CN117096867A - 一种短期电力负荷预测方法、装置、系统及存储介质 - Google Patents
一种短期电力负荷预测方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN117096867A CN117096867A CN202311080925.7A CN202311080925A CN117096867A CN 117096867 A CN117096867 A CN 117096867A CN 202311080925 A CN202311080925 A CN 202311080925A CN 117096867 A CN117096867 A CN 117096867A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- load prediction
- short
- term power
- 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 31
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000005096 rolling process Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000009466 transformation Effects 0.000 abstract description 5
- 230000003068 static effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种短期电力负荷预测方法、装置、系统及存储介质,该方法包括:采集负荷数据并存储;选取影响负荷预测精度的特征因素;预处理采集的负荷数据和影响负荷预测精度的特征因素,并基于预处理后的负荷数据和特征因素得到训练集和测试集;建立基于Transformer和图卷积网络结合起来的负荷预测模型;利用训练集和测试集训练和测试负荷预测模型;将与负荷数据同类型的待预测数据输入训练后的负荷预测模型得到预测结果。本发明可以解决现有负荷预测技术中存在静态预测、缺乏实时性、依赖于历史数据、缺乏鲁棒性、未考虑能源转型、特征提取困难等问题,提高负荷时间序列的预测精度。
Description
技术领域
本发明涉及电力系统负荷预测领域,具体是一种短期电力负荷预测方法、装置、系统及存储介质。
背景技术
电力负荷是指发电厂或电力系统中,在某一时刻所承担的各类用电设备消费电功率的总和。电力系统负荷预测分析了电力负荷与电力负荷历史数据、社会、经济、气象等相关因素之间的内在联系,探讨了电力负荷变化规律,在保证一定精度的前提下,对未来一段时间的电力负荷使用情况作出准确、科学的预测。其主要目的是提高电力调度的准确性和管理效率,减小发电与需求的差距,减少电力损失,提高电网系统的经济、安全和稳定性。
中国的供电结构将逐渐从化石能源系统转变为风能、光伏等新能源能源系统。随着新能源在供电结构中的比例逐渐增加,新能源供电具有很强的随机性和间歇性,电网在持续可靠的供电、安全、稳定等方面面临重大挑战。此外,随着新型电力系统的逐步建立,负荷结构不仅更加多样化,而且用户与电网侧的交互越来越多,导致负荷特性更加复杂,突出负荷的随机性和不确定性,对负荷预测的要求也越来越高。而传统的预测方法如时间序列法、线性回归法或者趋势分析法等等已经难以满足电网的运行需求,传统预测方法存在静态预测、缺乏实时性、依赖于历史数据、缺乏鲁棒性、未考虑能源转型、特征提取困难等问题,预测精度不高,难以满足电网的运行需求。
发明内容
为了克服现有负荷预测技术中存在静态预测、缺乏实时性、依赖于历史数据、缺乏鲁棒性、未考虑能源转型、特征提取困难等问题,预测精度不高等问题,本发明结合Transformer模型与图卷积网络,提供一种智能短期电力负荷预测方法。
为实现上述目的,本发明采用的技术方案是:一种短期电力负荷预测方法,包括以下步骤:
步骤1、采集负荷数据并存储;
步骤2、基于采集的负荷数据选取影响负荷预测精度的特征因素,所述特征因素包括小时数、相对湿度、日类型、温度及降雨量;
步骤3、预处理采集的负荷数据和影响负荷预测精度的特征因素,并基于预处理后的负荷数据和特征因素得到训练集和测试集;
步骤4、建立基于Transformer和图卷积网络结合起来的负荷预测模型;
步骤5、利用训练集和测试集训练和测试所述负荷预测模型,得到训练后的负荷预测模型;
步骤6、将与负荷数据同类型的待预测数据输入训练后的负荷预测模型,输出得到预测结果。
进一步的,步骤3中所述数据预处理,包括缺失值处理、异常值处理、去除重复数据、数据清洗以及归一化处理。
进一步的,步骤4建立基于Transformer和图卷积网络结合起来的负荷预测模型,具体包括:首先使用GCN构建一个负荷图,每时刻的电力负荷序列视为负荷图,各时刻的所述影响负荷预测的特征因素视为负荷图中的一个节点,将负荷图看作一个邻接矩阵,节点表示任务,边表示任务之间的相关性,再使用Transformer模型对经过图卷积神经网络拓扑信息聚合后的负荷序列信息进行时间序列建模,将负荷数据和特征因素作为输入,将时间序列数据作为输出。
进一步的,所述邻接矩阵通过LSTM学习得到。
一种短期电力负荷预测装置,包括:
数据采集模块,用于采集负荷数据并存储;
特征因素确定模块,用于基于采集的负荷数据选取影响负荷预测精度的特征因素,所述特征因素包括小时数、相对湿度、日类型、温度及降雨量;
预处理模块,用于预处理采集的负荷数据和影响负荷预测精度的特征因素,并基于预处理后的负荷数据和特征因素得到训练集和测试集;
负荷预测模型建立模块,用于建立基于Transformer和图卷积网络结合起来的负荷预测模型;
模型训练模块,用于利用训练集和测试集训练和测试所述负荷预测模型,得到训练后的负荷预测模型;
负荷预测模块,用于将与负荷数据同类型的待预测数据输入训练后的负荷预测模型,输出得到预测结果。
进一步的,所述预处理模块,具体用于:缺失值处理、异常值处理、去除重复数据、数据清洗以及归一化处理。
进一步的,所述负荷预测模型建立模块,具体用于:首先使用GCN构建一个负荷图,每时刻的电力负荷序列视为负荷图,各时刻的所述影响负荷预测的特征因素视为负荷图中的一个节点,将负荷图看作一个邻接矩阵,节点表示任务,边表示任务之间的相关性,再使用Transformer模型对经过图卷积神经网络拓扑信息聚合后的负荷序列信息进行时间序列建模,将负荷数据和特征因素作为输入,将时间序列数据作为输出。
进一步的,所述邻接矩阵通过LSTM学习得到。
一种短期电力负荷预测系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行所述的短期电力负荷预测方法。
一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的短期电力负荷预测方法。
本发明的有益效果是:本发明利用LSTM学习多特征变量之间的相关性,形成图的邻接矩阵,然后利用GCN对时间序列的多变量进行特征聚合,替换嵌入到Transformer中的输入,并将得到的序列输入到编码器中,利用自注意机制学习特征映射,最后,通过解码器和输出层输出电力负荷的预测值。与RNN(Recurrent Neural Network,循环神经网络)和LSTM(Long Short-Term Memory,长短期记忆网络)相比,Transformer是一种基于自注意机制的模型,有效地缓解了梯度消失或梯度爆炸;同时,Transformer将图网络结合起来进行多元时间序列的特征聚合,使自注意机制能够生成多元融合的特征图,从而提高了负荷时间序列的预测精度。
附图说明
图1为短期电力负荷预测流程图;
图2为本发明提供的一种短期电力负荷预测建模过程图;
图3为Transformer模型网络结构示意图;
图4为数据集划分示意图;
图5为模型训练流程图;
图6为图卷积网络示意图;
图7为利用GCN进行负荷序列的多特征聚合示意图。
图8为利用GCN提取多元序列的相关性,用于输入嵌入Transformer的网络结构图;
图9为对应预测误差随提取特征数目变化情况示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
为了克服现有技术中存在的静态预测、缺乏实时性、依赖于负荷数据、缺乏鲁棒性、未考虑能源转型、特征提取困难问题,本发明第一方面结合Transformer与图卷积网络理论,提供一种智能短期电力负荷预测方法,具体包括以下步骤:
步骤1、采集负荷数据并存储;
步骤2、基于采集的负荷数据选取影响负荷预测精度的因素。
具体的,根据现有的气象数据特征和时间特征数据,建立原始数据特征表,初始特征集中包括13维特征,初始特征及含义如表1所列。
表1初始特征及含义
图9为对应预测误差随提取特征数目变化情况。可知,当提取特征数目较少时,模型未充分利用初始特征中有用信息,预测误差较大;当提取特征数目较多时,无关噪声会对预测准确性造成影响,导致预测误差增加。据此将提取特征数目设为5维,最终保留的特征为:小时数、相对湿度、日类型、温度及降雨量。
步骤3、数据预处理
(1)缺失值处理
数据集的缺失值处理分为两类。当数据连续缺失值少于、等于三个时,直接利用前后数据移动平均的方式进行数据填充。当数据连续缺失值大于三个时,则选取前一天,同一时段的数据趋势进行等比例填充。
(2)异常值处理
对数据集的异常值进行判断,并进行异常值的处理。按照每六个月将数据进行分组后,进行异常值的检测。将每组的数据中的与平均值的偏差超过两倍标准差的数据值判断为异常值。将异常值所在的那一天的前后各3天的同一时刻平均值填充该异常值。
(3)数据归一化处理
为进一步提升组合模型的训练速度,在负荷预测预测之前,需要对负荷数据通过下式进行归一化处理。
式中,p表示原始负荷值;p′表示原始负荷经过归一化后的值;pmin表示最小负荷值;pmax表示最大负荷值。
为了进一步提升预测结果的规律性与准确性,需要对影响负荷预测的硬性因素进行充分考虑,本发明主要对小时数、相对湿度、日类型、温度及降雨量这5维变量进行考虑。
针对日类型进行处理:休息日为0.5,工作日为1;天气类型处理:晴天为1,阴天、多云及雾天为0.5,雨天和雪天为0;应用下式对温度进行归一化处理。
式中,T表示原始温度;T′表示经过归一化后的温度值;Tmin表示最小温度值;Tmax表示最大温度值。
步骤4、负荷预测算法
(1)Transformer
Transformer是谷歌提出的一种自然语言翻译模型,它抛弃了传统序列模型的串行输入和输出结构,只使用并行处理的注意机制,通过对注意机制的综合利用,使其能够达到优异的性能。
Transformer整体结构如图3所示,从组织结构的角度来看,该模型主要可以分为三个部分:嵌入部分、编码器-解码器部分与逻辑回归部分。
电力负荷数据一大特点是序列性,RNN网络通过对输入序列进行迭代操作的方式将序列中每个时间步的位置信息赋予网络模型,这也直接导致了RNN网络无法并行计算,必须串行迭代,而Transformer神经网络打破了该桎梏,但也面临一个问题,即如何将每个时间步的位置信息准确提供给模型,让模型明白输入序列的顺序关系。为解决该问题,Transformer神经网络首先对输入序列中的每个数据进行词嵌入(Word Embedding,WE)操作,词嵌入将原本一维的数据升维成二维矩阵,将输入序列中的每个数值均映射为512维的特征行向量。之后Transformer神经网络通过正余弦函数对输入序列进行编码并生成固定的绝对位置表示,即位置编码(Positional Encoding,PE),再将其与之前完成词嵌入的序列对位相加。其位置编码公式如下:
式中:pos为某时间步数据所在输入序列中的位置索引;dmodel为输入序列词嵌入的维度;i为向量的某一维度。
编码器-解码器的核心是自注意力机制。自注意力机制将输入序列映射为问题-键-值(query-key-value)并计算一个问题与所有键的点积以得到权重,从而学习到每个数据与序列中所有其他数据之间的相对重要性。其计算过程如下:
式中:Q代表问题;K代表键;V代表值,并以词嵌入维度dmodel作为缩放因子,可以使梯度在训练过程中更加稳定。
Transformer神经网络通过自注意力机制,使得模型更关注输入序列数据之间的内在联系,降低了模型发生反常预测的概率,从而为电力负荷预测任务提供了偶然性过滤能力,使网络模型更加稳定与鲁棒。
在工程实际中,Transformer神经网络在自注意力机制的基础上升级为多头注意力机制,该机制将单个注意力拆分成8个,即将式(4)中的一组Q、K、V拆分成8组等大小的Qi、Ki、Vi,i=1,2,…,8,并在这些组内分别进行注意力操作,最后将每个小组的输出重新拼接为原始大小,作为多头注意力层的输出。多头注意力层可以形成多个子空间,让模型去关注不同子空间内的信息,最后将各个方面的信息综合起来,有助于网络捕捉到更丰富的特征信息,提升模型预测精度。
Transformer神经网络编码器的结构由图3左侧部分组成,设输入序列为用户耗电量X,则编码器计算过程可表示为如下四步:
1.对输入序列进行词嵌入与位置编码:
X=WordEmbed(X)+Positional Encode (5)
2.自注意力机制先计算问题矩阵Q、键矩阵K、值矩阵V:
式中:WQ、WK、WV为随着电力负荷预测模型训练而不停学习更新的权值矩阵,经过嵌入后的输入序列与之点乘、进行线性变换而得到矩阵Q、K、V。
之后按下式计算自注意力得分:
Xat=Attempt(Q,K,V) (7)
3.残差连接与层归一化:
4.以ReLU为激活函数的全连接线性映射,得到编码器向隐藏层的输入:
解码器的整体计算流程与编码器大致相同。传统序列到序列模型中的解码器常使用RNN模型,该网络模型由时间驱动,在训练中,模型只能看到当前t时刻的输入,无论如何也看不到未来时刻的值。而基于自注意力机制的解码器在训练时,整个序列都暴露在解码器中,会导致真值提前泄露,故需要对输入解码器的序列进行遮挡(Mask)操作。
(2)图卷积网络(GCN)
图卷积网络(Graph Convolutional Network,GCN)是一种深度学习模型,用于对图数据进行建模和处理。GCN是基于图神经网络(Graph Neural Networks,GNN)的一种扩展,通过使用卷积操作对节点和边的特征进行聚合和提取,从而实现对图数据的特征学习和分类等功能。
在GCN中,节点的特征表示是通过图卷积操作来生成的,图卷积操作通过将相邻节点的特征进行卷积运算,从而聚合出节点的新特征表示。这些新特征表示可以用于对节点进行分类或回归等任务。同时,GCN还支持节点的分层特征提取,从而更好地捕捉节点之间的关系和结构特征。
如图6所示,输入有C维特征,输出有F维特征,中间有若干隐藏层,X是训练数据,Y是标签。
(3)利用TransformGraph组合模型进行负荷预测
由于Transformer使用单热字嵌入模块对输入数据进行编码,并且只在各自的特征维度上对时间序列进行编码,因此当输入序列的节点上存在多个特征时,无法提取不同特征之间的相关性。本发明提出了一种基于GCN的时间序列编码方法,它将多元序列的属性作为图网络的节点。GCN可以有效地学习图数据中的节点之间的关系,并且能够捕捉电力网络中的拓扑信息。你可以将每个节点表示为一个特征向量,然后使用GCN层来传播信息,从而获得每个节点的表示,提取节点特征之间的相关性,并对节点之间的特征进行聚合,以提高负荷预测的精度,电力负荷预测的多元图结构和信息聚合如图3所示。图7中(a)表示GCN对小时数、相对湿度、日类型、温度及降雨量的多元特征聚合,图7中(b)表示由5个特征组成的作为节点的图结构,其中图是固定的,只调整连接权值。
GCN是一种图卷积神经网络,它利用图的结构信息,对图中的节点和连接的边进行操作。对于每个节点,通过邻接矩阵获得节点间的连接信息,并从其所有相邻节点获得其特征值。在本发明,每时刻的电力负荷序列视为图,各时刻的特征视为图中的一个节点。即小时数、相对湿度、日类型、温度及降雨量形成一个图网络,其中图网络的邻接矩阵通过LSTM学习得到。
在特征提取阶段,通过GCN和Transformer分别学习负荷数据的浅层隐式特征,如小时数、相对湿度、日类型、温度及降雨量。为更进一步建立这些特征对负荷变化的影响,构建隐式特征融合网络。利用深度学习强大的非线性和隐式特征学习能力,将两个特征提取网络统一融合,从而提取高维特征信息,如周期性相似日对负荷变化的影响。最终,通过多层全连接模块,实现深度网络的隐式特征学习。
融合后特征表示为:
FC=concat(FCNN,FTransformer) (10)
式中:concat(·)实现不同网络输出特征的拼接;FCNN和FTransformer分别为CNN网络和Transformer网络输出特征。最终,经多个全连接层建立特征与待预测负荷之间的映射。
图卷积网络作用于图的节点及其一阶邻域,通过特征聚合提取各结点空间特征,并可通过叠加多个GCN层构建多层模型。一个两层的GCN模型表达式为:
f(X,A)=σ(ARelu(AXW0)W1) (11)
式中,X为结点特征矩阵;A为邻接矩阵;W0和W1分别为第一层、第二层的待训练权重矩阵;σ(·)、Relu(·)为激活函数。
为了对输入数据进行编码,首先使用Conv1d卷积核将输入数据特征映射到更高维,并对数据特征进行向上标注,如下式:
XT,conv=Conv1d(XT,in) (12)
XT,CONV是处理的功率负载数据,它构成了图网络的节点信息矩阵。其次,本发明利用LSTM网络得到了图网络的邻接矩阵如图7所示。
参照Transformer的标准结构,设置其超参数如下,编码器和解码器设置为6层,多头自注意力个数为8,输入编码器的特征维数为dmod=128,网络训练的批数设置为批大小(batchsize)=24,LSTM学习节点之间的邻接矩阵,隐藏层数量为2,失活率(dropout rate)=0.1。
如图4所示划分训练集,测试集和验证集为8:1:1,损失函数使用均方误差(MSE,Mean Square Error)来计算输出的预测值和真实值的误差,衡量预测结果的准确性。
其中,n为该模型预测的电力负荷序列的长度。yi为负荷的真实值,为负荷的预测值。
本发明选取的负荷数据为一天内每隔1小时记录一次,故一天有24个负荷数据点。另外再加上相关影响因素如小时数、相对湿度、日类型、温度及降雨量,这样一个输入样本里就有29个数据。本发明采取一年前364天的电力负荷数据预测最后一天的电力负荷,以此完成模型训练,因此输入层的节点数为5,输入数据则为364×29的矩阵,输出最后一天24h也就是24个负荷数据点的值并与真实值进行比较。
本发明提供一种短期电力负荷预测方法,该方法利用LSTM学习多特征变量之间的相关性,形成图的邻接矩阵,然后利用GCN对时间序列的多变量进行特征聚合,替换嵌入到Transformer中的输入,并将得到的序列输入到编码器中,利用自注意机制学习特征映射。最后,通过解码器和输出层输出电力负荷的预测值。与RNN(Recurrent Neural Network,循环神经网络)和LSTM(Long Short-Term Memory,长短期记忆网络)相比,Transformer是一种基于自注意机制的模型,有效地缓解了梯度消失或梯度爆炸。同时,Transformer将图网络结合起来进行多元时间序列的特征聚合,使自注意机制能够生成多元融合的特征图,从而提高了负荷时间序列的预测精度。
本发明另一方面提供了一种短期电力负荷预测装置,包括:
数据采集模块,用于采集负荷数据并存储;
特征因素确定模块,用于基于采集的负荷数据选取影响负荷预测精度的特征因素,所述特征因素包括小时数、相对湿度、日类型、温度及降雨量;
预处理模块,用于预处理采集的负荷数据和影响负荷预测精度的特征因素,并基于预处理后的负荷数据和特征因素得到训练集和测试集;
负荷预测模型建立模块,用于建立基于Transformer和图卷积网络结合起来的负荷预测模型;
模型训练模块,用于利用训练集和测试集训练和测试所述负荷预测模型,得到训练后的负荷预测模型;
负荷预测模块,用于将与负荷数据同类型的待预测数据输入训练后的负荷预测模型,输出得到预测结果。
本发明另一方面提供了一种短期电力负荷预测系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的短期电力负荷预测方法。
本发明另一方面提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面所述的短期电力负荷预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种短期电力负荷预测方法,其特征在于,包括以下步骤:
步骤1、采集负荷数据并存储;
步骤2、基于采集的负荷数据选取影响负荷预测精度的特征因素,所述特征因素包括小时数、相对湿度、日类型、温度及降雨量;
步骤3、预处理采集的负荷数据和影响负荷预测精度的特征因素,并基于预处理后的负荷数据和特征因素得到训练集和测试集;
步骤4、建立基于Transformer和图卷积网络结合起来的负荷预测模型;
步骤5、利用训练集和测试集训练和测试所述负荷预测模型,得到训练后的负荷预测模型;
步骤6、将与负荷数据同类型的待预测数据输入训练后的负荷预测模型,输出得到预测结果。
2.如权利要求1所述的一种短期电力负荷预测方法,其特征在于:步骤3中所述数据预处理,包括缺失值处理、异常值处理、去除重复数据、数据清洗以及归一化处理。
3.如权利要求1所述的一种短期电力负荷预测方法,其特征在于:步骤4建立基于Transformer和图卷积网络结合起来的负荷预测模型,具体包括:首先使用GCN构建一个负荷图,每时刻的电力负荷序列视为负荷图,各时刻的所述影响负荷预测的特征因素视为负荷图中的一个节点,将负荷图看作一个邻接矩阵,节点表示任务,边表示任务之间的相关性,再使用Transformer模型对经过图卷积神经网络拓扑信息聚合后的负荷序列信息进行时间序列建模,将负荷数据和特征因素作为输入,将时间序列数据作为输出。
4.如权利要求3所述的一种短期电力负荷预测方法,其特征在于:所述邻接矩阵通过LSTM学习得到。
5.一种短期电力负荷预测装置,其特征在于,包括:
数据采集模块,用于采集负荷数据并存储;
特征因素确定模块,用于基于采集的负荷数据选取影响负荷预测精度的特征因素,所述特征因素包括小时数、相对湿度、日类型、温度及降雨量;
预处理模块,用于预处理采集的负荷数据和影响负荷预测精度的特征因素,并基于预处理后的负荷数据和特征因素得到训练集和测试集;
负荷预测模型建立模块,用于建立基于Transformer和图卷积网络结合起来的负荷预测模型;
模型训练模块,用于利用训练集和测试集训练和测试所述负荷预测模型,得到训练后的负荷预测模型;
负荷预测模块,用于将与负荷数据同类型的待预测数据输入训练后的负荷预测模型,输出得到预测结果。
6.如权利要求5所述的短期电力负荷预测装置,其特征在于,所述预处理模块,具体用于:缺失值处理、异常值处理、去除重复数据、数据清洗以及归一化处理。
7.如权利要求5所述的短期电力负荷预测装置,其特征在于,所述负荷预测模型建立模块,具体用于:首先使用GCN构建一个负荷图,每时刻的电力负荷序列视为负荷图,各时刻的所述影响负荷预测的特征因素视为负荷图中的一个节点,将负荷图看作一个邻接矩阵,节点表示任务,边表示任务之间的相关性,再使用Transformer模型对经过图卷积神经网络拓扑信息聚合后的负荷序列信息进行时间序列建模,将负荷数据和特征因素作为输入,将时间序列数据作为输出。
8.如权利要求7所述的短期电力负荷预测装置,其特征在于,所述邻接矩阵通过LSTM学习得到。
9.一种短期电力负荷预测系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1-4中任一项所述的短期电力负荷预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-4中任一项所述的短期电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080925.7A CN117096867A (zh) | 2023-08-25 | 2023-08-25 | 一种短期电力负荷预测方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080925.7A CN117096867A (zh) | 2023-08-25 | 2023-08-25 | 一种短期电力负荷预测方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117096867A true CN117096867A (zh) | 2023-11-21 |
Family
ID=88778713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080925.7A Pending CN117096867A (zh) | 2023-08-25 | 2023-08-25 | 一种短期电力负荷预测方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117096867A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833243A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 一种电力短期需求预测方法、系统、设备及介质 |
CN117895511A (zh) * | 2024-03-14 | 2024-04-16 | 河北建筑工程学院 | 一种数据智能传输方法、系统及存储介质 |
CN117973647A (zh) * | 2024-04-02 | 2024-05-03 | 南方电网数字电网研究院股份有限公司 | 综合能源系统负荷预测方法、装置和计算机设备 |
-
2023
- 2023-08-25 CN CN202311080925.7A patent/CN117096867A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833243A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 一种电力短期需求预测方法、系统、设备及介质 |
CN117833243B (zh) * | 2024-03-06 | 2024-05-24 | 国网山东省电力公司信息通信公司 | 一种电力短期需求预测方法、系统、设备及介质 |
CN117895511A (zh) * | 2024-03-14 | 2024-04-16 | 河北建筑工程学院 | 一种数据智能传输方法、系统及存储介质 |
CN117895511B (zh) * | 2024-03-14 | 2024-05-14 | 河北建筑工程学院 | 一种数据智能传输方法、系统及存储介质 |
CN117973647A (zh) * | 2024-04-02 | 2024-05-03 | 南方电网数字电网研究院股份有限公司 | 综合能源系统负荷预测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
CN110188167B (zh) | 一种融入外部知识的端到端对话方法及系统 | |
CN117096867A (zh) | 一种短期电力负荷预测方法、装置、系统及存储介质 | |
CN110413785A (zh) | 一种基于bert和特征融合的文本自动分类方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN111915081B (zh) | 一种基于深度学习的峰值敏感型出行需求预测方法 | |
Lv et al. | EGA-STLF: A hybrid short-term load forecasting model | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN115587454A (zh) | 基于改进Transformer模型的交通流量长时预测方法及系统 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN114819372A (zh) | 一种基于神经网络的电力消费概率预测方法 | |
Tan et al. | Multi-node load forecasting based on multi-task learning with modal feature extraction | |
CN110689162A (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
CN116187197A (zh) | 一种融合数据增强和深度学习的时间序列预测方法 | |
CN114662389B (zh) | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 | |
CN114154732A (zh) | 一种长期负荷预测方法及系统 | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及系统 | |
CN116050621A (zh) | 一种集成提升模式的多头自注意力海上风电超短时功率预测方法 | |
CN116151459A (zh) | 基于改进Transformer的电网防汛风险概率预测方法和系统 | |
CN116362799A (zh) | 基于供应链多源数据融合的产品需求预测方法及存储介质 | |
CN116743182B (zh) | 一种数据无损压缩方法 | |
CN117407681A (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
CN115392595B (zh) | 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |