CN117977576A - 一种基于多尺度历史负荷数据的台区负荷预测方法 - Google Patents
一种基于多尺度历史负荷数据的台区负荷预测方法 Download PDFInfo
- Publication number
- CN117977576A CN117977576A CN202410361309.7A CN202410361309A CN117977576A CN 117977576 A CN117977576 A CN 117977576A CN 202410361309 A CN202410361309 A CN 202410361309A CN 117977576 A CN117977576 A CN 117977576A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- prediction
- value
- model
- 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 61
- 230000007774 longterm Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 28
- 230000008901 benefit Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多尺度历史负荷数据的台区负荷预测方法,涉及负荷数据预测技术领域,通过HUTFormer结合基于贝叶斯优化的弹球损失函数进行置信区间预测。HUTFormer模型可以捕获时间序列数据中的长期依赖性,而弹球损失函数有助于在存在不确定性时提供准确的置信区间。该组合具有更广泛的适用范围并能生成更精确可靠的预测结果。能够有效地提高配电网台区变压器负荷预测的精准度和可靠性处理长期的依赖关系,在预测中提供定量的不确定性评估,从而为实际应用中的风险管理和决策提供了科学依据。此外,本方法扩展了现有技术的应用范围,并对各种不同类型的负荷情况提供了准确的预测,使其在实际操作中具有更高的实用价值。
Description
技术领域
本发明涉及负荷数据预测技术领域,具体涉及一种基于多尺度历史负荷数据的台区负荷预测方法。
背景技术
目前配电网台区变压器负荷预测由于台区负荷的类型多样且影响因素繁多,导致随机性很强,这使得精确预测变得困难。现有的负荷预测方法能处理时间序列数据的时序依赖性,但对于表现长期依赖性的负荷数据则难以把握。同时,这些方法在处理负荷的不确定性方面未能进行有效的定量评估,导致预测结果缺乏可靠性,难以满足实际应用需求。由于配电网台区变压器产生的负荷数据是一种时间序列数据,因此可以基于历史负荷数据进行配电网台区变压器负荷预测。随着配电网台区变压器的广泛部署,电力系统中有大量历史负荷数据,因此基于数据驱动的人工智能方法已被有效应用于配电网台区变压器负荷预测。但因负荷具有较强的时变性、随机性和不确定性等特点,准确的配电网台区变压器负荷预测仍然是亟待解决的难题。关于配电网台区变压器负荷预测,现有的负荷预测方法虽然能对时间序列数据的时间依赖关系进行建模,但无法有效处理负荷数据间的长期依赖问题。除此之外,对负荷的不确定性评估,现有的负荷预测方法不能进行准确的定量分析。因此,现有配电网台区负荷预测方法,不具备实际应用价值,预测结果可靠性无法保障。
发明内容
本发明所要解决的技术问题是预测时不能定量评估,无法有效处理负荷数据间的长期依赖,预测结果可靠性无法保障,目的在于提供一种基于多尺度历史负荷数据的台区负荷预测方法,通过HUTFormer结合基于贝叶斯优化的弹球损失函数进行置信区间预测。HUTFormer模型可以捕获时间序列数据中的长期依赖性,而弹球损失函数有助于在存在不确定性时提供准确的置信区间。这个组合方法具有更广泛的适用范围并能生成更精确可靠的预测结果。能够有效地提高配电网台区变压器负荷预测的精准度和可靠性,能够处理长期的依赖关系,并且能够在预测中提供定量的不确定性评估。
本发明通过下述技术方案实现:
本发明提供一种基于多尺度历史负荷数据的台区负荷预测方法,包括以下具体步骤:
获取配电网台区电力数据,对数据进行预处理,得到样本数据;
基于样本数据构建三维矩阵,构建数据统一模型,对三维矩阵进行整合;
通过滑动窗口对整合后的数据进行处理,构建样本数据集;
基于HUTFormer建立台区负荷预测模型,通过样本数据集对台区负荷预测模型进行训练,输出最优模型;
根据最优模型计算预测损失值和预测结果的置信区间。
本发明通过HUTFormer结合基于贝叶斯优化的弹球损失函数进行置信区间预测。HUTFormer模型可以捕获时间序列数据中的长期依赖性,而弹球损失函数有助于在存在不确定性时提供准确的置信区间。这个组合方法具有更广泛的适用范围并能生成更精确可靠的预测结果。能够有效地提高配电网台区变压器负荷预测的精准度和可靠性,能够处理长期的依赖关系,并且能够在预测中提供定量的不确定性评估。
进一步的,所述对数据进行预处理具体包括:
对数据进行空值处理;
提取空值处理后存在的负值数据,进行误差校正;
将校正后的数据进行离差标准化处理。
进一步的,所述对数值进行空值处理时具体包括:
当数据缺失类型为间歇性缺失时,采用插值法推算缺失的值,并对该数据进行平滑处理;
当数据缺失的缺失值超过阈值时,删除数据中包含缺失数据的行。
进一步的,所述通过滑动窗口对整合后的数据进行处理,构建样本数据集,具体包括:
获取样本1,构成负荷数据在当前时刻t,以T作为历史时间步长的输入窗口,将后n个时刻的负荷值作为目标输出;
将窗口向右滑动,构建样本2;
依次向右滑动,直到遍历所有数据,输出样本数据集。
进一步的,所述基于HUTFormer建立台区负荷预测模型,具体包括:
构建编码器,通过时空位置嵌入获取历史负荷数据的时空表示,将时空表示输入到编码器中,进行编码;
使用窗口注意力机制在非重叠窗口计算注意力分数,限制感受野大小;
获取历史负荷数据的长期依赖关系;
通过段合并算法生成历史负荷数据的多尺度层级表示;
构建解码器,通过时空位置嵌入获取历史负荷数据的时空表示,将时空表示输入到解码器中,进行解码;
采用跨注意力机制对齐历史负荷序列和预测负荷序列,得到融合多尺度数据表示。
进一步的,所述通过样本数据集对台区负荷预测模型进行训练,具体包括:
构建弹球损失函数,以最小化弹球损失函数值为目标,对台区负荷预测模型进行迭代训练,得到输出最优模型。
进一步的,所述对台区负荷预测模型进行迭代训练具体包括:
通过正向传播得到预测值,将预测值与目标值进行计算得到损失函数值;
通过反向传播和梯度下降法更新台区负荷预测模型网络权重参数,基于贝叶斯优化的弹球损失函数,直到损失值趋于稳定并不再下降,则停止训练,输出最优模型。
进一步的,所述损失函数值的计算步骤包括:
获取t时刻目标分位数q的负荷预测值和t时刻目标分位数q的负荷真实值;
构建惩罚函数,当负荷预测值不小于负荷真实值时,惩罚将乘以1-q,当负荷预测值小于负荷真实值时,惩罚将乘以q,输出损失函数值。
进一步的,所述损失值计算与置信区间预测,具体包括:
基于弹球损失函数对预测误差进行非线性处理;
基于贝叶斯优化技术,细化模型参数的选择过程,计算预测损失值的同时提供预测结果的置信区间。
进一步的,所述基于贝叶斯优化技术,细化模型参数的选择过程,具体包括:
根据先验信息和历史数据,选择新的超参数组合并重复该组合步骤,优化弹球损失函数值;
通过贝叶斯优化算法维护一个后验概率分布,确定弹球损失函数在各个超参数组合下的可能取值,得到指导超参数的搜索方向,结合搜索方向计算预测损失值的同时提供预测结果的置信区间。
本发明与现有技术相比,具有如下的优点和有益效果:
1、该方法对配电网台区变压器负荷数据进行时间序列数据建模,达到台区负荷精确预测的目的;
2、该方法通过HUTFormer模型,融合了全局信息和局部信息,从而实现长期依赖关系的获取,解决了现有预测方法无法有效提取长期依赖关系的问题;
3、对于负荷数据存在不确定性的情况,该方法通过基于贝叶斯优化的弹球损失函数,对负荷数据的不确定性进行量化分析,提升了台区负荷预测的精度及可靠性。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附图中:
图1为本发明实施例中的全过程流程图;
图2为本发明实施例中的滑动窗口构建样本集流程图;
图3为本发明实施例中的HUTFormer模型结构图,图中的圆点为模型中的神经元;
图4为本发明实施例中的MTGNN模型效果图;
图5为本发明实施例中的HUTFormer模型效果图;
图6为本发明实施例中的置信区间预测的可视化展示。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
作为一种可能的实施方式,如图1所示,本实施例提供一种基于多尺度历史负荷数据的台区负荷预测方法,包括以下具体步骤:
获取配电网台区电力数据,对数据进行预处理,得到样本数据;
基于样本数据构建三维矩阵,构建数据统一模型,对三维矩阵进行整合;
通过滑动窗口对整合后的数据进行处理,构建样本数据集;
基于HUTFormer建立台区负荷预测模型,通过样本数据集对台区负荷预测模型进行训练,输出最优模型;
根据最优模型计算预测损失值和预测结果的置信区间。
本实施例通过HUTFormer结合基于贝叶斯优化的弹球损失函数进行置信区间预测。HUTFormer模型可以捕获时间序列数据中的长期依赖性,而弹球损失函数有助于在存在不确定性时提供准确的置信区间。这个组合方法具有更广泛的适用范围并能生成更精确可靠的预测结果。能够有效地提高配电网台区变压器负荷预测的精准度和可靠性,相较于传统方法,本方法能够处理长期的依赖关系,并且能够在预测中提供定量的不确定性评估,从而为实际应用中的风险管理和决策提供了科学依据。此外,本方法扩展了现有技术的应用范围,并对各种不同类型的负荷情况提供了准确的预测,使其在实际操作中具有更高的实用价值。
具体的,本实施例通过以下具体的实施方式实现:
步骤1:获取配电网台区电力数据
1.1:通过智能电表检测、数据采集系统、智能数据中台等渠道获取公变用户电压、电流、负荷数据,便于后续基于上述电力数据构建负荷预测模型。
1.2:通过接入气象传感器获取对应变压器网格化5维实时天气,包括降水、气温和风速,便于后续基于上述天气数据辅助构建负荷预测模型。
步骤2:数据处理
2.1:对获取的数据进行空值处理:针对电压、电流、负荷数据中的空值、空字符串、和“null”字符,主要分为以下两种情况对数据进行处理:
针对间歇性的缺失数据,运用插值方法推算缺失的值,确保数据的完整性,避免由数据缺口带来的分析偏差。应用移动平均或指数平滑等技术对数据序列进行平滑处理,消除短期波动对趋势分析的影响,揭示电力数据流的本质特性及其变化趋势;
同时,对于某些极端情况下的缺失数据,或者当缺失值占比较大时,即超过设定阈值,将采取删除包含缺失数据的行的策略。这有助于避免噪声引入,提高模型的稳定性和可信度,确保模型能够更准确地反映实际情况。通过综合使用这两种策略,可以更好地处理缺失数据,以确保在构建和使用模型的过程中取得更准确和可靠的结果。
2.2:数据纠正:对于进行空值处理后的数据中的负值数据,取绝对值可以校正潜在的测量误差、数据损坏或录入错误,提高数据的准确性。同时,这一步骤确保数据的一致性,防止负数与数据集中的其他数据不符或与物理量的定义矛盾。
2.3:数据标准化。模型的输入数据有历史电压数据,历史电流数据,历史有功、无功负荷数据、天气数据等。对上述模型的输入数据采用离差标准化处理,如式(1)所示,消除量纲影响,加快模型收敛。
式中,是标准化后的数据,X是原始数据,/>是原始数据中的最小值,是原始数据中的最大值。
步骤3:构造数据集
3.1:维度构建:将标准化处理后的数据构建成一个时间、数据类型、负荷台区三维的矩阵,方便后续深入分析不同负荷台区在不同时间点的电压、电流、负荷以及该台区所在地区的天气数据。将时序数据构建成三维格式有助于提高模型的复杂性和表达能力,更好地捕捉数据的多样性和动态性,从而提高时序预测的准确性和可靠性。
3.2:数据一体化:将上述三维的矩阵通过一个统一的数据模型整合起来,确保数据的每个部分都能相互关联,易于访问和分析。将整合模型将作为电力系统分析的基础,用于适应多变的分析需求和数据类型。
3.3:样本集构建。通过滑动窗口构建样本数据集,如图2所示,对于第一个样本,即样本1,在当前时刻t,以T作为历史时间步长的输入窗口,后n个时刻的负荷值为目标输出。再将窗口向右滑动一步,构建样本2。依次向右滑动,直到遍历处理完所有数据,得到所有样本,构建样本集。最后可以按7/1/2的比例划分训练集、验证集和测试集,其划分规则根据实际需求可灵活设置。
步骤4:模型训练
4.1:采用HUTFormer进行建模,HUTFormer是一种基于多尺度历史负荷数据表示的层级编码器-解码器结构,其能进行全局信息和局部信息的融合,从而实现长期依赖关系的提取。HUTFormer的模型结构如图3所示。
对于编码器部分,HUTFormer首先通过时空位置嵌入获取历史负荷数据的时空表示,并输入到编码器中。然后,通过使用窗口注意力机制在非重叠窗口计算注意力分数,限制感受野大小,从而获取历史负荷数据的长期依赖关系,并且通过段合并算法生成历史负荷数据的多尺度层级表示。窗口注意力机制的数学形式可以用式(2)和式(3)表示,其中,是输入负荷序列,/>是输出负荷序列,/>是候补输入负荷序列,/>是层归一化,/>是多层感知机,/>是窗口多头注意力机制。
对于解码器部分,HUTFormer首先通过时空位置嵌入获取历史负荷数据的时空位置嵌入获取历史负荷数据的时空表示,并采用和编码器类似的网络结构进行解码。但在解码器中,使用跨注意力机制对齐历史负荷序列和预测负荷序列,从而有效融合多尺度数据表示。跨注意力机制的数学表示可以用式(4)和式(5)表示,其中,表示采用跨注意力机制进行计算,/>是编码器的数据表示,/>是相应的解码器的数据表示,/>是矩阵/>的维度,/>是编码器的候补数据表示,/>是线性变换。
HUTFormer模型的优点
首先,HUTFormer(Hierarchical U-Net Transformer for Long-Term TrafficForecasting用于长期交通量预测的层次U-Net变换器)模型是基于Transformer架构的模型,该类模型相较于其他框架的模型具有以下优势:
1、处理序列数据的能力:电力负荷数据通常是时间序列数据,包含时间相关的动态性和趋势。Transformer架构通过自注意力机制能够有效地处理序列数据中的长期依赖关系,而线性架构通常需要更多的手工特征工程来捕捉这些关系。
2、并行计算:Transformer架构允许在处理序列数据时进行更多的并行计算,这对于高频率的电力负荷数据处理非常重要。线性模型通常需要顺序计算,效率较低。
3、特征学习:Transformer模型可以自动学习输入数据中的有用特征,而线性模型通常需要手工选择和构建特征。电力负荷数据可能包含多种复杂的特征和非线性关系,这些特性对于Transformer模型的特征学习能力非常有利。
4、可扩展性:Transformer架构非常灵活,可以通过增加更多的层和头(multi-head attention)来增加模型的复杂性,以适应更复杂的电力负荷数据。这种可扩展性使得Transformer模型能够更好地适应不同问题的需求。
其次,相比起其他基于Transformer架构的模型,HUTFormer模型,作为一种多尺度历史负荷数据表示模型,采用了层级编码器-解码器结构,具备了独特的能力,可以更加有效地融合全局信息和局部信息,从而在电力负荷预测任务中实现了对长期依赖关系的更好提取。这种性能优越性主要归因于以下几个关键因素:
1、HUTFormer模型的层级编码器-解码器结构具备多尺度信息处理的能力。这意味着模型能够同时关注不同时间尺度的历史负荷数据,从短期到长期的时间关联性都可以被有效地捕捉。这使得模型能够更好地理解和预测电力负荷在不同时间尺度上的波动和趋势,从而提高了预测的准确性。
2、HUTFormer模型通过层级编码器-解码器结构,实现了全局信息和局部信息的紧密交互和融合。这意味着模型可以同时考虑整体负荷趋势以及特定时间段内的局部波动,更全面地捕捉负荷数据的特点。这种全局与局部信息的协同作用有助于提高模型对复杂负荷变化的建模能力,增强了长期依赖关系的提取。
3、HUTFormer模型还可以自适应地学习不同时间尺度下的重要性权重,使得模型能够根据数据的实际情况灵活调整对不同时间尺度的关注程度。这种自适应性有助于模型更好地适应不同的负荷数据分布和变化模式,提高了模型的泛化能力。
4.2:通过样本数据集对台区负荷预测模型进行训练,构建弹球损失函数,以最小化弹球损失函数值为目标,对台区负荷预测模型进行迭代训练:
通过正向传播得到预测值,将预测值与目标值进行计算得到损失函数值;
通过反向传播和梯度下降法更新台区负荷预测模型网络权重参数,基于贝叶斯优化的弹球损失函数,直到损失值趋于稳定并不再下降,则停止训练,输出最优模型。
4.3:根据最优模型计算预测损失值和预测结果的置信区间,在配电网电力负荷预测模型的训练阶段,有效的损失函数选择对于模型的性能至关重要。在此框架下,本方法采用弹球损失函数,通过对预测误差的非线性处理,优化模型对于峰值和异常值的敏感度,从而提高了模型对于电力负荷动态变化的适应能力。并借助于贝叶斯优化技术,进一步细化了模型参数的选择过程,计算预测损失值的同时提供预测结果的置信区间,计算置信区间,得到多个置信区间的预测结果,能够通过多个不确定性信息,提高预测的判断结果,具体的,
弹球损失函数的数学形式可以用式(6)表示,其中q标分位数,/>是在t时刻分位数q的负荷预测值,/>,/>是在t时刻下的负荷真实值,/>。当负荷预测值不小于负荷真实值时,惩罚将乘以1-q,当负荷预测值小于负荷真实值时,惩罚将乘以q。
为了得到准确的预测模型,需要在弹球损失函数的基础上对超参数进行搜索。传统的网格搜索和群体优化算法等方法存在计算复杂度高和效率低的问题,因此,本模型采用基于贝叶斯优化的弹球损失函数。
基于贝叶斯优化的弹球损失函数的基本思想是,在已知的先验信息和历史数据的基础上,通过不断选择新的超参数组合,逐步优化弹球损失函数的值。在这个过程中,贝叶斯优化算法维护一个后验概率分布,表示弹球损失函数在各个超参数组合下的可能取值,以此指导超参数的搜索方向。
步骤5:模型评估
为了评估模型性能,选取了MTGNN和HUTFormer这两种模型,它们分别代表了多任务时空图神经网络以及多尺度历史负荷数据表示模型。
(1)MTGNN:MTGNN是一种基于图神经网络(GNN)的模型,专为多任务时间序列数据建模而设计。它能够同时处理多个时空任务,并在图结构上进行信息传递。MTGNN适用于各种多任务时间序列预测问题,如交通流量预测、电力负荷预测和社交网络行为建模等,具有在复杂时空数据中发现模式和关系的能力。
(2)HUTFormer:HUTFormer是一种多尺度历史负荷数据表示模型,采用层级编码器-解码器结构,通过Transformer架构来处理电力负荷预测任务。它强调多尺度信息处理和全局-局部信息融合。HUTFormer主要用于电力负荷预测,可以有效地捕捉电力负荷数据的多尺度特征和长期依赖关系,对电力系统的运营和规划具有重要意义。
如图4和图5所示,可以看出,HUTFormer具有更好的预测性能。电力负荷数据通常是时间序列数据,包含时间相关的动态性和趋势,其波动性十分剧烈。基于Transformer架构通过自注意力机制能够有效地处理序列数据中的长期依赖关系,而线性架构通常需要更多的手工特征工程来捕捉这些关系。与此同时,基于Transformer架构的模型可以自动学习输入数据中的有用特征,而线性模型通常需要手工选择和构建特征。电力负荷数据可能包含多种复杂的特征和非线性关系,这些特性对于基于Transformer架构的模型的特征学习能力非常有利。
HUTFormer模型作为一种基于Transformer架构的模型,HUTFormer模型通过层级编码器-解码器结构,实现了全局信息和局部信息的紧密交互和融合。这意味着模型可以同时考虑整体负荷趋势以及特定时间段内的局部波动,更全面地捕捉负荷数据的特点。这种全局与局部信息的协同作用有助于提高模型对复杂负荷变化的建模能力,增强了长期依赖关系的提取。此外,HUTFormer模型还可以自适应地学习不同时间尺度下的重要性权重,使得模型能够根据数据的实际情况灵活调整对不同时间尺度的关注程度。这种自适应性有助于模型更好地适应不同的负荷数据分布和变化模式,提高了模型的泛化能力。
为了验证HUTFormer模型的负荷概率预测性能,在测试样本集中验证模型性能,将测试集数据输入到训练好的模型中,得到预测结果并与真实值进行比较,以弹球损失作为模型预测误差指标,可反映出模型在把握负荷波动趋势和应对极值条件下的预测能力,其值越小表示模型的预测性能越好。此外,本项目采用拟合曲线进行置信区间预测的可视化展示,如图6所示,显示了HUTFormer在不同负荷台区上的预测结果,置信区间的上界和下界与真实负荷曲线的拟合程度越高,模型的预测效果越好。
本实施例通过引入HUTFormer模型,进一步强化了在配电网台区变压器负荷预测中的表现。通过巧妙地融合全局信息和局部信息,HUTFormer不仅能获取时间序列的长期依赖关系,还提升了预测准确性。此外,本实施例通过基于贝叶斯优化的弹球损失函数来量化负荷数据中的不确定性,提供的预测服务相较以往方法更加全面。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,包括以下具体步骤:
获取配电网台区电力数据,对数据进行预处理,得到样本数据;
基于样本数据构建三维矩阵,构建数据统一模型,对三维矩阵进行整合;
通过滑动窗口对整合后的数据进行处理,构建样本数据集;
基于HUTFormer建立台区负荷预测模型,通过样本数据集对台区负荷预测模型进行训练,输出最优模型;
根据最优模型计算预测损失值和预测结果的置信区间。
2.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对数据进行预处理具体包括:
对数据进行空值处理;
提取空值处理后存在的负值数据,进行误差校正;
将校正后的数据进行离差标准化处理。
3.根据权利要求2所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对数据进行空值处理具体包括:
当数据缺失类型为间歇性缺失时,采用插值法推算缺失的值,并对该数据进行平滑处理;
当数据缺失的缺失值超过阈值时,删除数据中包含缺失数据的行。
4.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述通过滑动窗口对整合后的数据进行处理,构建样本数据集,具体包括:
获取样本1,构成负荷数据在当前时刻t,以T作为历史时间步长的输入窗口,将后n个时刻的负荷值作为目标输出;
将窗口向右滑动,构建样本2;
依次向右滑动,直到遍历所有数据,输出样本数据集。
5.根据权利要求1所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述基于HUTFormer建立台区负荷预测模型,具体包括:
构建编码器,通过时空位置嵌入获取历史负荷数据的时空表示,将时空表示输入到编码器中,进行编码;
使用窗口注意力机制在非重叠窗口计算注意力分数,限制感受野大小;
获取历史负荷数据的长期依赖关系;
通过段合并算法生成历史负荷数据的多尺度层级表示;
构建解码器,通过时空位置嵌入获取历史负荷数据的时空表示,将时空表示输入到解码器中,进行解码;
采用跨注意力机制对齐历史负荷序列和预测负荷序列,得到融合多尺度数据表示。
6.根据权利要求5所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述通过样本数据集对台区负荷预测模型进行训练,具体包括:
构建弹球损失函数,以最小化弹球损失函数值为目标,对台区负荷预测模型进行迭代训练,得到输出最优模型。
7.根据权利要求6所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述对台区负荷预测模型进行迭代训练具体包括:
通过正向传播得到预测值,将预测值与目标值进行计算得到损失函数值;
通过反向传播和梯度下降法更新台区负荷预测模型网络权重参数,基于贝叶斯优化的弹球损失函数,直到损失值趋于稳定并不再下降,则停止训练,输出最优模型。
8.根据权利要求7所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述损失函数值的计算步骤包括:
获取t时刻目标分位数q的负荷预测值和t时刻目标分位数q的负荷真实值;
构建惩罚函数,当负荷预测值不小于负荷真实值时,惩罚将乘以1-q,当负荷预测值小于负荷真实值时,惩罚将乘以q,输出损失函数值。
9.根据权利要求8所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述损失值计算与置信区间预测,具体包括:
基于弹球损失函数对预测误差进行非线性处理;
基于贝叶斯优化技术,细化模型参数的选择过程,计算预测损失值的同时提供预测结果的置信区间。
10.根据权利要求9所述的基于多尺度历史负荷数据的台区负荷预测方法,其特征在于,所述基于贝叶斯优化技术,细化模型参数的选择过程,具体包括:
根据先验信息和历史数据,选择新的超参数组合并重复该组合步骤,优化弹球损失函数值;
通过贝叶斯优化算法维护一个后验概率分布,确定弹球损失函数在各个超参数组合下的可能取值,得到指导超参数的搜索方向,结合搜索方向计算预测损失值的同时提供预测结果的置信区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361309.7A CN117977576A (zh) | 2024-03-28 | 2024-03-28 | 一种基于多尺度历史负荷数据的台区负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361309.7A CN117977576A (zh) | 2024-03-28 | 2024-03-28 | 一种基于多尺度历史负荷数据的台区负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977576A true CN117977576A (zh) | 2024-05-03 |
Family
ID=90863318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410361309.7A Pending CN117977576A (zh) | 2024-03-28 | 2024-03-28 | 一种基于多尺度历史负荷数据的台区负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977576A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
CN110991700A (zh) * | 2019-11-08 | 2020-04-10 | 北京博望华科科技有限公司 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
US20210097453A1 (en) * | 2018-06-12 | 2021-04-01 | Tsinghua University | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium |
CN113496315A (zh) * | 2021-09-08 | 2021-10-12 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN113937821A (zh) * | 2021-09-17 | 2022-01-14 | 贵州电网有限责任公司 | 一种农网不平衡台区自适应节能控制方法 |
CN114066052A (zh) * | 2021-11-15 | 2022-02-18 | 国网江苏省电力有限公司营销服务中心 | 基于改进tcn修正累积误差的可调节负荷功率多步预测方法 |
US20220214655A1 (en) * | 2019-05-29 | 2022-07-07 | Siemens Aktiengesellschaft | Power load prediction method and apparatus, and storage medium |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
US20230072708A1 (en) * | 2021-09-08 | 2023-03-09 | Central South University | Asymmetric Laplace-based wind power forecasting method and system |
CN116632836A (zh) * | 2023-06-28 | 2023-08-22 | 北京恒泰实达科技股份有限公司 | 一种基于温度敏感性的公变台区负载率预测系统 |
US11868869B1 (en) * | 2022-09-15 | 2024-01-09 | Zhejiang Lab | Non-intrusive load monitoring method and device based on temporal attention mechanism |
CN117578440A (zh) * | 2023-11-27 | 2024-02-20 | 北京中电普华信息技术有限公司 | 一种基于神经网络的电网负荷预测方法 |
-
2024
- 2024-03-28 CN CN202410361309.7A patent/CN117977576A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210097453A1 (en) * | 2018-06-12 | 2021-04-01 | Tsinghua University | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium |
CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
US20220214655A1 (en) * | 2019-05-29 | 2022-07-07 | Siemens Aktiengesellschaft | Power load prediction method and apparatus, and storage medium |
CN110991700A (zh) * | 2019-11-08 | 2020-04-10 | 北京博望华科科技有限公司 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
US20230072708A1 (en) * | 2021-09-08 | 2023-03-09 | Central South University | Asymmetric Laplace-based wind power forecasting method and system |
CN113496315A (zh) * | 2021-09-08 | 2021-10-12 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN113937821A (zh) * | 2021-09-17 | 2022-01-14 | 贵州电网有限责任公司 | 一种农网不平衡台区自适应节能控制方法 |
CN114066052A (zh) * | 2021-11-15 | 2022-02-18 | 国网江苏省电力有限公司营销服务中心 | 基于改进tcn修正累积误差的可调节负荷功率多步预测方法 |
US11868869B1 (en) * | 2022-09-15 | 2024-01-09 | Zhejiang Lab | Non-intrusive load monitoring method and device based on temporal attention mechanism |
CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
CN116632836A (zh) * | 2023-06-28 | 2023-08-22 | 北京恒泰实达科技股份有限公司 | 一种基于温度敏感性的公变台区负载率预测系统 |
CN117578440A (zh) * | 2023-11-27 | 2024-02-20 | 北京中电普华信息技术有限公司 | 一种基于神经网络的电网负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
吕志星;张虓;王沈征;王一;程思瑾;秦承龙;: "基于K-Means和CNN的用户短期电力负荷预测", 计算机系统应用, no. 03, 15 March 2020 (2020-03-15), pages 165 - 170 * |
吕海灿;王伟峰;赵兵;张毅;郭秋婷;胡伟;: "基于Wide&Deep-LSTM模型的短期台区负荷预测", 电网技术, no. 02, 5 February 2020 (2020-02-05), pages 44 - 52 * |
邓带雨;李坚;张真源;滕予非;黄琦;: "基于EEMD-GRU-MLR的短期电力负荷预测", 电网技术, no. 02, 31 December 2020 (2020-12-31), pages 227 - 236 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Chen et al. | Time series data for equipment reliability analysis with deep learning | |
CN111277434A (zh) | 一种基于vmd和lstm的网络流量多步预测方法 | |
Bin et al. | Regression model for appraisal of real estate using recurrent neural network and boosting tree | |
Wang et al. | Remaining useful life estimation of aircraft engines using a joint deep learning model based on TCNN and transformer | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
Yang et al. | An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
CN117439053A (zh) | 一种Stacking集成模型电量预测方法、装置、存储介质 | |
CN112508178A (zh) | 神经网络结构搜索方法、装置、电子设备及存储介质 | |
CN117977576A (zh) | 一种基于多尺度历史负荷数据的台区负荷预测方法 | |
CN115310559A (zh) | 一种基于贝叶斯-Transformer神经网络模型的目标识别方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 | |
He et al. | GA-based optimization of generative adversarial networks on stock price prediction | |
Maheswari et al. | Analyzing the Performance of Diverse Deep Learning Architectures for Weather Prediction | |
CN111815458A (zh) | 基于细粒度量化标注和集成方法的动态投资组合配置方法 | |
Bi et al. | Multi-indicator water time series imputation with autoregressive generative adversarial networks | |
CN117494908B (zh) | 基于大数据的港口货物吞吐量预测方法及系统 | |
CN117668701B (zh) | Ai人工智能机器学习系统及方法 | |
CN115879569B (zh) | 一种IoT观测数据的在线学习方法及系统 | |
Sumita et al. | Xtune: An XAI-Based Hyperparameter Tuning Method for Time-series Forecasting Using Deep Learning |
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 |