CN117200190A - 一种电力物联网电力负荷预测方法 - Google Patents

Abstract

一种电力物联网电力负荷预测方法，电力物联网在不同片区设有子服务器用于边缘计算，构建轻量化电力负荷预测模型，所述轻量化电力负荷预测模型适用于边缘计算中的边缘服务器计算资源，实现在边缘计算中完成电力物联网电力负荷预测。本发明根据历史用电数据并针对其特点构建深度学习预测模型实现精准的负荷预测，同时尽可能地缩减模型规模，轻量化模型，使其便于部署到电力企业在各个片区设置的边缘服务器上，以各个片区为单位预测该片区未来的用电量，避免各个片区用电数据全部上传云端带来的不便，减轻云端计算压力。

Description

一种电力物联网电力负荷预测方法

技术领域

本发明属于智能电网技术领域，涉及深度学习对电网电力负荷的预测，为一种电力物联网电力负荷预测方法。

背景技术

随着技术发展，各行各业在发展中对电力系统提出的要求越来越多，智能电网建设的推行成为电网技术发展重点，为了推进电网的数字化转型，将新技术与电力系统融合，构建新型电力系统，已成为电力行业发展的必然趋势，继而有了电力物联网的概念。电力物联网是指围绕电力系统各个环节，充分应用5G通信、人工智能等先进信息技术，实现电力系统各环节互联互通、数据交互，具有状态全面感知、信息高效处理、应用灵活便捷等特征，主要包含感知层、网络层、平台层、应用层4层结构，分别解决电力数据的采集、传输、管理以及价值创造问题。

电力资源分配调度作为电力调度部门的一项重要工作，是电力系统中的重要一环。精准有效的电力负荷预测是对电力后备能源进行科学调度的依据，也是实现电力系统安全、稳定、经济运行的重要保障，它能帮助有关部门科学地制定发、配电计划，保障各行各业的正常运作和居民的正常生活。因此，实现精准的电力负荷预测很有必要。

电力负荷预测问题可归纳为时序预测问题，近年来，随着深度学习技术的火爆，各种时序预测模型层出不穷，比较流行的有RNN、LSTM和Transfomer等，RNN、LSTM深度神经网络存在输入数据长度有限、模型较深时训练困难、难以有效分析序列的长期依赖等问题，适用于数据较少时的情形，但在5G时代，数据量往往比较大，它们难以胜任当数据量较大时的大型预测任务。Transfomer则很好的解决了序列的长期依赖问题，在长时间序列预测方面得到了广泛的应用，但是，Transfomer在解决时序问题上也存在一定局限性，其预测精准度与输入的序列有很大关系，并不是任意一段时间序列直接送入Transformer都能获得令人满意的结果，往往需要针对输入序列的特点挖掘更深层次的信息，除此之外，基于Transfomer的模型规模往往比较大，其计算复杂度与所需的计算资源也比较高，与输入的序列长度成正比。

电力企业往往会在企业内设置中央服务器(也称为云服务器)，在各个片区设置子服务器(也称为边缘服务器)。云服务器负责长周期数据的大数据分析，能够在周期性维护、业务决策等领域运行，边缘服务器着眼于实时、短周期数据的分析，更好地支撑本地业务及时处理执行。将更多数据分析任务放在边缘服务器进行，能够大幅节省数据传输资源，减轻云端计算压力，同时数据在边缘的存储和处理也更加高效、安全。但是，大多数基于深度学习数据分析算法往往部署在云端，将各片区数据统一上传至云端再进行处理，而边缘服务器的计算资源往往十分有限，其设备往往不足以运行大规模的深度学习模型。

鉴于此，提供一种针对电力数据特点的轻量化电力负荷预测方法成为本领域亟待解决的问题。

发明内容

本发明的目的是针对电力系统中对电力负荷预测的需求以及边缘计算的计算资源限制，提出一种电力物联网电力负荷预测方法，构建轻量化模型，使其便于部署到电力企业在各个片区设置的边缘服务器上，减轻云端计算压力，提高数据处理和存储的效率。

本发明的技术方案为：一种电力物联网电力负荷预测方法，电力物联网在不同片区设有子服务器用于边缘计算，构建轻量化电力负荷预测模型，所述轻量化电力负荷预测模型适用于边缘计算中的边缘服务器计算资源，实现在边缘计算中完成电力物联网电力负荷预测，包括以下步骤：

S1收集历史用电数据并进行预处理，包括异常值修正和缺失值填补；

S2将历史用电数据的时间序列进行分解，将S1得到的历史用电数据时间序列分解为趋势分量、季节分量和残差分量三个部分，趋势分量反应长期时间内用电量的总体趋势，季节分量反应长期时间内用电量呈现出的周期态势，残差分量反应真实值与趋势分量、季节分量之和的偏差；

S3构建轻量化电力负荷预测模型并进行训练，

轻量化电力负荷预测模型基于Transformer的编解码器结构，针对S2分解出来的三个分量分别配置三个分支进行预测，其中对于趋势分量和残差分量的预测采用DP-Attention模块实现注意力机制，对于季节分量采用FDP-Attention模块实现注意力机制，三个分量分别输入模型进行预测，将三个分量在解码器端输出的预测结果进行相加重构即得到最终预测结果；用历史用电数据训练构建的预测模型；

S4模型部署，将训练好的轻量化电力负荷预测模型部署到各个片区的子服务器，以片区为单位完成对未来电力负荷的预测，将待测日期前的用电数据输入预测模型中，完成电力负荷的预测，用于后续调度规划。

本发明提供一种电力物联网的电力负荷预测方法，根据历史用电数据并针对其特点构建深度学习预测模型实现精准的负荷预测，同时尽可能地缩减模型规模，轻量化模型，使其便于部署到电力企业在各个片区设置的边缘服务器上，以各个片区为单位预测该片区未来的用电量，避免各个片区用电数据全部上传云端带来的不便，减轻云端计算压力。本发明最终可帮助有关部门科学地制定发、配电计划，保障各行各业的正常运作和居民的正常生活。

本发明具有以下有益的效果：

(1)针对传统Transfomer模型无法对任意的时间序列进行准确预测的局限，本发明充分挖掘了历史用电数据时间序列的特点，根据其突出的季节性特点，对时间序列进行趋势、季节、残差的解构，对解构的分量分别进行预测后再重构得到预测结果，可以很好的完成针对电力数据的预测任务。

(2)针对解构得到的季节分量具有明显的周期性特点，将其在时域上计算注意力相关性转为在频域上计算，可以使得季节分量的预测结果有较好的表现。

(3)针对传统Transfomer模型计算复杂度高，推理过程慢，模型规模大，从而导致占用大量计算资源的缺点，设计了DP-Attention模块降低其主要计算复杂度来源的复杂度，加速模型计算推理。同时，原始时间序列解构后的每一分量，其复杂性大大降低，模型易于学习，所以可以减少编解码器的堆叠层数，压缩模型规模。

附图说明

图1为本发明的电力负荷预测流程图。

图2为本发明构建的预测模型结构图。

图3为本发明的DP-Attention模块示意图。

图4为本发明的FDP-Attention模块示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本实施例提供了一种电力负荷预测方法，首先采集历史用电数据，对原始数据进行预处理，便于后续分析。然后将时间序列解构为趋势分量、季节分量以及残差分量，分别输入预测模型进行预测，最后将各分量预测结果重构得到最终预测结果，根据预测结果，帮助相关电力部门对电力资源进行调度规划。

本实例具体包括以下步骤：

步骤S1收集历史用电数据，并对异常以及缺失的数据进行修正填补。

根据目标预测范围，以天、月或季度为单位收集目标片区一段时间内的用电数据，但由于历史上某些天可能出现设备故障导致收集到的历史用电数据出现空缺或者发生突发事件致使用电量急剧上升导致其日用电量远远偏离正常范围的情况，如果将其直接送入预测模型会对训练造成严重的干扰，而一般情况下希望训练出的模型具有普适性，因此需要对输入数据进行清洗，具体如下。

对原始序列数据中的异常值进行修正，具体为：通过3σ理论完成对某一天数据中异常点的辨识，然后对于异常值点，根据其同一天前后两个时刻的数据和前后两天的同时刻数据为其赋值修正。

其中x_n,i为第n天第i时刻的值，N为判断天数区间，一般取7或14天，σ_i ²分别为第i时刻的值在判断天数区间内的均值和方差，若某一天某一时刻数据x_n,i满足下列不等式：

则将该值判定为异常值，修正如下：

其中ξ为尺度阈值，通常取0.9～1.6，x_n,i′为第n天i时刻修正后的值，x_n+1,i和x_n-1,i分别为第n天前后两天第i时刻的值，x_n,i-1和x_n,i+1分别为第n天i时刻前后两个时刻的值。

对原始序列数据中的缺失值进行填补，具体为：用待插补数据集的所有非缺失部分的均值替代每个缺失值，即若第n天i时刻的值缺失，则用天数区间内其它天的第i时刻的均值进行填补。

具体的：

其中，其中x_n,i为第n天第i时刻的值。

步骤S2将历史用电数据的时间序列进行分解。

针对历史用电负荷特有并极为突出的季节性特点—夏季和冬季用电量偏多，春季和秋季用电量相对较少，将原始用电数据时间序列分解为趋势分量、季节分量和残差分量三个分量。趋势分量反应长期时间内用电量的总体趋势，季节分量反应长期时间内用电量呈现出的周期态势，残差分量反应真实值与趋势分量、季节分量之和的偏差。

本发明使用STL算法，以鲁棒局部加权回归作为平滑方法的时间序列分解方法，基于局部加权回归LOESS将原始时间序列进行分解：

X_original＝X_t+X_s+X_r

其中，X_t为趋势分量，X_s为季节分量，X_r为残差分量。

分解之后，对每个分量进行归一化处理，以趋势分量为例：

其中X_t为原始趋势分量的值，min(X_t)为趋势分量的最小值，max(X_t)为趋势分量的最大值，X_t′为归一化后的值。

步骤3构建轻量化电力负荷预测模型并进行训练。

图2为本发明构建的预测模型，如图所示，轻量化电力负荷预测模型基于Transformer的编解码器结构，针对S2由原始时间序列分解出来的三个分量分别配置三个分支进行预测，将三个分量的预测结果相加作为最终的预测结果。

具体的，对趋势分量和残差分量的预测设计了DP-Attention(DropoutAttention)模块作为注意力机制模块，以降低注意力机制计算相关性的复杂度。DP-Attention模块区别于传统Transfomer的Attention机制，将输入序列向量按照一定比例进行失活，这里的失活与全连接网络的失活有所不同，并不是完全不参与运算，而是不参与注意力机制的计算，未失活的向量之间仍然进行注意力机制计算相关性，失活的向量不再计算与其它向量的相关性，而是取所有输入向量的均值代替与其它向量的相关性，DP-Attention模块有效降低计算复杂度，提升模型的推理速度。

DP-Attention的计算细节如下：

如图3所示，首先对输入序列进行Q,K,V的计算，计算公式如下：

Q＝W^qI

K＝W^kI

V＝W^vI

其中，I为输入序列合并后的向量矩阵，W^q、W^k、W^v分别是模型学习到的Q,K,V参数矩阵。

随后对输入序列向量进行一定比例失活，原始的Q,K,V被分为未失活Q',K',V'与失活的Q”,K”,V”。未失活的Q',K',V'仍然进行如下公式所示的注意力机制相关性计算：

其中，d_k为Q,K参数矩阵的维度。

失活的Q”,K”,V”不再进行各自之间注意力机制相关性的计算，而是直接用所有V的全局平局替代：

其中，M为输入序列的长度。

针对季节分量呈现的显著的周期态势，其在频域上的相关性特征更为突出，因此设计了FDP-Attention(FFT Dropout Attention)模块作为注意力机制模块，将输入向量进行傅里叶变换到频域，同时依然对输入向量进行随机比例失活计算注意力机制相关性，然后再进行反傅里叶变换得到最终的相关性结果。

FDP-Attention的计算细节与DP-Attention大致相同，如图4所示，在计算注意力机制相关性之前和之后加入一层傅里叶变换和反傅里叶变换，对于未失活的Q',K',V'采用下列公式进行注意力机制的相关性计算：

其中，F表示傅里叶变换，F^-1表示反傅里叶变换，d_k为Q,K参数矩阵的维度。

对于失活的Q”,K”,V”，其计算方式与前面相同。

轻量化电力负荷预测模型的Transformer的编解码器结构中，对于DP-Attention模块和FDP-Attention模块，将V'和V”组合在一起作为输入序列的相关性表征，再经过一系列残差链接、标准化和前馈层，构成编码器的输出。解码器同样采用与编码器相同的Attention模块，将编码器的输出与解码器的输入共同输入解码器，经过一系列残差链接、标准化和前馈层，最终再通过一层线性层得到各个分量的预测输出。

本发明方法下，原始时间序列解构后的每一分量，其复杂性大大降低，模型易于学习，所以本发明预测模型的编解码器堆叠层数都为两层。

本发明对轻量化电力负荷预测模型训练过程中采用MSE损失函数，MSE衡量模型预测值与实际值之间的平均平方误差，MSE越小代表预测值与真实值越接近，公式如下所示：

其中，x_l为真实值，y_l为预测值，L为预测序列的长度。

将所有分量在解码器端输出的预测结果进行重构即可得到最终预测结果，即：

Y_prediction＝Y_t+Y_s+Y_r

其中Y_t,Y_s,Y_r分别为X_t,X_s,X_r的预测值。

步骤S4模型部署，将待测日期前的用电数据输入模型中，完成电力负荷的预测，用于后续调度规划。

具体的，将轻量化的电力负荷预测模型部署到各个片区的子服务器，以片区为单位完成对未来电力负荷的预测，在对本地数据完成更高效数据分析的同时，避免了大量数据全部上传云端的不便，缓解云端计算压力。

Claims (4)

1.一种电力物联网电力负荷预测方法，其特征是电力物联网在不同片区设有子服务器用于边缘计算，构建轻量化电力负荷预测模型，所述轻量化电力负荷预测模型适用于边缘计算中的边缘服务器计算资源，实现在边缘计算中完成电力物联网电力负荷预测，包括以下步骤：

S1收集历史用电数据并进行预处理，包括异常值修正和缺失值填补；

S2将历史用电数据的时间序列进行分解，将S1得到的历史用电数据时间序列分解为趋势分量、季节分量和残差分量三个部分，趋势分量反应长期时间内用电量的总体趋势，季节分量反应长期时间内用电量呈现出的周期态势，残差分量反应真实值与趋势分量、季节分量之和的偏差；

S3构建轻量化电力负荷预测模型并进行训练，

轻量化电力负荷预测模型基于Transformer的编解码器结构，针对S2分解出来的三个分量分别配置三个分支进行预测，其中对于趋势分量和残差分量的预测采用DP-Attention模块实现注意力机制，对于季节分量采用FDP-Attention模块实现注意力机制，三个分量分别输入模型进行预测，将三个分量在解码器端输出的预测结果进行相加重构即得到最终预测结果；用历史用电数据训练构建的预测模型；

S4模型部署，将训练好的轻量化电力负荷预测模型部署到各个片区的子服务器，以片区为单位完成对未来电力负荷的预测，将待测日期前的用电数据输入预测模型中，完成电力负荷的预测，用于后续调度规划。

2.根据权利要求1所述的一种电力物联网电力负荷预测方法，其特征是S1中的预处理具体为：

对原始序列数据中的异常值进行修正：通过3σ理论完成对某一天数据中异常点的辨识，然后对于异常值点，根据其同一天前后两个时刻的数据和前后两天的同时刻数据为其赋值修正：

其中x_n,i为第n天第i时刻的值，N为判断天数区间，σ_i ²分别为第i时刻的值在判断天数区间内的均值和方差，若数据x_n,i满足下列不等式：

则将该值判定为异常值，修正如下：

其中，其中ξ为尺度阈值，取0.9～1.6，x_n,i′为第n天i时刻修正后的值，x_n+1,i和x_n-1,i分别为第n天前后两天第i时刻的值，x_n,i-1和x_n,i+1分别为第n天i时刻前后两个时刻的值；

对原始序列数据中的缺失值进行填补具体为：用待插补数据集的所有非缺失部分的均值替代每个缺失值，即若第n天i时刻的值缺失，则用天数区间内其它天的第i时刻的均值进行填补：

3.根据权利要求1所述的一种电力物联网电力负荷预测方法，其特征是S2中分解三个分量具体为：使用STL算法，基于局部加权回归LOESS将原始时间序列进行分解：

X_original＝X_t+X_s+X_r

其中，X_t为趋势分量，X_s为季节分量，X_r为残差分量，分解之后，对每个分量进行归一化处理。

4.根据权利要求1所述的一种电力物联网电力负荷预测方法，其特征是轻量化电力负荷预测模型中，DP-Attention模块具体为：首先对输入序列进行Q,K,V的计算，计算公式如下：

Q＝W^qI

K＝W^kI

V＝W^vI

其中，I为输入序列合并后的向量矩阵，W^q、W^k、W^v分别是模型学习到的Q,K,V参数矩阵；随后对输入序列向量按比例失活，原始的Q,K,V被分为未失活的Q',K',V'与失活的Q”,K”,V”；未失活的Q',K',V'仍然进行如下公式所示的注意力机制相关性计算：

其中，d_k为Q,K参数矩阵的维度；失活的Q”,K”,V”不再进行各自之间注意力机制相关性的计算，而是直接用所有V的全局平局替代：

其中，M为输入序列的长度；

FDP-Attention模块具体为：将输入向量进行傅里叶变换到频域，同时依然对输入向量进行随机比例失活计算注意力机制相关性，然后再进行反傅里叶变换得到最终的相关性结果，相比DP-Attention模块，在计算注意力机制相关性之前和之后加入一层傅里叶变换和反傅里叶变换，对于未失活的Q',K',V'采用下列公式进行注意力机制的相关性计算：

其中，F表示傅里叶变换，F^-1表示反傅里叶变换，d_k为Q,K参数矩阵的维度；对于失活的Q”,K”,V”，与DP-Attention模块相同；

对于DP-Attention模块和FDP-Attention模块，将V'和V”组合在一起作为输入序列的相关性表征，再经过残差链接、标准化和前馈层，构成Transformer编码器的输出；

Transformer解码器同样采用与编码器相同的注意力模块，即DP-Attention模块和FDP-Attention模块，将编码器的输出与解码器的输入共同输入解码器，经过残差链接、标准化和前馈层，最终再通过一层线性层得到各个分量的预测输出。