
其中,拉格朗日插值函数模型为:
Ln(x)=y0l0(x)+y0l0(x)+···+ynln(x)
式中,l0(x),l1(x),…,ln(x)为以x0,x1,…,xn为节点的n次插值基函数,在确定插值基函数之后,对点x0,x1,…,xn进行插值。
3.根据权利要求1所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,建立不同层数的TCN网络包括:
根据所需提取负荷的时间尺度大小要求,建立不同层数的TCN网络,其中,TCN网络的模型为:
式中,表示在xt处的膨胀因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列,d为膨胀卷积的间隔采样参数;
调整TCN网络中每层的膨胀卷积参数,根据不同时间尺度需求进行采样,以提取负荷数据不同时间尺度的时序特征。
4.根据权利要求1所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征的模型包括:
TCN网络的因果卷积模型:
式中,表示在xt处的因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列;
TCN网络的膨胀因果卷积模型:
式中,表示在xt处的膨胀因果卷积,F=(f1,f2,...,fK)为卷积核,X=(x1,x2,...,xT)为时间序列,d为膨胀卷积的间隔采样参数;
调整不同层数的膨胀因果卷积参数d,完成多时间尺度时序特征提取。
5.根据权利要求1所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,BiLSTM网络的训练包括:
确定BiLSTM网络模型,所述BiLSTM网络模型包括两个反向连接组合的单独的LSTM网络;
两个单独的LSTM网络反向连接组合成的BiLSTM网络结构为:
式中,LSTM为传统的LSTM网络运算过程,ht为前向隐藏层状态,hi为后向隐藏层状态。
6.根据权利要求1所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构包括:全连接层使用不同的权重加权求和得到TCN-BiLSTM混合网络的模型为:
yt=a1x1+a2x2+a3x3+...+anxn
式中,a为权重系数,x为BiLSTM输出结果,yt为加权求和后的输出结果。
7.根据权利要求5所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,每个单独的LSTM网络结构包括:
遗忘门:
ft=σ(Wf·[ht-1,xt]+bf)
式中,Wf为遗忘门的权重矩阵,bf为遗忘门的偏置量,ft为遗忘门的输出,σ为sigmoid函数,ht-1为上一时刻隐藏层输出,xt为输入数据;
输入门:
it=σ(Wi·[ht-1,xt]+bi)
式中,为记忆单元的候选状态,Wc为候选状态/>的权重矩阵,bc为候选状态/>的偏置量;it为输入门的输出,Wi为输入门it的权重矩阵,bi为输入门it的偏置量;
通过输入门it和遗忘门ft结合上一时刻记忆状态ct-1和当前时刻候选记忆状态更新当前时刻的记忆单元状态ct,记忆单元状态ct为:
式中,⊙表示按元素相乘;
输出门:
ot=σ(Wo·[ht-1,xt]+bo)
式中,Wo为输出门的权重矩阵,bo为输出门的偏置量,ot为输出门的输出;
隐藏层的输出值ht通过非线性计算得到:
ht=ot⊙tanh(ct)。
8.根据权利要求1所述的TCN-BiLSTM网络的多时间尺度负荷预测方法,其特征在于,所述间隔时间为15min。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161026.3A CN116739130A (zh) | 2023-02-24 | 2023-02-24 | TCN-BiLSTM网络的多时间尺度负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161026.3A CN116739130A (zh) | 2023-02-24 | 2023-02-24 | TCN-BiLSTM网络的多时间尺度负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739130A true CN116739130A (zh) | 2023-09-12 |
Family
ID=87906724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310161026.3A Pending CN116739130A (zh) | 2023-02-24 | 2023-02-24 | TCN-BiLSTM网络的多时间尺度负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739130A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436576A (zh) * | 2023-10-11 | 2024-01-23 | 中国矿业大学 | 不同时间尺度下多节点多元负荷联邦协同预测方法 |
-
2023
- 2023-02-24 CN CN202310161026.3A patent/CN116739130A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436576A (zh) * | 2023-10-11 | 2024-01-23 | 中国矿业大学 | 不同时间尺度下多节点多元负荷联邦协同预测方法 |
CN117436576B (zh) * | 2023-10-11 | 2024-08-09 | 中国矿业大学 | 不同时间尺度下多节点多元负荷联邦协同预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
CN110837888A (zh) | 一种基于双向循环神经网络的交通缺失数据补全方法 | |
CN116502774B (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
CN113326966A (zh) | 基于ceemd-lstm的综合能源系统多元负荷预测方法 | |
CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
CN116739130A (zh) | TCN-BiLSTM网络的多时间尺度负荷预测方法 | |
CN113902207A (zh) | 一种基于tcn-lstm的短期负荷预测方法 | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN118013408A (zh) | 一种考虑多尺度时序信息的负荷预测方法 | |
CN112488397B (zh) | 基于模态分解和迁移学习的极端场景下负荷预测方法 | |
CN117410959A (zh) | 一种基于eemd-gwo-lstm网络和mc误差修正的电网负荷超短期预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN117293790A (zh) | 一种考虑预测误差不确定性的短期电力负荷预测方法 | |
CN116384574A (zh) | 一种基于w-lstm的非参数负荷区间预测方法 | |
CN116365512A (zh) | 基于特征选择和组合预测模型的母线负荷短期预测方法 | |
Li et al. | A Novel Short-term Load Forecasting Model by TCN-LSTM Structure with Attention Mechanism |
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 |