CN117856253A - 一种电力系统概率负荷预测方法和装置 - Google Patents

Abstract

本公开提供了一种电力系统概率负荷预测方法和装置，涉及电力技术领域。所述方法包括：获取历史负荷序列和多个历史特征；将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；对所述多个高斯分布进行多次采样，得到多个随机数；将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

Description

一种电力系统概率负荷预测方法和装置

技术领域

本公开涉及电力技术领域，特别是涉及一种电力系统概率负荷预测方法和装置。

背景技术

竞争和自由化的零售电力市场需要有效和准确的短期负荷预测(Short-termLoad Forecasting，STLF)技术，以确保电力系统的稳定、经济和安全的运行。与此同时，与电力需求相关的可变性和不确定性给公用事业行业的带来了重大挑战。因此，在公用事业部门的决策过程中，越来越依赖于概率负荷预测。此外，先进的计量基础设施存储了大量的历史细粒度负载数据，范围从分钟到小时，包括变压器水平到住宅水平。这种丰富的数据为负荷估计提供了物理基础。因此，将大数据技术和统计理论纳入STLF，具有数学意义和现实意义。

概率负荷预测包括以时间间隔、情景、密度函数或概率的形式提供电力负荷预测。最近在概率负荷预测方面的努力通常涉及到将机器学习算法与分位数回归相结合。该方法将用于点预测的目标函数转换为一个具有分位数权值的目标函数。特别，分位数值P在0和1之间选择。如果预测值超过真实值，则误差计算为预测值与真实值之间的绝对值或平方差值，乘以分位数P。相反，如果预测值低于真实值，则误差计算为绝对值或平方差值乘以(1-P)。然后将这些错误聚合为对象函数。该预测模型可以由各种基于机器学习的短期负荷预测模型(Short-term Load Forecasting Model，SLFM)及其组合组成。值得注意的是，分位数回归可以通过遍历不同的分位数来确定负荷的累积概率分布。然而，这一过程需要大量的计算资源，特别是对于训练像人工神经网络这样的机器学习算法。因此，必须探索能够避免概率分布冗余计算的概率预测方法。

发明内容

鉴于上述问题，本公开实施例提供了一种电力系统概率负荷预测方法和装置，以便克服上述问题或者至少部分地解决上述问题。

本公开实施例的第一方面，提供了一种电力系统概率负荷预测方法，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述方法包括：

获取历史负荷序列和多个历史特征；

将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；

对所述多个高斯分布进行多次采样，得到多个随机数；；

将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；

将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

可选地，所述负荷预测模型的训练步骤至少包括：

将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本；

对所述多个高斯分布样本进行多次采样，得到多个随机数样本；

将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本；

根据每个所述高斯分布样本和标准正态分布的KL散度，确定第一损失函数；

根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数；；

基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。

可选地，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；

所述将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本，包括：

将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；

将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；

通过所述分布预测模块，将所述第一拼接向量表示样本映射为所述多个高斯分布样本。

可选地，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；

所述将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本，包括：

将所述多个随机数样本输入所述非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；

将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；；

将所述第二拼接向量表示样本输入所述序列预测模块，，得到预测的所述未来负荷序列样本。

可选地，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：

根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。

本公开实施例的第二方面，提供了一种电力系统概率负荷预测装置，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述装置包括：

获取模块，用于获取历史负荷序列和多个历史特征；

分布预测模块，用于将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；

采样模块，用于对所述多个高斯分布进行多次采样，得到多个随机数；

映射模块，用于将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；

序列预测模块，用于将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

可选地，所述负荷预测模型的训练步骤至少包括：

将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本；

对所述多个高斯分布样本进行多次采样，得到多个随机数样本；

将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本；

根据每个所述高斯分布样本和标准正态分布的KL散度，确定第一损失函数；

根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数；；

基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。

可选地，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；

所述将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本，包括：

将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；

将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；

通过所述分布预测模块，将所述第一拼接向量表示样本映射为所述多个高斯分布样本。

可选地，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；

所述将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本，包括：

将所述多个随机数样本输入所述非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；

将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；；

将所述第二拼接向量表示样本输入所述序列预测模块，，得到预测的所述未来负荷序列样本。

可选地，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：

根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。

本公开实施例的第三方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行指令，以实现如第一方面的电力系统概率负荷预测方法。

本公开实施例的第四方面，提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面的电力系统概率负荷预测方法。

本公开实施例包括以下优点：

本公开实施例中，负荷预测模型的编码器学习了历史负荷序列样本满足的分布样本，解码器以分布样本为约束条件，学习了历史负荷序列样本对应的真实未来负荷序列样本。因此，基于编码器预测的多个高斯分布可以确定历史负荷序列满足的分布，解码器可以在历史负荷序列满足的分布的约束下，预测出未来负荷序列。如此，编码器实现了对历史负荷序列和历史特征的压缩，可以有效节约计算资源；对编码器预测出的多个高斯分布进行采样，解码器基于采样得到的多个随机数进行非线性映射，得到历史负荷序列满足的分布，进而可以在历史负荷序列满足的分布的约束下，根据多个历史特征预测出与历史负荷序列具有相似数据分布的未来负荷序列。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例中负荷预测模型的结构示意图；

图2是本公开实施例中一种电力系统概率负荷预测方法的步骤流程图；

图3是本公开实施例中负荷预测模型的训练的流程示意图；

图4是本公开实施例中详细的概率预测曲线和负荷分布图；

图5是本公开实施例中一种电力系统概率负荷预测装置的结构示意图。

具体实施方式

为使本公开的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本公开作进一步详细的说明。

本公开实施例示出了一种电力系统概率负荷预测方法，，该电力系统概率负荷预测方法应用于负荷预测模型。图1是本公开实施例中负荷预测模型的结构示意图，所述负荷预测模型包括编码器和解码器；所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；所述解码器包括非线性映射非线性映射模块、特征编码模块、拼接模块和序列预测模块。可以理解的是，虽然编码器和解码器都包括特征编码模块、拼接模块，但编码器和解码器包括的各个模块的参数可能不同。

所述编码器学习了历史负荷序列样本满足的分布样本，，所述解码器以所述历史负荷序列样本满足的分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本。负荷预测模型的训练方法将在后文详述。

参照图2所示，示出了本公开实施例中一种电力系统概率负荷预测方法的步骤流程图，如图2所示，该电力系统概率负荷预测方法具体可以包括步骤S11～步骤S15。

步骤S11：获取历史负荷序列和多个历史特征。

现有的计量基础设施存储了大量的历史细粒度负荷数据，因此，可以获取存储的各个历史负荷，进而按照各个历史负荷的时间顺序，根据所述历史负荷生成历史负荷序列。本公开实施例所指的负荷是指电力系统的负荷。其中，历史负荷序列可以用x∈R^p进行表示，其中，R代表自然数，p表征历史负荷序列的长度，历史负荷序列的长度可以根据实际需求进行设置。例如，可以根据历史一周的负荷数据，生成历史负荷序列。

多个历史特征可以是经过清洗筛选的特征，历史特征可以为温度特征、天气特征、日期特征等。多个历史特征对应的历史时长与历史负荷序列对应的历史时长一致，多个历史特征的长度与历史负荷序列的长度相同。历史特征可以用c∈R^p×n进行表示，其中，R代表自然数，p表征历史特征的长度，n表征每一历史负荷对应的历史特征的个数。

步骤S12：将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布。

所述多个高斯分布用于确定所述历史负荷序列满足的分布。

编码器的输入有两部分，分别为历史负荷序列和多个历史特征。编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块。编码器中各个模块采用的神经网络可以根据实际需求进行设计，并可以采取各种形式，如全连接(FC)神经网络、卷积神经网路(CNN)、长短期记忆神经网络(LSTM)、动态时序依赖模型(DTDM)，以及这些神经网络架构的组合。

可选地，作为一个实施例，将所述历史负荷序列输入所述序列编码模块，得到所述历史负荷序列的向量表示；将所述多个历史特征输入所述特征编码模块，得到所述多个历史特征的第一向量表示；将所述历史负荷序列的向量表示和所述多个历史特征的第一向量表示输入所述拼接模块，得到第一拼接向量表示，所述第一拼接向量表示是：所述历史负荷序列的向量表示和所述多个历史特征的第一向量表示展开并拼接而成的一维向量；；通过所述分布预测模块，将所述第一拼接向量表示映射为多个高斯分布。高斯分布是从隐变量空间对历史负荷序列进行表示。

可选地，作为一个实施例，以基于长短期记忆神经网络构建特征编码模块，且基于全连接神经网络构建序列编码模块和分布预测模块为例对编码器的工作步骤1～步骤4进行描述。

步骤1，输入历史负荷序列x到多个FC层组成的序列编码模块：

y₁＝FC(x)；

其中，y₁为历史负荷序列的向量表示，其余各个字符的含义可以参照前文。

其中，序列编码模块中包括的全连接神经网络的个数可以根据实际需求进行调整，全连接神经网络的个数越多，特征提取的层次越深。

步骤2，输入历史特征c到多个LSTM层组成的特征编码模块：

y₂＝LSTM(c)；

其中，y₂为多个历史特征的第一向量表示，其余各个字符的含义可以参照前文。

步骤3，将y₁和y₂输入拼接模块，实现将y₁和y₂展开成一维并拼接：

y₃＝Concat(Flatten(y₂)+y₁)；

其中，y₃为第一拼接向量表示，Flatten表征展开成一维，Concat表征拼接，其余各个字符的含义可以参照前文。y₃为一维向量，因为分布预测模块用于处理一维向量，因此需要将y₁和y₂展开成一维。

步骤4，将y₃输入多个全连接神经网络构成的分布预测模块，通过分布预测模块中的多个FC层将y₃映射到多个高斯分布：

z_mean＝FC(y₃)；

z_var＝FC(y₃)；

其中，z_mean表征预测的各个高斯分布的均值，z_var表征预测的各个高斯分布的方差，其余各个字符的含义可以参照前文。可以理解的是，根据一对均值和方差，可以唯一确定一个高斯分布。其中，高斯分布的数量，可以根据实际需求进行设置。

因为负荷预测模型是已经训练好的模型，其中的编码器的性能也比较良好，因此，预测的历史负荷序列满足的多个高斯分布比较准确。预测的高斯分布是从隐变量空间对历史负荷序列进行表示。

步骤S13：对所述多个高斯分布进行多次采样，得到多个随机数。

设高斯分布的数量为q，每次对q个高斯分布进行采样，可以得到q个随机数。对q个高斯分布进行多次采样，可以得到一个矩阵。例如，对q个高斯分布进行1000次采样，得到一个1000*q的矩阵，其中*表征乘法运算。在采样的数量足够多的情况下，得到的多个随机数满足多个高斯分布组合的分布。

可以按照步骤5的公式对多个高斯分布进行多次采样，得到多个随机数。

步骤5，按照如下公式进行采样：

其中，z为随机数，其余各个字符的含义可以参照前文。

步骤S14：将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布。

步骤S15：将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

解码器的输入有两部分，分别为多个随机数和多个历史特征，多个历史特征为输入编码器的多个历史特征。解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块。解码器中各个模块采用的神经网络可以根据实际需求进行设计，并可以采取各种形式，如全连接神经网络、卷积神经网路、长短期记忆神经网络，动态时序依赖模型，以及这些神经网络架构的组合。

可选地，作为一个实施例，将所述多个随机数输入所述非线性映射模块，多个随机数可以反映多个高斯分布，非线性映射模块对多个随机数进行非线性映射，可以得到历史负荷序列满足的分布。

将所述多个历史特征输入所述特征编码模块，得到所述多个历史特征的第二向量表示；将所述多个历史负荷的向量表示和所述多个历史特征的第二向量表示输入所述拼接模块，得到第二拼接向量表示，所述第二拼接向量表示是：所述多个历史负荷的向量表示和所述多个历史特征的第二向量表示展开并拼接而成的一维向量；将所述第二拼接向量表示输入所述序列预测模块，得到预测的所述未来负荷序列。

可以理解的是，解码器中包括的特征编码模块和编码器中包括的特征编码模块的模块参数是不同的，因此，将多个历史特征输入解码器的特征编码模块得到的多个历史特征的第二向量表示，不同于编码器的特征编码模块输出的多个历史特征的第一向量表示。

可选地，作为一个实施例，以基于长短期记忆神经网络构建特征编码模块，且基于全连接神经网络构建非线性映射模块和序列预测模块为例对解码器的工作步骤6～步骤9进行描述。

步骤6，输入历史特征c到多个LSTM层构建的特征编码模块：

y₄＝LSTM(c)；

其中，y₄为多个历史特征的第二向量表示，其余各个字符的含义可以参照前文。

步骤7，输入z到多个FC层构建的非线性映射模块：

y₅＝FC(z)；

其中，y₅为历史负荷序列满足的分布的向量表示，其余各个字符的含义可以参照前文。

步骤8，将y₄和y₅输入拼接模块，实现将y₄和y₅展开成一维并拼接：

y₆＝Concat(Flatten(y₄)+y₅)

其中，y₆为第二拼接向量表示，其余各个字符的含义可以参照前文。

步骤9，将y₅通过多个FC层构建的序列预测模块，得到预测的未来负荷序列：

y₇＝FC(y₆)；

其中，y₇为未来负荷序列，其余各个字符的含义可以参照前文。

预测得到未来负荷序列，实际是预测得到未来的多个时刻的负荷。作为一个实施例，例如，可以历史负荷序列可以为过去一周的负荷序列，预测的未来负荷序列可以为未来一周的负荷序列。

可选地，在上述技术方案的基础上，所述负荷预测模型的训练步骤至少包括步骤S21～步骤S26：

步骤S21：将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本。

步骤S22：对所述多个高斯分布样本进行多次采样，得到多个随机数样本。

步骤S23：将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本。

步骤S24：根据每个所述高斯分布样本和标准正态分布的KL(Kullback-LeiblerDivergence，用于度量两个分布之间的距离)散度，确定第一损失函数。

步骤S25：根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数。

步骤S26：基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。

初始负荷预测模型是待训练的负荷预测模型，初始负荷预测模型和训练好的负荷预测模型的模型结构相同，不过初始负荷预测模型中的编码器和解码器的参数还需要通过模型训练以进行更新。初始负荷预测模型中的编码器也包括序列编码模块、特征编码模块、拼接模块和分布预测模块；初始负荷预测模型中的解码器也包括非线性映射模块、特征编码模块、拼接模块和序列预测模块。

步骤S21的具体实施方式可以参照步骤S12。

步骤S21可以包括：将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；通过所述分布预测模块，将所述第一拼接向量表示样本映射为多个高斯分布样本。

步骤S22的具体实施方式可以参照步骤S13。

步骤S23的具体实施方式可以参照步骤S14和步骤S15。

步骤S23可以包括：将所述多个随机数样本输入所述非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；将所述第二拼接向量表示样本输入所述序列预测模块，得到预测的所述未来负荷序列样本。

可以理解的是，因为初始负荷预测模型还未训练好，因此基于初始负荷预测模型得到的多个高斯分布样本和未来负荷序列样本等不够准确。但初始负荷预测模型的工作原理与训练好的负荷预测模型的工作原理类似。

电力负荷受多种因素影响，难以直接确定电力负荷满足的分布。本公开实施例的技术构思是：将电力负荷的分布认为是多个标准高斯分布进行非线性映射组合得到的，对多个标准高斯分布采样无数次，则可以得到电力负荷的分布。然而实际应用中，编码器预测得到的往往是高斯分布而非高斯分布，因此，可以基于预测出的每个高斯分布与标准高斯分布的KL散度，确定第一损失函数。

步骤S24可以通过如下公式实现：

其中，L_μ,σ为第一损失函数，KL表征KL散度，i为正整数，μ_i为均值，为方差，N表征多个高斯分布样本的数量，其余各个字符的含义可以参照前文。

步骤S25可以通过如下公式实现：

L_x＝(x-x^′)²；

其中，L_x为第二损失函数，x为真实未来负荷序列样本，x^′为预测的未来负荷序列样本。

如图3所示，可以根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。

在基于训练好的负荷预测模型进行推断过程中，则无需再采用损失函数，而可以直接基于预测的多个高斯分布，采样得到多个z，解码器基于多个z可以预测得到多个未来负荷组成的未来负荷序列。

可选地，作为一个实施例，可以构建数据集，数据集由两部分组成：负荷数据和候选特征。负荷数据记录2015年6月1日至2017年5月16日瑞士每小时真实负荷，候选特征包括每小时温度数据、瑞士天气质量数据、2015年6月1日至2017年5月16日的日期数据(包括年、月、日、小时和假日)。使用z-score(standard score，标准分数)归一化对数据进行归一化，并为不同的目的分为两个子集，即训练集(2015年1月1日至2017年12月30日)和测试集(2017年1月1日至2017年5月16日)。训练集用于训练初始负荷预测模型，得到训练好的负荷预测模型，而测试集用于评估训练好的负荷预测模型的性能。

表1.本公开实施例的技术方案和传统的SLFM方案的预测结果对比。

表2.本公开实施例的负荷预测模型的结构和参数。

本公开实施例的技术方案采用了如表2所示的结构和参数。从表1可知，本公开实施例的技术方案和传统的SLFM方案的预测结果的性能变化不大，这意味着，本公开实施例的技术方案可以极大地保持预测性能。因此，本公开实施例提出的负荷预测模型的模型结构可以很容易地应用到其他的基于ANN(Artificial Neural Network，人工神经网络)的SLFM中。

图4给出了详细的概率预测曲线和负荷分布。图4(a)为测试集中部分负荷预测曲线，范围为1～240。粗体的线条表示实际负荷，而其他的表示预测的概率负荷。图4(b)更清晰地显示了图4(a)中的部分负荷预测序列，其范围为24～72。图4(c)(d)和(e)显示了时间戳38、48、58的预测概率负荷分布。

本公开实施例提出了一种新的范式的负荷预测模型，并给出了该负荷预测模型的训练和推理方法，在此基础上，如表1，还提出了基于概率负荷预测的性能评价指标；最后，该负荷预测模型还可以应用于其他分布未知但分布连续的时间序列概率预测场景中。

本公开实施例中，荷预测模型的编码器学习了历史负荷序列样本满足的分布样本，解码器以分布样本为约束条件，学习了历史负荷序列样本对应的真实未来负荷序列样本。因此，基于编码器预测的多个高斯分布可以确定历史负荷序列满足的分布，解码器可以在历史负荷序列满足的分布的约束下，预测出未来负荷序列。如此，编码器实现了对历史负荷序列和历史特征的压缩，可以有效节约计算资源；对编码器预测出的多个高斯分布进行采样，解码器基于采样得到的多个随机数进行非线性映射，得到历史负荷序列满足的分布，进而可以在历史负荷序列满足的分布的约束下，根据多个历史特征预测出与历史负荷序列具有相似数据分布的未来负荷序列。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。

图5是本公开实施例中一种电力系统概率负荷预测装置的结构示意图，如图5所示，所述装置应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述装置包括：获取模块、分布预测模块、采样模块、映射模块和序列预测模块，其中：

获取模块，用于获取历史负荷序列和多个历史特征；

分布预测模块，用于将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；

采样模块，用于对所述多个高斯分布进行多次采样，得到多个随机数；

映射模块，用于将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；

序列预测模块，用于将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

可选地，所述负荷预测模型的训练步骤至少包括：

将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本；

对所述多个高斯分布样本进行多次采样，得到多个随机数样本；

将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本；

根据每个所述高斯分布样本和标准正态分布的KL散度，确定第一损失函数；

根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数；；

基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。

可选地，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；

所述将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本，包括：

将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；

将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；

通过所述分布预测模块，将所述第一拼接向量表示样本映射为所述多个高斯分布样本。

可选地，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；

所述将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本，包括：

将所述多个随机数样本输入所述非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；

将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；；

将所述第二拼接向量表示样本输入所述序列预测模块，，得到预测的所述未来负荷序列样本。

可选地，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：

根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。

需要说明的是，装置实施例与方法实施例相近，故描述的较为简单，相关之处参见方法实施例即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本公开的实施例可提供为方法、装置或计算机程序产品。因此，本公开实施例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，本公开实施例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。

本公开实施例是参照根据本公开实施例的方法、装置、电子设备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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

尽管已描述了本公开实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本公开所提供的一种电力系统概率负荷预测方法和装置，进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域的一般技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本公开的限制。

Claims (10)

1.一种电力系统概率负荷预测方法，其特征在于，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述方法包括：

获取历史负荷序列和多个历史特征；

将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；

对所述多个高斯分布进行多次采样，得到多个随机数；；

将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；

将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

2.根据权利要求1所述的方法，其特征在于，所述负荷预测模型的训练步骤至少包括：

将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本；

对所述多个高斯分布样本进行多次采样，得到多个随机数样本；

将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本；

根据每个所述高斯分布样本和标准正态分布的KL散度，确定第一损失函数；

根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数；；

基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。

3.根据权利要求2所述的方法，其特征在于，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；

所述将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本，包括：

将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；

将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；

通过所述分布预测模块，将所述第一拼接向量表示样本映射为所述多个高斯分布样本。

4.根据权利要求2所述的方法，其特征在于，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；

所述将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本，包括：

将所述多个随机数样本输入所述非线性映射非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；

将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；；

将所述第二拼接向量表示样本输入所述序列预测模块，，得到预测的所述未来负荷序列样本。

5.根据权利要求2所述的方法，其特征在于，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：

根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。

6.一种电力系统概率负荷预测装置，其特征在于，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述装置包括：

获取模块，用于获取历史负荷序列和多个历史特征；

分布预测模块，用于将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；

采样模块，用于对所述多个高斯分布进行多次采样，得到多个随机数；

分布确定模块，用于将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；；

序列预测模块，用于将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。

7.根据权利要求6所述的装置，其特征在于，所述负荷预测模型的训练步骤至少包括：

将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本；

对所述多个高斯分布样本进行多次采样，得到多个随机数样本；

将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本；

根据每个所述高斯分布样本和标准正态分布的KL散度，确定第一损失函数；

根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数；；

基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。

8.根据权利要求7所述的装置，其特征在于，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；

所述将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本，包括：

将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；

将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；

通过所述分布预测模块，将所述第一拼接向量表示样本映射为所述多个高斯分布样本。

9.根据权利要求7所述的装置，其特征在于，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；

所述将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本，包括：

将所述多个随机数样本输入所述非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；

将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；

将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；；

将所述第二拼接向量表示样本输入所述序列预测模块，，得到预测的所述未来负荷序列样本。

10.根据权利要求7所述的装置，其特征在于，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：

根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。