CN117833243B - 一种电力短期需求预测方法、系统、设备及介质 - Google Patents
一种电力短期需求预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117833243B CN117833243B CN202410250867.6A CN202410250867A CN117833243B CN 117833243 B CN117833243 B CN 117833243B CN 202410250867 A CN202410250867 A CN 202410250867A CN 117833243 B CN117833243 B CN 117833243B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- power
- trained
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力预测技术领域,为了解决现有的混有非时序特征因素难以处理的问题,以及深度学习可解释性差,电力预测不准确的问题,提出了一种电力短期需求预测方法、系统、设备及介质,利用可解释模型得到的第二负荷预测结果,和预训练模型得到的第一负荷预测结果,基于第一负荷预测结果和第二负荷预测结果的相似度对预训练好的预测模型进行再次训练,得到训练好的预测模型,提高预测模型的预测的准确性;在预测模型中,通过对空间特征和时序特征的分别提取后再融合的方式,解决混有非时序特征因素难以处理的问题,提高电力需求预测的准确性。
Description
技术领域
本发明属于电力预测技术领域,尤其涉及一种电力短期需求预测方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电力需求预测技术的应用能够在电力系统的运行中起到重要的作用。首先,准确的需求预测能够帮助电力系统的管理者做出合理的供应计划,避免供需失衡和电力短缺的情况发生。其次,需求预测能够帮助电力企业进行合理的电力调度和发电计划,提高电力系统的运行效率和经济性。此外,电力需求预测技术还能够为电力市场的运营者提供决策支持,帮助他们制定合理的市场规则和政策,促进电力市场的健康发展。按照时间分类,可以将预测分为即时预测、短期预测、中期预测以及长期预测,相比于中长期预测,短期预测,可以暂时忽略经济因素,从而规避因经济政策等宏观因素的影响导致预测结果与实际结果严重不符的情况。
不过电力短期需求预测技术也面临一些挑战和问题。首先,电力需求受到许多因素的影响,包括天气因素、季节因素等,这些因素之间的关系复杂多变,给需求预测带来了困难。其次,电力需求预测的准确性对于电力系统的运行和规划至关重要,但由于数据不完整或不准确,预测结果可能存在一定的误差。目前预测方法主要分为以下几类:
1、基于专家意见的方法
这种方法可以综合考虑各方面的因素,可以吸纳各方意见,简单快捷,但易造成屈从多数人或者权威人士的意见,而忽略少数人的正确意见,并且花费较高。
2、基于机器学习的方法
传统的机器学习方法需要先开展特征工程工作,挖掘特征之间的关系,对数据进行深度分析后才能建立模型进行学习,否则预测效果便会不理想。
3、基于深度学习的方法
深度学习模型可以直接将电力相关数据特征传递到网络,利用其强大的非线性表达能力 挖掘特征,建立负荷与各类因素之间的关联性,从而实现高精度预测。但深度学习可解释性差,无法保证预测结果的可靠性。
综上,在电力负荷预测中,如何解决混有非时序特征因素难以处理的问题,以及如何在充分利用神经网络优秀架构的基础上,解决深度学习可解释性差的问题,提高电力负荷预测的准确性,是目前需要解决的问题。
发明内容
为克服上述现有技术的不足,本发明提供了一种电力短期需求预测方法、系统、设备及介质,利用可解释模型得到的第二负荷预测结果,和预训练模型得到的第一负荷预测结果,基于第一负荷预测结果和第二负荷预测结果的相似度对预训练好的预测模型进行再次训练,得到训练好的预测模型,提高预测模型的预测的准确性。
为实现上述目的,本发明的第一个方面提供一种电力短期需求预测方法,包括:
获取电力负荷相关的历史多源数据并进行预处理;
将预处理后的电力负荷相关的历史多源数据输入至预训练好的预测模型,得到第一负荷预测结果;其中,在所述预测模型中,分别提取多源数据的空间特征和时序特征;将所提取的空间特征和时序特征进行融合,基于融合后的结果得到第一负荷预测结果;
对获取的电力负荷相关的历史多源数据进行扰动处理,得到扰动样本;
将所述扰动样本输入至训练好的可解释模型,得到第二负荷预测结果;
基于所述第一负荷预测结果和所述第二负荷预测结果的相似度对预训练好的预测模型进行再次训练,得到训练好的预测模型;
根据所获取的待预测的电力负荷相关的多源数据,基于训练好的预测模型,得到预测结果。
本发明的第二个方面提供一种电力短期需求预测系统,包括:
获取模块:获取电力负荷相关的历史多源数据并进行预处理;
预训练模块:将预处理后的电力负荷相关的历史多源数据输入至预训练好的预测模型,得到第一负荷预测结果;其中,在所述预测模型中,分别提取多源数据的空间特征和时序特征;将所提取的空间特征和时序特征进行融合,基于融合后的结果得到第一负荷预测结果;
扰动模块:对获取的电力负荷相关的历史多源数据进行扰动处理,得到扰动样本;
可解释模块:将所述扰动样本输入至训练好的可解释模型,得到第二负荷预测结果;
训练模块:基于所述第一负荷预测结果和所述第二负荷预测结果的相似度对预训练好的预测模型进行再次训练,得到训练好的预测模型;
预测模块:根据所获取的待预测的电力负荷相关的多源数据,基于训练好的预测模型,得到预测结果。
本发明的第三个方面提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行一种电力短期需求预测方法。
本发明的第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行一种电力短期需求预测方法。
以上一个或多个技术方案存在以下有益效果:
在本发明中,利用可解释模型得到的第二负荷预测结果,和预训练模型得到的第一负荷预测结果,基于第一负荷预测结果和第二负荷预测结果的相似度对预训练好的预测模型进行再次训练,得到训练好的预测模型,提高预测模型的预测的准确性;在预测模型中,通过对空间特征和时序特征的分别提取后再融合的方式,解决混有非时序特征因素难以处理的问题,提高电力需求预测的准确性。
本发明附加方面的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,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中电力短期需求预测方法流程图;
图2为本发明实施例一中预测模型整体结构图;
图3为本发明实施例一中混合时序注意力模块网络结构图;
图4为本发明实施例一中时序注意力模块网络结构图;
图5为本发明实施例一中空间注意力模块网络结构图;
图6为本发明实施例一中可解释性流程图;
图7为本发明实施例一中负荷数据集示例图;
图8为本发明实施例一中特征权重图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于混合时序注意力机制的电力短期需求预测方法,包括:
获取电力负荷相关的历史多源训练数据并进行预处理;
将预处理后的电力负荷相关的历史多源训练数据对预测模型进行训练,得到预训练好的预测模型;其中,在所述预测模型中,分别提取多源数据的空间特征和时序特征;将所提取的空间特征和时序特征进行融合,基于融合后的结果得到预测模型输出结果;
对获取的电力负荷相关的历史多源训练数据进行扰动处理,得到扰动样本;
利用所述扰动样本训练可解释模型,得到训练好的可解释模型;
将获取的电力负荷相关的多源测试数据分别输入到预训练好的预测模型和训练好的可解释模型,得到第一负荷预测结果和第二负荷预测结果;
基于所述第一负荷预测结果和所述第二负荷预测结果比较结果,对预训练好的预测模型进行再次训练,得到训练好的预测模型 。
下面对本实施例的基于深度学习的多特征电力短期需求预测方法进行详细的说明。
如图1所示,步骤1:样本准备与处理
收集电力负荷相关的数据集,以每15分钟为一个采集点,包含气象数据、季节数据等特征因素。按照以下步骤进行处理:
第一步:扩展样本特征集,按照以下维度进行特征扩充:
1、季节类型,春、夏、秋、冬,分别标记为0,1,2,3;
2、是否节假日,分别标记为0,1;0代表否,1代表是;
3、上午,早上,中午,晚上,分别标记为0,1,2,3;其中,按照以下规则进行标注:
凌晨00:00—5:00、清晨5:00-6:00、早晨6:00-8:00、上午8:00—11:00、中午11:00—13:00、下午13:00—17:00、傍晚17:00—18:00、晚上18:00—24:00;
4、是否周末,标记为0,1;0代表否,1代表是;
5、是否高峰时段,标记为0,1;0代表否,1代表是;
6、是否上班,标记为0,1;0代表否,1代表是;
制作新的特征,丰富样本集。
第二步:样本集处理,对特征数据进行清洗,包括删除其中离群值的噪声数据,采用平均值填充法补全空值数据。对数据进行标准化,将连续特征值标准化为0至1范围内的值,将离散特征值进行独热编码。
对特征数据进行清洗,包括删除其中离群值的噪声数据,采用平均值填充法补全空值数据。对数据进行标准化,将连续特征值标准化为0至1范围内的值,将离散特征值进行独热编码。
步骤2:预测模型设计与训练
如图2所示,整个预测模型的预测流程为:首先,通过特征提取模块提取特征,构建数据之间的邻近特征关系。具体的,采用CNN网络对提取到的特征进行二维空间位置编码,为其赋予空间位置信息,采用LSTM网络对提取到的特征进行时间序列编码,为其赋予时间序列信息。接着,将编码后的特征送入混合时序注意力网络中进行编码和解码,再经过前馈神经网络(feedforward neural network, FFN)回归预测最终的电力需求量值。针对各个模型进行分析:
1、特征提取模块
分别采用了CNN网络和LSTM网络进行了特征提取。
CNN网络包含3层卷积层,卷积核大小为3×3,每一层卷积后都跟随一个批归一化层和一个激活层。除了第二个卷积层采用步长为2的卷积操作之外,其余步长均为1,从而赋予空间位置信息特征。
LSTM网络包含64个神经元,通过神经元学习历史电力负荷数据中的模式和趋势,捕捉电力负荷数据中的长期依赖关系,从而赋予时间序列信息特征。
2、混合时序注意力模块
注意力不仅要告诉我们重点关注哪里,还要提高关注点的表示。 目标是通过使用注意机制来增加表现力,关注重要特征并抑制不必要的特征。为了强调空间和时间这两个维度上的有意义特征,依次应用时间和空间注意模块,来分别在时间和空间维度上学习关注什么、在哪里关注。此外,通过了解要强调或抑制的信息也有助于网络内的信息流动。
如图3所示,其中,混合时序注意力公式如下:
Mt =
其中,Mt代表混合时序注意力特征处理结果;代表t时刻结果状态时序注意力特征处理结果,即第一特征;/>代表空间注意力特征处理结果,即第二特征。
时序注意力模块:
为了更好地捕获时间序列间的依赖关系,对经过编码网络LSTM编码后的输出{h0,h1,⋯hs,⋯,ht}采用时序注意力机制进行解码,通过对不同时间步的特征自适应地赋予权重,解决在编码-解码过程中存在的动态信息丢失问题。时序注意力的结构如图4所示:
其中,表示LSTM中s时刻得到的隐藏状态,/>为t时刻预测结果,/>表示LSTM得到的目标隐藏状态,/>表示s时刻的隐藏状态在所有隐藏状态所占的权重;/>为将全部特征进行求平均值或求和,得到一个整体向量,/>为/>的对齐权重矩阵 ,/>为对齐权重平均值矩阵 ,/>为 encoder端的第j个特征与decoder端的第i个特征之间的权值,即源端与目标特征对齐程度,/>为输出特征c的权重矩阵,/>为输入特征x的T时刻的值,上标T表示转置。
空间注意力模块:
如图5所示,首先,还是使用最大池化和平均池化对经过编码网络CNN编码后的输出特征图进行压缩操作,只不过这里的压缩变成了通道层面上的压缩,对输入特征分别在通道维度上做了平均池化和最大池化操作。最后得到了两个二维的特征,将其按通道维度拼接在一起得到一个通道数为2的特征图,之后使用一个包含单个卷积核的隐藏层对其进行卷积操作,要保证最后得到的特征在空间维度上与输入的特征图一致。
其中,代表空间注意力模块最终的输出特征;/>代表卷积核大小;代表平均池化;/>代表平均池化;/>代表最大池化;/>代表最大池化。
步骤3:回归预测
采用具有易求导、存在解析解等优点的均方损失函数计算损失,函数表达式为:
其中,Floss为批处理损失函数值,Fi为单个样本损失函数值,b为批处理大小,n为总样本数,为预测值,/>为真实值。
预测模型训练:对样本集按照7:2:1拆分训练集、验证集和测试集,设置网络参数进行训练,自动监控loss下降情况,当loss在连续5轮不再变化,则终止训练。
根据原始整理的电力样本,通过扰动方式从标准正态N(0,1)中采样后,乘以训练集的方差然后加上均值,加在x上作为x邻域内的点,形成扰动样本。
接着在这个新的数据集上,基于扰动样本和原始预测模型预测值综合训练一个简单模型即可解释的模型, 通过以下目标函数衡量两个模型之间的差异:
其中,f表示原始的模型,即需要解释的模型;g表示简单模型,G是简单模型的一个集合,如所有可能的线性模型;πx表示新数据集中的数据x'与原始数据x的距离;Ω(g)表示模型g的复杂程度;
假设原始模型f为需要被解释的复杂模型,对实例x的解释模型是模型g(例如线性回归模型),G是可能的可解释模型的集,接近度π x定义了实例x附近进行采样的邻域大小,即对x附近进行扰动,扰动前后的样本距离。
在样本X附近进行扰动,对扰动前后的样本相似度进行定义。相似度计算公式如下:
其中,x为原始样本,z是扰动样本。
将相似度作为扰动样本在预测模型上的预测值与扰动样本在可解释模型上的预测值的权重,构建目标函数;将目标函数通过线性回归的方式对可解释模型进行训练优化。
具体的,有了相似度的定义,将原先的目标函数改写成如下的形式。
其中,f(z)就是扰动样本,在d维空间原始特征上的预测值,并把该预测值作为目标,g(z’)则是在d’维空间即可解释特征上的预测值,然后以相似度作为权重,因此上述的目标函数便可以通过线性回归的方式进行优化,通过可解释模型的损失函数,用来衡量预测模型的拟合能力。
如图6所示,可解释性流程对预测模型的验证:选择需要解释的样本点/特征进行解释,展示出对于样本的预测值,样本中每个变量的重要性权重,以及每个变量的取值。
本实施例提出了一种混合时序注意力机制,解决混有非时序特征因素难以处理的问题,提高电力需求预测的准确性。本实施例提出了一种基于电力领域的可解释性流程,验证预测模型的可靠性。
本实施例为在负荷数据集上进行验证,主要包含步骤为:
1、样本处理
扩展样本特征集,按照以下维度进行特征扩充:
季节类型,春、夏、秋、冬,分别标记为0,1,2,3;
是否节假日,分别标记为0,1;代表0,代表不是,1代表是;
上午,早上,中午,晚上,分别标记为0,1,2,3;其中,按照以下规则进行标注:
凌晨00:00—5:00、清晨5:00-6:00、早晨6:00-8:00、上午8:00—11:00、中午11:00—13:00、下午13:00—17:00、傍晚17:00—18:00、晚上18:00—24:00
是否周末,标记为0,1;
是否高峰时段,标记为0,1;
是否上班,标记为0,1;
对特征数据进行清洗,包括删除其中离群值的噪声数据,采用平均值填充法补全空值数据。
如图7所示,预测模型设计与训练:按照上述模型进行训练,训练样本格式如下:
特征值x:时刻值、最高温度、最低温度、平均温度、相对湿度、降雨量、是否周末、季节类型、是否上班、是否高峰、时间类型;
带预测值y:负荷量;
按照7:2:1分为训练集、验证集和测试集,通过预测模型进行训练,观察loss变化情况,当loss变化非常小或者不变化的时候,则说明模型已收敛,训练好了。
可解释性流程设计:按照可解释性流程设计进行操作,先用可解释性很好的线性回归在原始样本上进行训练,然后再对样本进行扰动,用已训练好的电力短期需求模型进行预测,再结合目标函数来解释模型g 与原始模型f 预测的接近程度。
预测可解释性展示:选择需要解释的样本点/特征进行解释,展示出对于样本的预测值,样本中每个变量的重要性权重,以及每个变量的取值。图8是特征权重图,列举了部分特征,特征越大代表越重要,如果特征值为负,则说明该特征可能是个干扰项,看是否要做剔除准备。结合特征权重图,可以看电力短期预测模型是否可靠,从而提高模型的可解释性。
实施例二
本实施例的目的是提供基于混合时序注意力机制的电力短期需求预测系统,包括:
获取模块:获取电力负荷相关的历史多源数据并进行预处理;
预训练模块:将预处理后的电力负荷相关的历史多源数据输入至预训练好的预测模型,得到第一负荷预测结果;其中,在所述预测模型中,分别提取多源数据的空间特征和时序特征;将所提取的空间特征和时序特征进行融合,基于融合后的结果得到第一负荷预测结果;
扰动模块:对获取的电力负荷相关的历史多源数据进行扰动处理,得到扰动样本;
可解释模块:将所述扰动样本输入至训练好的可解释模型,得到第二负荷预测结果;
训练模块:基于所述第一负荷预测结果和所述第二负荷预测结果的相似度对预训练好的预测模型进行再次训练,得到训练好的预测模型;
预测模块:根据所获取的待预测的电力负荷相关的多源数据,基于训练好的预测模型,得到预测结果。
实施例三
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
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执行上述方法的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种电力短期需求预测方法,其特征在于,包括:
获取电力负荷相关的历史多源训练数据并进行预处理;
将预处理后的电力负荷相关的历史多源训练数据对预测模型进行训练,得到预训练好的预测模型;其中,在所述预测模型中,分别提取历史多源训练数据的空间特征和时序特征;将所提取的空间特征和时序特征进行融合,基于融合后的结果得到预测模型输出结果;
对获取的电力负荷相关的历史多源训练数据进行扰动处理,得到扰动样本;
利用所述扰动样本训练可解释模型,得到训练好的可解释模型;
在样本X附近进行扰动,对扰动前后的样本相似度进行计算,计算公式如下:
其中,x为原始样本,z是扰动样本;
将相似度作为扰动样本在预测模型上的预测值与扰动样本在可解释模型上的预测值的权重,构建目标函数;将目标函数通过线性回归的方式对可解释模型进行训练优化;
构建的目标函数计算公式如下:
其中,f(z)就是扰动样本,在d维空间原始特征上的预测值,并把预测值作为目标,则是在d/>维空间即可解释模型上的预测值,然后以相似度作为权重,所述目标函数便可以通过线性回归的方式进行优化,通过可解释模型的损失函数,用来衡量预测模型的拟合能力;
将获取的电力负荷相关的多源测试数据分别输入到预训练好的预测模型和训练好的可解释模型,得到第一负荷预测结果和第二负荷预测结果;
基于所述第一负荷预测结果和所述第二负荷预测结果比较结果,对预训练好的预测模型进行再次训练,得到训练好的预测模型,基于训练好的预测模型用于电力需求预测。
2.如权利要求1所述的一种电力短期需求预测方法,其特征在于,在所述预测模型中,具体为:
对输入的历史多源训练数据进行特征提取;
通过CNN网络对所提取的特征进行空间位置编码,利用LSTM网络对所提取的特征进行时间序列编码;
将编码后的特征基于混合时序注意力网络进行编码和解码;
将解码后的结果基于前馈神经网络进行回归预测,得到第一负荷预测结果。
3.如权利要求2所述的一种电力短期需求预测方法,其特征在于,将编码后的特征基于混合时序注意力网络进行编码和解码,具体为:
对经过LSTM网络编码后的结果采用时序注意力机制进行操作处理,通过对不同时间步的特征赋予权重,得到第一特征;
对经过CNN编码后的输出结果采用空间注意力模块进行操作处理,得到第二特征;
对所述第一特征和所述第二特征进行融合,得到基于混合时序注意力网络的输出结果。
4.如权利要求3所述的一种电力短期需求预测方法,其特征在于,在所述空间注意力模块中,具体操作为:分别采用最大池化和平均池化对输入特征进行压缩操作,将压缩操作的结果按照通道维度进行拼接,将拼接后的结果进行卷积操作,得到所述空间注意力模块的输出结果。
5.如权利要求1所述的一种电力短期需求预测方法,其特征在于,所述预测模型采用均方损失函数作为损失函数。
6.一种基于如权利要求1-5任一项所述方法的电力短期需求预测系统,其特征在于,包括:
获取模块:获取电力负荷相关的历史多源训练数据并进行预处理;
预训练模块:将预处理后的电力负荷相关的历史多源训练数据对预测模型进行训练,得到预训练好的预测模型;其中,在所述预测模型中,分别提取历史多源训练数据的空间特征和时序特征;将所提取的空间特征和时序特征进行融合,基于融合后的结果得到预测模型输出结果;
扰动模块:对获取的电力负荷相关的历史多源训练数据进行扰动处理,得到扰动样本;
训练模块:利用所述扰动样本训练可解释模型,得到训练好的可解释模型;
测试模块:将获取的电力负荷相关的多源测试数据分别输入到预训练好的预测模型和训练好的可解释模型,得到第一负荷预测结果和第二负荷预测结果;
再训练模块:基于所述第一负荷预测结果和所述第二负荷预测结果比较结果,对预训练好的预测模型进行再次训练,得到训练好的预测模型,基于训练好的预测模型用于电力需求预测。
7.如权利要求6所述的一种电力短期需求预测系统,其特征在于,在训练模块中,对多源训练数据与所对应的扰动样本计算相似度,将所计算的相似度作为扰动样本在预测模型上的预测值与扰动样本在可解释模型上的预测值的权重,构建目标函数;将所述目标函数通过线性回归的方式对可解释模型进行训练优化。
8.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一项所述的一种电力短期需求预测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一项所述的一种电力短期需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410250867.6A CN117833243B (zh) | 2024-03-06 | 2024-03-06 | 一种电力短期需求预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410250867.6A CN117833243B (zh) | 2024-03-06 | 2024-03-06 | 一种电力短期需求预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117833243A CN117833243A (zh) | 2024-04-05 |
CN117833243B true CN117833243B (zh) | 2024-05-24 |
Family
ID=90506101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410250867.6A Active CN117833243B (zh) | 2024-03-06 | 2024-03-06 | 一种电力短期需求预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117833243B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005168251A (ja) * | 2003-12-05 | 2005-06-23 | Chugoku Electric Power Co Inc:The | 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 |
CN116205359A (zh) * | 2023-02-28 | 2023-06-02 | 国网甘肃省电力公司信息通信公司 | 一种日前电力负荷预测的方法、装置、终端和存储介质 |
CN116596044A (zh) * | 2023-07-18 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于多源数据的发电负荷预测模型训练方法及装置 |
CN116703000A (zh) * | 2023-06-26 | 2023-09-05 | 国网湖南省电力有限公司 | 基于时空图注意力的短期电力负荷预测方法及系统 |
CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
CN117096867A (zh) * | 2023-08-25 | 2023-11-21 | 国网湖北省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、装置、系统及存储介质 |
CN117175588A (zh) * | 2023-11-03 | 2023-12-05 | 邯郸欣和电力建设有限公司 | 基于时空相关性的用电负荷预测方法及装置 |
CN117200208A (zh) * | 2023-09-12 | 2023-12-08 | 河海大学 | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 |
CN117273076A (zh) * | 2023-07-31 | 2023-12-22 | 北京交通大学 | 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统 |
CN117277316A (zh) * | 2023-11-22 | 2023-12-22 | 国网山东省电力公司曲阜市供电公司 | 一种电力负荷预测方法、系统、介质及设备 |
CN117293791A (zh) * | 2023-08-30 | 2023-12-26 | 南京理工大学 | 一种基于误差修正的负荷时序调节潜力预测方法 |
CN117349614A (zh) * | 2023-09-26 | 2024-01-05 | 贵州大学 | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 |
CN117424201A (zh) * | 2023-09-14 | 2024-01-19 | 西安交通大学 | 电力系统暂态稳定可解释评估方法、系统、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11010503B2 (en) * | 2018-05-15 | 2021-05-18 | Tata Consultancy Services Limited | Method and system providing temporal-spatial prediction of load demand |
-
2024
- 2024-03-06 CN CN202410250867.6A patent/CN117833243B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005168251A (ja) * | 2003-12-05 | 2005-06-23 | Chugoku Electric Power Co Inc:The | 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 |
CN116205359A (zh) * | 2023-02-28 | 2023-06-02 | 国网甘肃省电力公司信息通信公司 | 一种日前电力负荷预测的方法、装置、终端和存储介质 |
CN116703000A (zh) * | 2023-06-26 | 2023-09-05 | 国网湖南省电力有限公司 | 基于时空图注意力的短期电力负荷预测方法及系统 |
CN116596044A (zh) * | 2023-07-18 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于多源数据的发电负荷预测模型训练方法及装置 |
CN117273076A (zh) * | 2023-07-31 | 2023-12-22 | 北京交通大学 | 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统 |
CN117096867A (zh) * | 2023-08-25 | 2023-11-21 | 国网湖北省电力有限公司电力科学研究院 | 一种短期电力负荷预测方法、装置、系统及存储介质 |
CN117293791A (zh) * | 2023-08-30 | 2023-12-26 | 南京理工大学 | 一种基于误差修正的负荷时序调节潜力预测方法 |
CN117200208A (zh) * | 2023-09-12 | 2023-12-08 | 河海大学 | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 |
CN117424201A (zh) * | 2023-09-14 | 2024-01-19 | 西安交通大学 | 电力系统暂态稳定可解释评估方法、系统、设备及存储介质 |
CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
CN117349614A (zh) * | 2023-09-26 | 2024-01-05 | 贵州大学 | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 |
CN117175588A (zh) * | 2023-11-03 | 2023-12-05 | 邯郸欣和电力建设有限公司 | 基于时空相关性的用电负荷预测方法及装置 |
CN117277316A (zh) * | 2023-11-22 | 2023-12-22 | 国网山东省电力公司曲阜市供电公司 | 一种电力负荷预测方法、系统、介质及设备 |
Non-Patent Citations (3)
Title |
---|
Wei Zhang ; Gangui Yan ; Gang Mu.A noval space-time feature extraction approach for load forecasting.《2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》.2017,全文. * |
基于Stacking模型集成的LSTM网络短期负荷预测研究;丁斌;邢志坤;王帆;袁博;刘涌;孙岩;;中国测试;20200731(第07期);全文 * |
基于相似日选择与改进Stacking集成学习的短期负荷预测;徐耀松;段彦强;王雨虹;屠乃威;;传感技术学报;20200415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117833243A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Du et al. | Power load forecasting using BiLSTM-attention | |
Fan et al. | A novel deep generative modeling-based data augmentation strategy for improving short-term building energy predictions | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN116691418B (zh) | 一种可自动分配控制功率的充电方法 | |
CN117977587B (zh) | 基于深度神经网络的电力负荷预测系统及方法 | |
CN116167527A (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
CN115859792A (zh) | 基于注意力机制的中期电力负荷预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
CN117151276A (zh) | 售电平台的智能化管理系统 | |
CN116247658A (zh) | 一种基于dlrm深度学习模型的光伏发电量预测方法 | |
CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
Wang et al. | A novel data-driven method with decomposition mechanism suitable for different periods of electrical load forecasting | |
Duong et al. | Application of Seasonal Trend Decomposition using Loess and Long Short-Term Memory in Peak Load Forecasting Model in Tien Giang | |
Dong et al. | Image-based with peak load ensemble prediction system for demand response in smart grid | |
Zhang et al. | Load prediction based on depthwise separable convolution model | |
Chakraborty et al. | Data-driven predictive flexibility modeling of distributed energy resources | |
Kartini et al. | Development hybrid model deep learning neural network (dl-nn) for probabilistic forecasting solar irradiance on solar cells to improve economics value added |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |