CN116826739A - 基于单变量时序的超短期农业电力负荷预测方法及装置 - Google Patents
基于单变量时序的超短期农业电力负荷预测方法及装置 Download PDFInfo
- Publication number
- CN116826739A CN116826739A CN202310834194.4A CN202310834194A CN116826739A CN 116826739 A CN116826739 A CN 116826739A CN 202310834194 A CN202310834194 A CN 202310834194A CN 116826739 A CN116826739 A CN 116826739A
- Authority
- CN
- China
- Prior art keywords
- power load
- agricultural power
- neural network
- agricultural
- attention mechanism
- 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 53
- 230000007246 mechanism Effects 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002679 ablation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
本申请涉及时间序列预测技术领域，特别涉及一种基于单变量时序的超短期农业电力负荷预测方法及装置，其中，方法包括：获取待预测的农业电力负荷时间序列数据；对农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。本申请实施例可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。
Description
技术领域
本申请涉及时间序列预测技术领域，特别涉及一种基于单变量时序的超短期农业电力负荷预测方法及装置。
背景技术
随着现代农业的发展，对能耗监测的要求也随之提高，农村电网结构薄弱，难以应对温室停电、农电负荷过载等连锁风险。
相关技术中，可通过电力负荷时间序列预测帮助农村电网合理配置发电与配电，可划分为单变量和多变量时序预测。其中，单变量时序预测考虑单个变量随时间演变的过程，而多变量时序则预测考虑多个变量随时间演变的过程以及变量之间的相关性。
然而，相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降，亟待解决。
发明内容
本申请提供一种基于单变量时序的超短期农业电力负荷预测方法及装置，以解决相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
本申请第一方面实施例提供一种基于单变量时序的超短期农业电力负荷预测方法，包括以下步骤：获取待预测的农业电力负荷时间序列数据；对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
可选地，在本申请的一个实施例中，所述对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列，包括：对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。
可选地，在本申请的一个实施例中，在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，还包括：基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。
可选地，在本申请的一个实施例中，所述根据所述最佳超参数，在确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，包括：基于所述最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。
可选地，在本申请的一个实施例中，所述最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
本申请第二方面实施例提供一种基于单变量时序的超短期农业电力负荷预测装置，包括：获取模块，用于获取待预测的农业电力负荷时间序列数据；处理模块，用于对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；预测模块，用于将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
可选地，在本申请的一个实施例中，所述处理模块包括：处理单元，用于对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；确认单元，用于根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。
可选地，在本申请的一个实施例中，所述装置还包括：确认模块，用于在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；训练模块，用于根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。
可选地，在本申请的一个实施例中，所述训练模块包括：学习单元，用于在确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，基于所述最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。
可选地，在本申请的一个实施例中，所述最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于单变量时序的超短期农业电力负荷预测方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于单变量时序的超短期农业电力负荷预测方法。
本申请实施例可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。由此，解决了相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种基于单变量时序的超短期农业电力负荷预测方法的流程图；
图2为本申请一个实施例的集合经验模态分解和双阶段注意力机制循环神经网络的超短期农业电力负荷预测的流程示意图；
图3为本申请一个实施例的集合经验模态分解的结果示意图；
图4为本申请一个实施例的集合经验模态分解和双阶段注意力机制循环神经网络的方法预测值和真实值对比示意图；
图5为本申请一个实施例的注意力权重的分布示意图；
图6为根据本申请实施例的基于单变量时序的超短期农业电力负荷预测装置的结构示意图；
图7为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于单变量时序的超短期农业电力负荷预测方法及装置。针对上述背景技术中提到的相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降的问题，本申请提供了一种基于单变量时序的超短期农业电力负荷预测方法，可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。由此，解决了相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
具体而言，图1为本申请实施例所提供的一种基于单变量时序的超短期农业电力负荷预测方法的流程示意图。
如图1所示，该基于单变量时序的超短期农业电力负荷预测方法包括以下步骤：
在步骤S101中，获取待预测的农业电力负荷时间序列数据。
可以理解的是，在本申请的实施例中，可由通过数据采集获取待预测的单变量农业电力负荷时间序列数据，例如，可设定农业电力负荷时序数据采集范围为1年，采集频率为15min/次。
在实际执行过程中，可以获取待预测的单变量农业电力负荷时间序列数据Y＝(y1,y2,...,yT)T∈RT，表示在时间窗T下的目标序列。
在步骤S102中，对农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列。
可以理解的是，在本申请的实施例中，可以针对上述步骤中所得农业电力负荷时间序列进行EEMD(EnsembleEmpirical Mode Decomposition)集合经验模态分解，
在实际执行过程中，可将EEMD分解所得的派生变量序列X可以表示为：X＝(x1,x2,...,xn)T＝(x1,x2,...,xT)∈Rn×T，其中n为派生变量数量。 代表时间窗T内的第k个派生变量，/>表示在t时刻全部n个派生向量的取值。
本申请实施例可以基于时频局部化的分析方法，依据数据自身时间尺度特征进行信号分解生成目标序列的派生变量，通过从单变量的复杂时序数据中提取具有独立特征信息的多变量数据，从而充分利用农业电力负荷历史数据中蕴含的信息，更具自适应性和完备性。
可选地，在本申请的一个实施例中，对农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列，包括：对农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；根据有限个本征模函数和残差分量确定派生变量序列。
具体而言，可将不同的高斯白噪声附加到原信号xm(t)中，
xmq(t)＝xm(t)+nq(t)，
其中，xmq(t)为附加高斯白噪声后所得信号，xm(t)为原信号，nq(t)为附加的高斯白噪声，q为加入白噪声次数，q＝1，2，...，Q。进而将每个xmq(t)通过EEMD分解得到一系列IMF(Intrinsic Mode Function)有限个本征模函数分量，对第n阶所有IMF分量平均：
其中，yxqnEMD(t)和rmqNEMD(t)分别是xmq(t)分解成的n个IMF和第N个残差分量。EEMD分解的最终结果为：
其中，ymnEEMD(t)和rmNEEMD(t)范围分别是最终分解所得的IMF和残差分量。
在步骤S103中，将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
可以理解的是，在本申请的实施例中，可以将双阶段注意力机制集成于循环神经网络中以得到DARNN(Dual-stageAttention-based Recurrent Neural Network)双阶段注意力机制循环神经网络，编码器和解码器层分别引入输入注意力机制和时间注意力机制，分别执行对外源信息空间和时间维度的特征选择，进而将将派生变量序列作为所得集成模型的输入，以预测目标序列在预设时间步下的农业电力负荷预测结果。其中，输入注意力机制和时间注意力机制是一种资源分配机制，可以通过对输入特征赋予不同的权重，避免包含重要信息的特征随着步长的增加而消失，从而突出更加重要信息的影响，而编码器层引入输入注意力机制，可以动态学习每一时刻农业电力负荷输入变量对预测结果的作用，通过赋予输入序列不同的权重，在特征选择阶段实现对外部输入的重要性选择，用于实现各个时间点相关变量的提取。
举例而言，若预设时间步τ＝1，2，3，4，采集频率为15min/次，则神经网络模型预测未来15min，30min，45min，1h的农业电力负荷值。
需要说明的是，预设时间步可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
在实际执行过程中，对于输入变量中的第k个序列xk，该属性的注意力权重et k可以学习如下：
et k＝ve Tσc(We[ht-1；ct-1]+Uexk)，
其中，[ht-1；ct-1]为t-1时刻隐层状态和细胞状态的连接，ve∈RT，We∈RT×2m，Ue∈RT ×T为训练过程中的待学习参数，σc代表tanh。该式即把第k个驱动变量与前一个时刻的隐层状态ht-1和细胞状态ct-1线性组合，再用tanh激活得到。得到et k后，再用softamx函数将其归一化：
在时间t获得每个属性的注意力权重后，由输入注意力重新映射的输入变量可以表示为：
时间t的隐藏层状态ht可以被更新为：
其中，f1是选取作为编码器的LSTM。进而解码器层引入时间注意力机制捕获编码器的长期时序依赖信息，对窗口内全部时间点的编码器隐含状态进行加权，第i个编码器隐藏层状态hi的注意力权重计算如下：
其中，[dt-1；s′t-1]∈R2p是隐层状态历史值dt-1和细胞状态s′t-1的连接，vd∈Rm，Wd∈Rm×2p和Ud∈Rm×m为待学习参数，hi为第i个编码器隐藏层状态，σc代表tanh。注意力权值表示第i个编码器隐藏状态对预测的重要性。对于时间窗T内的ht，上下文向量ct作为所有编码器隐层状态的加权和计算为：
将其与给定目标序列(y1，y2，...，yT)结合：
其中，[yt；ct]∈Rm+1是解码器输入yt和上下文向量ct的连接，和/>是待学习参数，/>用于更新解码器在时间t的隐层状态：/>非线性映射函数f2为LSTM(Long Short-Term Memory)长短期记忆网络单元，dt可更新为：
dt＝o′t⊙σc(s′t)，
其中，是隐层状态历史值dt-1和解码器输入/>的连接，W′f，W′i，W′o，W′s∈Rp×(p+1)，b′f，b′i，b′o，b′s∈Rp是待学习参数，σg是Logistic sigmoid函数，⊙代表逐元素相乘运算，σc代表tanh。得到输出结果的估计/>
其中，[dT；cT]∈Rp+m是解码器隐层状态和上下文向量的连接，Wy∈Rp×(p+m)和xw∈Rp是待学习参数，vy∈Rp是带权重的线性函数，bv∈R是偏差。即根据派生变量序列作为双阶段注意力机制的神经网络模型的输入，预测目标序列在τ时间步的值，其中，F是旨在学习预测的非线性映射函数。
特别地，针对预测模型，输入数据均经过z-score标准化，最终预测结果经逆标准化运算后得到，z-score标准化计算为：
其中，μ为均值，σ为方差。
本申请实施例可以将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果，引入输入注意力机制与编码器结合，在每个时间步自适应地提取相关派生变量序列，将时间注意力机制与解码器集成，旨在所有时间步中选择相关编码器的隐藏状态，通过赋予输入序列不同的权重，在特征选择阶段实现对外部输入的重要性选择，用于实现各个时间点相关变量的提取，动态提取输入变量的瞬时波动特征和时间依赖特征，提升了模型的预测精度。
可选地，在本申请的一个实施例中，在将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，还包括：基于待预测的农业电力负荷时间序列数据进行验证，确定预设集成双阶段注意力机制的循环神经网络的最佳超参数；根据最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取训练后的集成双阶段注意力机制的循环神经网络。
可以理解的是，本申请实施例可以基于网格搜索法，在待预测的农业电力负荷时间序列数据中获取验证数据集，进而比较不同超参数在验证数据集上的预测性能，以确认最佳超参数，进而通过使用SGD(Stochastic Gradient Descent)小批量随机梯度下降和Adam优化器，对预设集成双阶段注意力机制的循环神经网络进行训练，得到训练后的集成双阶段注意力机制的循环神经网络，用于进行农业电力负荷预测。
需要说明的是，预设集成双阶段注意力机制的循环神经网络可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
可选地，在本申请的一个实施例中，根据最佳超参数，在确定预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，包括：基于最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。
在实际执行过程中，可以通过以MSE(Mean Squared Error)均方误差为目标函数的标准反向传播来学习参数，计算如下：
其中，N为样本数量，和/>分别为样本预测值和实际值。
可选地，在本申请的一个实施例中，最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
举例而言，对于训练神经网络所需的超参数，可设置学习速率(learning rate)为0.0001，batch size为64。可进行网格搜索T∈{3,5,10,15,25}确定时间窗T，在验证集上取得最佳性能的测试集(T＝10)用于测试。对于编码器(m)和解码器(p)的隐层大小，设置m＝p，并进行网格搜索m＝p∈{16,32,64,128,256}，m＝p＝128在验证集上达到最佳性能，用于评估，训练10次并报告其平均性能以供比较。
如图2-5所示，下面以一个具体实施例对本申请实施例的工作内容进行详细阐述。
如图2所示，为本申请一个实施例的集合经验模态分解和双阶段注意力机制循环神经网络的超短期农业电力负荷预测的流程示意图，其中：
步骤S201：获取待预测的农业电力负荷时序数据Y＝(y1,y2,...,yT)T∈RT，表示在时间窗T下的目标序列，将数据集按6∶2∶2的比例划分为训练集，验证集和测试集。
具体地，获取待预测的农业电力负荷时序数据Y为A市某实际农业生产的有功功率，以B年份的整年时间为采集范围，采集频率为15min/次，每天有96个采样数据点，共35136条数据。
步骤S202：对Y进行集合经验模态分解，获得有限个本征模函数和残差分量作为派生变量。
具体地，EEMD将农业电力负荷原始序列分解为14个IMF和一个残差分量，如图3所示，为截取其中2000个样本点进行EEMD分解结果的可视化图像。
S203：将双阶段注意力机制集成于循环神经网络中，编码器和解码器层分别引入输入注意力机制和时间注意力机制。
S204：将派生变量序列作为集成RNN模型的输入，预测目标序列在τ时间步的值。
S205：使用小批量随机梯度下降SGD和Adam优化器训练模型，确定模型超参数。
具体地，由于数据采集频率为15min/次，因此不同时间步长分别表示超短期负荷预测(15min,30mim,45min,1h)。选取具有代表性的时间步(τ＝1,τ＝4)，代表超短期农业电力负荷预测，为更直观和清晰地展示所提EEMD-DARNN方法，提供一种所提EEMD-DARNN方法预测值和真实值对比图，如图4所示，本申请一个实施例的集合经验模态分解的结果示意图。
S206：使用决定系数(R2)、均方根误差(RMSE)，平均绝对百分比误差(MAPE)和平均绝对误差(MAE)作为评价指标对比本申请实施例与其他相关技术的精度。
具体地，决定系数R2计算如下：
均方根误差RMSE计算如下：
平均绝对百分比误差MAPE计算如下：
平均绝对误差MAE计算如下：
其中，N为样本总数，yt和分别为时刻t的实际值和预测值，/>为实际值的平均值。
举例而言，可将基于LOESS(Locally Estimated Scatterplot Smoothing)的季节趋势分解STL(Seasonal-Trend decomposition using LOESS)与DARNN结合，并在实际数据集上实验，与EEMD-DARNN模型对比，分析EEMD和STL这两个不同的分解算法对整个模型精度的影响。STL作为非参数统计方法，可以处理任何类型的季节性，允许季节成分随时间变化，且对异常点不敏感。进而分别将EEMD分解得到的14个IMF和一个残差分量序列，及经STL分解得到的趋势、季节和残差序列，分别作为预测模型的输入序列，对比其精度。列出EEMD-DARNN和STL-DARNN在不同步长的超短期农业电力负荷预测的精度对比如下表1所示：
表1
由表可知，EEMD-DARNN在最短预测(15min)中，R2、RMSE、MAPE和MAE分别比STL-DARNN高0.088，低12.252、0.06和10.211。在最长预测(1h)中，EEMD-DARNN的R2、RMSE、MAPE和MAE分别比STL-DARNN提高0.08，降低9.323、0.053和8.92。因此相较于相关技术，EEMD分解算法更适用于本申请实施例的模型。
又例如，可以对比EEMD-DARNN和相关技术中，4种单变量时间序列预测算法在不同时间步下(τ＝1,2,3,4)农业电力负荷预测的效果。4种对比算法包括长短期记忆网络LSTM(LongShort-TermMemory)、门控循环单元GRU(Gated Recurrent Unit)、残差网络(ResNet)和全卷积神经网络(FCN)(Fully Convolutional Network)。设置上述4种模型的输入变量均为目标序列的历史值，参数设置采用与EEMD-DARNN对应参数相同的值，以保持对照实验的一致性。列出预测步长分别等于1,2,3,4的5个模型的性能对比如表2-5所示。
表2
表3
表4
表5
由表可知，EEMD-DARNN方法在最短预测(15min)中，相较于表现最差的基线方法(Resnet)，R2、RMSE、MAPE、MAE分别提高0.065，降低9.788、0.03和6.687；相较于表现最好的基线方法(LSTM)，R2、RMSE、MAPE、MAE分别提高0.03，降低5.205、0.014和1.651。在最长预测(1h)中，相较于表现最差的基线方法(Resnet)，R2、RMSE、MAPE、MAE分别提高0.06，降低7.335、0.033和6.385；相较于表现最好的基线方法(LSTM)，R2、RMSE、MAPE、MAE分别提高0.016，降低2.283、0.003和1.398。因此相较于相关技术，本申请实施例算法优于各基线算法。
S207：计算注意力权重以解释模型；
具体地，注意力机制包括输入注意力机制和时间注意力机制，选择具有代表性的预测步长(τ＝4)，研究输入注意力权重和时间注意力权重如图5所示。
可以理解的是，作为派生变量，14个IMF对预测结果的影响具有较小差异，其中权重占比最大为8.3％，最小为6.61％，而残差分量对预测结果的影响与各IMF相比差异较大，其权重占比仅为2.1％。基本呈现越接近预测时间点权重越大的趋势，且各时间点对预测结果的影响权重占比差异大。
S208：做消融实验证明各结构在农业电力负荷预测中的有效性。
具体地，将所提EEMD-DARNN，和构造的三个消融模型对比，消融模型Temp_Attn_RNN、Input_Attn_RNN和encoder decoder LSTM分别是将所提EEMD-DARNN模型去掉编码器层的输入注意力机制、解码器层的时间注意力机制以及将双阶段注意力机制都去掉后的模型。列出消融模型精度对比如表6所示。
表6
由表可知，EEMD-DARNN在最短预测(15min)中，R2、RMSE、MAPE、MAE较现有技术中Temp_Attn_RNN分别高0.013、低2.553,0.029,5.395；较Input_Attn_RNN分别高0.003、低0.622,0.002,0.022；较encoder decoder LSTM分别高0.028、低4.944,0.044,8.075。在最长预测(1h)中，R2、RMSE、MAPE、MAE较Temp_Attn_RNN分别高0.014、低1.973,0.024,5.262；较Input_Attn_RNN分别高0.001、低0.207,0.003,0.866；较encoder decoder LSTM分别高0.02、低2.813,0.031,5.863。即消融模型的预测精度明显下降，各注意力机制对模型精度的提高均有作用，其中输入注意力机制对农业电力负荷的预测精度提升作用更为明显。
根据本申请实施例提出的基于单变量时序的超短期农业电力负荷预测方法，可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。由此，解决了相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
其次参照附图描述根据本申请实施例提出的基于单变量时序的超短期农业电力负荷预测装置。
图6是本申请实施例的基于单变量时序的超短期农业电力负荷预测装置的结构示意图。
如图6所示，该基于单变量时序的超短期农业电力负荷预测装置10包括：获取模块100、处理模块200和预测模块300。
其中，获取模块100，用于获取待预测的农业电力负荷时间序列数据。
处理模块200，用于对农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列。
预测模块300，用于将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
可选地，在本申请的一个实施例中，处理模块200包括：处理单元和确认单元。
处理单元，用于对农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量。
确认单元，用于根据有限个本征模函数和残差分量确定派生变量序列。
可选地，在本申请的一个实施例中，装置10还包括：确认模块和训练模块。
确认模块，用于在将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，基于待预测的农业电力负荷时间序列数据进行验证，确定预设集成双阶段注意力机制的循环神经网络的最佳超参数。
训练模块，用于根据最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取训练后的集成双阶段注意力机制的循环神经网络。
可选地，在本申请的一个实施例中，训练模块包括：学习单元。
学习单元，用于在确定预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，基于最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。
可选地，在本申请的一个实施例中，最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
需要说明的是，前述对基于单变量时序的超短期农业电力负荷预测方法实施例的解释说明也适用于该实施例的基于单变量时序的超短期农业电力负荷预测装置，此处不再赘述。
根据本申请实施例提出的基于单变量时序的超短期农业电力负荷预测装置，可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。由此，解决了相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的基于单变量时序的超短期农业电力负荷预测方法。
进一步地，电子设备还包括：
通信接口703，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于单变量时序的超短期农业电力负荷预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于单变量时序的超短期农业电力负荷预测方法，其特征在于，包括以下步骤：
获取待预测的农业电力负荷时间序列数据；
对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；以及
将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列，包括：
对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；
根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。
3.根据权利要求1所述的方法，其特征在于，在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，还包括：
基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；
根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。
4.根据权利要求3所述的方法，其特征在于，在确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，包括：
基于所述最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。
5.根据权利要求3所述的方法，其特征在于，所述最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
6.一种基于单变量时序的超短期农业电力负荷预测装置，其特征在于，包括：
获取模块，用于获取待预测的农业电力负荷时间序列数据；
处理模块，用于对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；以及
预测模块，用于将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
7.根据权利要求6所述的装置，其特征在于，所述处理模块包括：
处理单元，用于对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；
确认单元，用于根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。
8.根据权利要求6所述的装置，其特征在于，还包括：
确认模块，用于在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；
训练模块，用于根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的基于单变量时序的超短期农业电力负荷预测方法。
10.一种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，以用于实现如权利要求1-5任一项所述的基于单变量时序的超短期农业电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310834194.4A CN116826739A (zh) | 2023-07-07 | 2023-07-07 | 基于单变量时序的超短期农业电力负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310834194.4A CN116826739A (zh) | 2023-07-07 | 2023-07-07 | 基于单变量时序的超短期农业电力负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116826739A true CN116826739A (zh) | 2023-09-29 |
Family
ID=88114374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310834194.4A Pending CN116826739A (zh) | 2023-07-07 | 2023-07-07 | 基于单变量时序的超短期农业电力负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116826739A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117410989A (zh) * | 2023-12-14 | 2024-01-16 | 江西师范大学 | 一种基于多周期角度的居民用电量预测方法 |
-
2023
- 2023-07-07 CN CN202310834194.4A patent/CN116826739A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117410989A (zh) * | 2023-12-14 | 2024-01-16 | 江西师范大学 | 一种基于多周期角度的居民用电量预测方法 |
| CN117410989B (zh) * | 2023-12-14 | 2024-02-23 | 江西师范大学 | 一种基于多周期角度的居民用电量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee | EMD and LSTM hybrid deep learning model for predicting sunspot number time series with a cyclic pattern | |
| CN111401940B (zh) | 特征预测方法、装置、电子设备及存储介质 | |
| CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| CN116826739A (zh) | 基于单变量时序的超短期农业电力负荷预测方法及装置 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| Contardo et al. | Sequential cost-sensitive feature acquisition | |
| Wu et al. | Multiscale jump testing and estimation under complex temporal dynamics | |
| CN116559704A (zh) | 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 | |
| Abdulsalam et al. | Electrical energy demand forecasting model using artificial neural network: A case study of Lagos State Nigeria | |
| CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
| Bianchi et al. | A randomised approach for NARX model identification based on a multivariate Bernoulli distribution | |
| Bellotti | Optimized conformal classification using gradient descent approximation | |
| CN112949947A (zh) | 一种基于卷积长短期记忆网络的电力故障预警方法及系统 | |
| CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
| CN117370913A (zh) | 光伏系统中异常数据的检测方法、装置以及设备 | |
| CN117407771A (zh) | 基于数字孪生的轴承健康状态评估方法、装置及相关设备 | |
| CN117787470A (zh) | 一种基于ewt和集成方法的时序预测方法和系统 | |
| Franz et al. | Implicit Wiener series for higher-order image analysis | |
| CN112561180A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN112734072A (zh) | 电力负荷预测方法、系统、终端设备及介质 | |
| CN110826184B (zh) | 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法 | |
| CN115169747A (zh) | 电力负荷的非平稳时间序列预测方法、装置及相关设备 | |
| CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
| CN113743670B (zh) | 一种基于gru模型的电路故障实时预测方法及验证电路 |
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 |