CN117977587A - 基于深度神经网络的电力负荷预测系统及方法 - Google Patents
基于深度神经网络的电力负荷预测系统及方法 Download PDFInfo
- Publication number
- CN117977587A CN117977587A CN202410390633.1A CN202410390633A CN117977587A CN 117977587 A CN117977587 A CN 117977587A CN 202410390633 A CN202410390633 A CN 202410390633A CN 117977587 A CN117977587 A CN 117977587A
- Authority
- CN
- China
- Prior art keywords
- power load
- feature
- data
- influence factor
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 189
- 230000008859 change Effects 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000000605 extraction Methods 0.000 claims description 66
- 238000012937 correction Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 230000001427 coherent effect Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
Abstract
本申请涉及电力负荷的智能预测领域,其具体地公开了一种基于深度神经网络的电力负荷预测系统及方法,其将采集到的待预测电力系统的历史电力负荷数据和与之相关的影响因素数据作为输入数据,然后利用深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到待预测电力系统未来一段时间内电力负荷的负荷曲线。这样,根据未来一段时间内电力负荷的负荷曲线,可以实现电力系统的负荷预测,从而为电力系统的运行和调度提供参考依据。
Description
技术领域
本申请涉及电力负荷的智能预测领域,且更为具体地,涉及一种基于深度神经网络的电力负荷预测系统及方法。
背景技术
电力系统在城市中扮演着重要的角色,它是城市生命线工程的核心组成部分。电力系统的安全和稳定对于城市的发展建设和居民的生活保障至关重要。随着国家科技进步和社会现代化进程的加快,各种工程建设、企业生产和国民生活对电能的需求越来越大。这导致电力消耗巨大,对电力供应的需求量进一步增加。与此同时,对供电质量、可靠性和安全性等方面的要求也越来越高。电力系统的安全性是指系统在正常运行和异常情况下能够保持稳定的能力。这意味着电力系统需要具备可靠的设备和保护机制,以应对各种可能的故障和灾害。只有在安全的运行条件下,城市的各项社会活动才能正常进行。
电力系统的稳定性是指系统在面对负荷变化和外部扰动时能够保持稳定的能力。这要求电力系统具备合理的供需平衡和良好的调度控制机制,以确保电力供应的稳定性。
电力负荷预测的准确性和可靠性对于电力企业的管理水平和电网的稳定安全经济运行至关重要。电力负荷预测的精度对于电网的稳定安全经济运行具有重要的保障作用,同时也反映了电力企业的管理水平是否达到现代化的标准。因此,研究人员对于电力负荷预测的关注和投入是非常必要的,以提高负荷预测的准确性和可靠性,促进电力系统的可持续发展。
然而,全网用电曲线是发电计划编制、电力电量平衡的重要基础数据。目前的用电曲线预测方法采用相似日拷贝、人工调整等,人工预测容易受到个人经验等主观意识的影响,缺乏全面性,预测精度不高,且耗时费力。
因此,期待一种基于深度神经网络的电力负荷预测系统及方法,通过深度学习技术对待预测电力系统的历史电力负荷数据和与之相关的影响因素数据进行分析和预测,以提高电力负荷预测的准确性和可靠性。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于深度神经网络的电力负荷预测系统及方法,其将采集到的待预测电力系统的历史电力负荷数据和与之相关的影响因素数据作为输入数据,然后利用深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到待预测电力系统未来一段时间内电力负荷的负荷曲线。这样,根据未来一段时间内电力负荷的负荷曲线,可以实现电力系统的负荷预测,从而为电力系统的运行和调度提供参考依据。
根据本申请的第一方面,提供了一种基于深度神经网络的电力负荷预测系统,其包括:
电力系统数据采集模块,用于采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据;
电力系统特征提取模块,用于分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量;
电力系统特征融合模块,用于使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵;
电力系统特征融合特征获取模块,用于对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量;
电力系统特征校正模块,用于对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量;
电力系统生成模块,用于基于所述校正后电力负荷变化特征向量,以得到生成结果。
结合本申请的第一方面,在本申请的第一方面的一种基于深度神经网络的电力负荷预测系统中,所述电力系统特征提取模块,包括:多尺度电力负荷特征提取单元,用于对所述待预测电力系统的历史电力负荷数据进行深度卷积编码以得到所述多尺度电力负荷特征向量;电力负荷影响因素特征获取单元,用于对所述与之相关的影响因素数据进行深度卷积编码以得到所述电力负荷影响因素特征向量。其中,所述多尺度电力负荷特征提取单元,包括:历史电力负荷数据排列子单元,用于将所述待预测电力系统的历史电力负荷数据按时间维度进行排列以得到历史电力负荷输入向量;历史电力负荷特征提取子单元,用于将所述历史电力负荷输入向量通过基于特征提取器的电力负荷时序特征提取模块以得到历史电力负荷特征向量;历史电力负荷多尺度特征提取子单元,用于将所述历史电力负荷特征向量通过具有多尺度卷积结构的电力负荷多尺度特征提取模块以得到所述多尺度电力负荷特征向量。所述电力负荷影响因素特征获取单元,包括:影响因素数据排列子单元,用于将所述与之相关的影响因素数据按时间维度排列为多个时间段的影响因素数据;影响因素嵌入编码子单元,用于将所述多个时间段的影响因素数据通过包含嵌入层的上下文编码器以得到多个影响因素特征向量;影响因素时序特征提取子单元,用于将所述多个影响因素特征向量通过基于双向长短期记忆神经网络模型的影响因素特征提取模块以得到所述电力负荷影响因素特征向量。特别地,所述影响因素嵌入编码子单元,用于:对所述多个时间段的影响因素数据中的各个时间段的影响因素数据进行分词处理以得到词序列;使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中的各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列分别进行基于全局的上下文语义编码以得到多个特征向量;以及将所述多个特征向量进行级联以得到所述多个影响因素特征向量中的各个影响因素特征向量。
结合本申请的第一方面,在本申请的第一方面的一种基于深度神经网络的电力负荷预测系统中,所述电力系统特征融合特征获取模块,用于:将所述电力负荷变化特征矩阵通过基于卷积神经网络模型的电力负荷特征提取模块以得到电力负荷变化特征向量。
根据本申请的第二方面,提供了一种基于深度神经网络的电力负荷预测方法,其包括:
采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据;
分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量;
使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵;
对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量;
对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量;
基于所述校正后电力负荷变化特征向量,以得到生成结果。
结合本申请的第二方面,在本申请的第二方面的一种基于深度神经网络的电力负荷预测方法中,对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量,包括:特征激活单元,用于将所述电力负荷变化特征向量通过softmax激活函数以得到类别概率特征向量;协方差计算单元,用于计算所述电力负荷变化特征向量和所述类别概率特征向量之间的协方差矩阵;自相关协方差矩阵计算单元,用于计算所述电力负荷变化特征向量的自相关协方差矩阵;干涉校正矩阵计算单元,用于基于所述协方差矩阵和所述自相关协方差矩阵,计算干涉校正矩阵;特征校正单元,用于基于所述干涉校正矩阵对所述电力负荷变化特征向量进行校正以得到所述校正后电力负荷变化特征向量。其中,所述干涉校正矩阵计算单元,用于:以如下公式计算干涉校正矩阵;其中,所述公式为:
其中,表示所述电力负荷变化特征向量,表示所述类别概率特征向量,表示所述电力负荷变化特征向量和所述类别概率特征向量之间的协方差矩阵,表示所述电力负荷变化特征向量的自相关协方差矩阵,表示单位矩阵,表示预定
超参数,其用于确保协方差矩阵的可逆性,表示所述干涉校正矩阵。
结合本申请的第二方面,在本申请的第二方面的一种基于深度神经网络的电力负荷预测方法中,基于所述校正后电力负荷变化特征向量,以得到生成结果,用于:将所述电力负荷变化特征向量通过生成器以得到待预测电力系统未来一段时间内电力负荷的负荷曲线。
与现有技术相比,本申请提供的一种基于深度神经网络的电力负荷预测系统及方法,其将采集到的待预测电力系统的历史电力负荷数据和与之相关的影响因素数据作为输入数据,然后利用深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到待预测电力系统未来一段时间内电力负荷的负荷曲线。这样,根据未来一段时间内电力负荷的负荷曲线,可以实现电力系统的负荷预测,从而为电力系统的运行和调度提供参考依据。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统的示意性框图。
图2图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征提取模块的示意性框图。
图3图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征提取模块中多尺度电力负荷特征提取单元的示意性框图。
图4图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征提取模块中电力负荷影响因素特征获取单元的示意性框图。
图5图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征校正模块的示意性框图。
图6图示了根据本申请实施例的基于深度神经网络的电力负荷预测方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性系统
图1图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统的示意性框图。如图1所示,根据本申请实施例的基于深度神经网络的电力负荷预测系统100,包括:电力系统数据采集模块110,用于采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据;电力系统特征提取模块120,用于分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量;电力系统特征融合模块130,用于使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵;电力系统特征融合特征获取模块140,用于对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量;电力系统特征校正模块150,用于对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量;电力系统生成模块160,用于基于所述校正后电力负荷变化特征向量,以得到生成结果。
电力系统是指由发电厂、输电网和配电网组成的整体系统,用于生成、传输和分配电能。电力负荷预测是指对未来一段时间内的电力需求进行预测和估计的过程。这个过程对电力系统的运行和规划非常重要。也就是,电力负荷预测对于电力系统的运行、规划和节能减排都具有重要意义,能够提高电力系统的效率和可靠性,为用户提供稳定可靠的电力供应。
然而,如上述背景技术所述,全网用电曲线是发电计划编制、电力电量平衡的重要基础数据。目前的用电曲线预测方法采用相似日拷贝、人工调整等,人工预测容易受到个人经验等主观意识的影响,缺乏全面性,预测精度不高,且耗时费力。而基于数据分析、机器学习和人工智能模型,能够更好地处理复杂数据和变量,并及时适应负荷需求的变化,可有效提高全网用电曲线预测的准确性和效率。因此,期待一种基于深度神经网络的电力负荷预测系统及方法,通过深度学习技术对待预测电力系统的历史电力负荷数据和与之相关的影响因素数据进行分析和预测,以提高电力负荷预测的准确性和可靠性。
深度学习技术是一种机器学习方法,它通过构建和训练深度神经网络来实现模式识别和数据分析任务。深度学习技术的核心思想是模仿人脑神经网络的结构和工作原理,通过多层次的神经元组成的网络进行信息处理和学习。深度学习技术在许多领域取得了重要的突破,如计算机视觉、自然语言处理、语音识别等。它已经在各种应用中得到广泛应用,包括图像识别、语音识别、自动驾驶、推荐系统、智能语音助手等。
深度学习技术在电力负荷预测系统中可以通过对历史电力负荷数据和相关影响因素数据的分析和预测,提高预测的准确性和可靠性。它能够处理复杂数据、学习高度可表达的模型、自动学习特征表示、处理大规模数据,并具有较强的泛化能力,使得系统能够更好地适应和应对电力负荷预测的挑战。因此,在本申请的具体实施例中,通过深度学习技术对输入数据进行特征提取和分析。
在本申请实施例中,所述电力系统数据采集模块110,用于采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据。应可以理解,历史电力负荷数据是预测模型的基础。通过分析历史负荷数据,可以揭示负荷的模式、趋势和周期性,帮助预测未来的负荷变化。历史负荷数据的时间维度排列形成的输入向量可以用来训练时序编码器,提取负荷的时序特征。这些特征可以捕捉到负荷的动态变化和规律,为负荷预测提供重要的线索。与历史电力负荷数据相对应的影响因素数据包括天气数据、辐照度数据以及节假日数据等。这些影响因素可以对电力负荷产生显著的影响。例如,天气条件对空调负荷和供暖负荷有重要影响;辐照度数据对太阳能发电负荷有影响;节假日数据对工商业负荷和居民负荷有影响。将这些影响因素数据与历史负荷数据一起考虑,可以更准确地捕捉到负荷的变化模式和趋势。因此,在本申请实施例中,采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据作为输入数据。
具体地,采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据(天气数据、辐照度数据以及节假日数据)时,可以从电力系统的监测设备、计量设备或智能电表中获取历史电力负荷数据;从气象局、气象网站或气象数据提供商获取天气数据;从气象局、太阳能资源评估机构或气象数据提供商获取辐照度数据以及从官方节假日安排、政府机构或日历数据提供商获取节假日数据。
在本申请实施例中,电力系统特征提取模块120,用于分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量。应可以理解,采集到这些输入数据之后,进一步对这些输入数据进行特征提取和分析任务。
具体地,图2图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征提取模块的示意性框图。如图2所示,所述电力系统特征提取模块120,包括:多尺度电力负荷特征提取单元121,用于对所述待预测电力系统的历史电力负荷数据进行深度卷积编码以得到所述多尺度电力负荷特征向量;电力负荷影响因素特征获取单元122,用于对所述与之相关的影响因素数据进行深度卷积编码以得到所述电力负荷影响因素特征向量。
首先对所述待预测电力系统的历史电力负荷数据进行特征提取和分析。具体地,图3图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征提取模块中多尺度电力负荷特征提取单元的示意性框图。如图3所示,所述多尺度电力负荷特征提取单元121,包括:历史电力负荷数据排列子单元121-1,用于将所述待预测电力系统的历史电力负荷数据按时间维度进行排列以得到历史电力负荷输入向量;历史电力负荷特征提取子单元121-2,用于将所述历史电力负荷输入向量通过基于特征提取器的电力负荷时序特征提取模块以得到历史电力负荷特征向量;历史电力负荷多尺度特征提取子单元121-3,用于将所述历史电力负荷特征向量通过具有多尺度卷积结构的电力负荷多尺度特征提取模块以得到所述多尺度电力负荷特征向量。
应可以理解,历史电力负荷数据具有时序性。时间是电力负荷数据中一个重要的因素,它可以影响电力负荷的变化趋势和周期性。将历史电力负荷数据按时间维度排列成输入向量,可以使深度学习模型能够学习到时间相关的模式和规律,从而更好地进行预测。因此,首先将所述待预测电力系统的历史电力负荷数据按时间维度进行排列以得到历史电力负荷输入向量。
接着,考虑到电力负荷数据通常包含大量的时间序列信息,包括趋势、季节性变化、周期性波动等。然而,原始的历史电力负荷输入向量可能包含过多的细节和噪声,不利于深度神经网络的学习和预测。因此,通过特征提取器对历史电力负荷输入向量进行处理,可以将其转化为更具有表征能力的历史电力负荷特征向量。也就是,通过特征提取器,历史电力负荷输入向量可以被转换为具有更高层次的抽象表示的历史电力负荷特征向量。这些特征向量可以更好地捕捉电力负荷数据中的关键信息,并减少冗余和噪声。这样,深度神经网络可以在更高层次上进行学习和预测,提高电力负荷预测的准确性和可靠性。
在本申请的一个具体实施例中,所述历史电力负荷特征提取子单元121-2,用于:使用所述电力负荷时序特征提取模块的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征;以及使用所述电力负荷时序特征提取模块的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征。
然后,应可以理解,电力负荷数据通常具有不同的时间尺度上的变化,例如短期内的小时级别变化、中期内的日级别变化和长期内的季节性和年度级别变化。不同时间尺度上的变化可能包含不同的信息和趋势,因此,为了更好地预测电力负荷,需要考虑多个尺度的特征。因此,通过具有多尺度卷积结构的电力负荷多尺度特征提取模块对电力负荷数据进行多尺度特征信息的提取。这样,可以通过使用具有不同感受野的卷积核来捕捉不同尺度上的特征。所述感受野是指在卷积运算中每个输出神经元接收的输入区域大小。通过使用多个具有不同感受野的卷积核,可以提取出不同尺度上的特征。这样,深度神经网络可以在不同尺度上进行学习和预测,从而提高电力负荷预测的准确性和可靠性。
在本申请的一个具体实施例中,所述历史电力负荷多尺度特征提取子单元121-3,用于:使用所述具有多尺度卷积结构的电力负荷多尺度特征提取模块的各层在层的正向传递中分别对输入数据进行:基于第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图;基于第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图;基于第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图;基于第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图,其中,所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的尺寸;将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图;对所述多尺度卷积特征图进行沿通道维度的均值池化处理以得到池化特征图;以及对所述池化特征图进行非线性激活处理以得到激活特征图;其中,所述具有多尺度卷积结构的电力负荷多尺度特征提取模块的最后一层的输出为所述多尺度电力负荷特征向量。
接着对所述与之相关的影响因素数据进行特征提取和分析。具体地,图4图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征提取模块中电力负荷影响因素特征获取单元的示意性框图。如图4所示,所述电力负荷影响因素特征获取单元122,包括:影响因素数据排列子单元122-1,用于将所述与之相关的影响因素数据按时间维度排列为多个时间段的影响因素数据;影响因素嵌入编码子单元122-2,用于将所述多个时间段的影响因素数据通过包含嵌入层的上下文编码器以得到多个影响因素特征向量;影响因素时序特征提取子单元122-3,用于将所述多个影响因素特征向量通过基于双向长短期记忆神经网络模型的影响因素特征提取模块以得到所述电力负荷影响因素特征向量。
应可以理解,在电力系统中,电力负荷的变化受到多种因素的影响,例如天气状况、季节性变化等。这些影响因素通常具有一定的时序特征,对电力负荷的波动和变化起着重要作用。将影响因素数据按时间维度排列为多个时间段的影响因素数据可以将不同时间段内的影响因素信息进行区分和提取。通过将影响因素数据分为不同时间段,可以捕捉到不同时间尺度上的影响因素对电力负荷的影响。因此,首先将所述与之相关的影响因素数据按时间维度排列为多个时间段的影响因素数据。
接着,考虑到影响因素数据可能包含多个维度的信息,例如天气数据可能包括温度、湿度、风速等多个指标。将多个时间段的影响因素数据转化为影响因素特征向量可以将这些多维度的信息进行整合和压缩,使其更适合深度神经网络进行处理。基于此,使用包含嵌入层的上下文编码器对所述多个时间段的影响因素数据分别进行嵌入编码。其中,所述上下文编码器是一种常用的神经网络结构,它可以将输入序列数据转化为固定维度的向量表示。也就是,所述包含嵌入层的上下文编码器可以将多个时间段的影响因素数据进行编码,并生成对应的影响因素特征向量。嵌入层可以将离散的影响因素数据转化为连续的向量表示,使得神经网络能够更好地学习和处理这些特征。
在本申请的一个具体实施例中,所述影响因素嵌入编码子单元122-2,用于:对所述多个时间段的影响因素数据中的各个时间段的影响因素数据进行分词处理以得到词序列;使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中的各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列分别进行基于全局的上下文语义编码以得到多个特征向量;以及将所述多个特征向量进行级联以得到所述多个影响因素特征向量中的各个影响因素特征向量。
进一步地,应可以理解,电力负荷受到多个影响因素的综合影响,并且这些影响因素之间可能存在时滞效应、周期性变化、长期趋势等复杂的时序关系。例如,天气因素是电力负荷的重要影响因素之一。温度、湿度、风速等天气因素会直接影响人们的用电行为,例如空调的使用频率和电力供暖的需求。这些天气因素的变化通常具有一定的滞后效应,即当天的天气状况会对未来几天的电力负荷产生影响。也就是,电力负荷预测中的影响因素之间通常存在复杂的时序依赖关系。考虑到双向长短期记忆神经网络模型是一种循环神经网络(RNN)的变体,它能够有效地建模序列数据中的长期依赖关系。通过在双向模式下运行LSTM单元,双向长短期记忆神经网络模型可以同时考虑过去和未来的信息,从而更好地捕捉到时序数据中的上下文信息。因此,为了更好地捕捉影响因素之间的时序关系和相互作用,进一步通过基于双向长短期记忆神经网络模型的影响因素特征提取模块对所述多个影响因素特征向量进行特征提取和分析。这样,更好地捕捉影响因素之间的时序关系和相互作用,以提高电力负荷预测的准确性和可靠性。
在本申请的一个具体实施例中,所述影响因素时序特征提取子单元122-3,用于:将所述多个影响因素特征向量进行一维排列以得到影响因素长距离关联特征向量的序列;以及使用所述基于双向长短期记忆神经网络模型的影响因素特征提取模块对所述影响因素长距离关联特征向量的序列进行长距离关联特征编码以得到所述电力负荷影响因素特征向量。
在本申请实施例中,所述电力系统特征融合模块130,用于使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵。应可以理解,在电力负荷预测中,除了历史电力负荷数据,还有其他影响因素(如天气、季节、节假日等)会对电力负荷产生影响。这些不同尺度的特征向量可以提供不同层次的信息,例如小时级别的负荷波动、日级别的周期性变化、季节性趋势等。同时,电力负荷影响因素特征向量可以提供关于外部影响因素的信息,帮助更好地理解负荷数据的变化。通过使用联合编码器,系统可以将多尺度电力负荷特征向量和电力负荷影响因素特征向量进行特征联合,将它们融合到一个统一的特征空间中。这样可以实现特征的交互和共享,从而更好地捕捉它们之间的相关性和相互作用。因此,为了更好地捕捉它们之间的相关性和相互作用,从而提高电力负荷预测的准确性和可靠性,使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行联合编码。
在本申请的一个具体实施例中,所述电力系统特征融合模块130,用于:使用所述
联合编码器以如下公式对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向
量进行联合编码以生成所述电力负荷变化特征矩阵;其中,所述公式为:,其
中表示向量相乘,表示所述电力负荷变化特征矩阵,表示所述多尺度电力负荷特征
向量,表示所述电力负荷影响因素特征向量,表示所述电力负荷影响因素特征向量的
转置
在本申请实施例中,所述电力系统特征融合特征获取模块140,用于对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量。应可以理解,电力负荷变化特征矩阵通常具有较高的维度和复杂性。通过使用基于卷积神经网络模型的电力负荷特征提取模块,可以从矩阵中提取出更具有表达能力和判别性的特征。也就是,卷积神经网络模型模型通过卷积层和池化层的组合,可以捕捉到电力负荷变化的局部模式和空间相关性,从而提取出更有意义的特征。因此,为了提取更具表达能力和判别性的特征,进一步通过基于卷积神经网络模型的电力负荷特征提取模块对所述电力负荷变化特征矩阵进行特征提取。这样,有助于捕捉电力负荷的空间和时间特征,建模非线性特征,并通过自适应学习能力提高预测准确性和可靠性。
在本申请的一个具体实施例中,所述电力系统特征融合特征获取模块140,用于:将所述电力负荷变化特征矩阵通过基于卷积神经网络模型的电力负荷特征提取模块以得到电力负荷变化特征向量。
在本申请实施例中,所述电力系统特征校正模块150,用于对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量。应可以理解,在上述技术方案中,考虑到在采集历史电力负荷数据和相关影响因素数据时,可能受到各种干扰因素的影响。例如,数据采集设备的误差、信号干扰、数据传输中的丢失或错误等因素都可能导致采集到的数据中存在噪声或干扰。并且,历史电力负荷数据和相关影响因素数据可能受到多种复杂因素的影响,如季节性变化、突发事件、人为干扰等。这些复杂性可能使得数据集中包含了各种不相关的信息,其中一部分可能被误认为与生成任务相关而被保留在特征向量中。也就是,所述电力负荷变化特征向量中存在与生成任务无关的信息,例如,噪声或干扰,这会影响所述电力负荷变化特征向量通过生成器进行生成的精准度。基于此,在本申请技术方案中,对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量,从而降低噪声和干扰的影响,以提高负荷曲线生成的准确性和可靠性。
具体地,图5图示了根据本申请实施例的基于深度神经网络的电力负荷预测系统中电力系统特征校正模块的示意性框图。如图5所示,所述电力系统特征校正模块150,包括:特征激活单元151,用于将所述电力负荷变化特征向量通过softmax激活函数以得到类别概率特征向量;协方差计算单元152,用于计算所述电力负荷变化特征向量和所述类别概率特征向量之间的协方差矩阵;自相关协方差矩阵计算单元153,用于计算所述电力负荷变化特征向量的自相关协方差矩阵;干涉校正矩阵计算单元154,用于基于所述协方差矩阵和所述自相关协方差矩阵,计算干涉校正矩阵;特征校正单元155,用于基于所述干涉校正矩阵对所述电力负荷变化特征向量进行校正以得到所述校正后电力负荷变化特征向量。
特别地,所述干涉校正矩阵计算单元154,用于:以如下公式计算干涉校正矩阵;其中,所述公式为:
其中,表示所述电力负荷变化特征向量,表示所述类别概率特征向量,表示所述电力负荷变化特征向量和所述类别概率特征向量之间的协方差矩阵,表示所述电力负荷变化特征向量的自相关协方差矩阵,表示单位矩阵,表示预定
超参数,其用于确保协方差矩阵的可逆性,表示所述干涉校正矩阵。
也就是,针对上述技术问题,在本申请技术方案中,对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量,其通过相干干涉校正去除类别概率值中与生成任务无关的信息,首先通过softmax激活函数获得了类别概率特征向量,即对每个类别的概率进行预测。随后,通过计算电力负荷变化特征向量和类别概率特征向量之间的协方差矩阵以及电力负荷变化特征向量的自相关协方差矩阵,从而了解它们之间的关系和变化程度。基于协方差矩阵和自相关协方差矩阵,进一步计算出干涉校正矩阵。这个校正矩阵的作用在于去除类别概率值中与生成任务无关的信息,保留并突出与生成任务相关的特征。进一步对电力负荷变化特征向量应用干涉校正矩阵以得到校正后的电力负荷变化特征向量,校正后的电力负荷变化特征向量将只包含与生成任务相关的信息,使其可以专注于真正重要的特征,从而提高生成模型的性能。
在本申请实施例中,所述电力系统生成模块160,用于基于所述校正后电力负荷变化特征向量,以得到生成结果。应可以理解,所述校正后电力负荷变化特征向量包含了整个与电力负荷的深层次的特征信息,能够为电力负荷曲线的生成提供更全面的参考信息。考虑到生成器可以通过学习历史数据中的长期趋势和模式,生成未来一段时间内的电力负荷曲线。因此,通过所述生成器对所述校正后电力负荷变化特征向量进行特征分析以得到待预测电力系统未来一段时间内电力负荷的负荷曲线。这有助于预测系统更好地捕捉到电力负荷的长期变化趋势,提高预测的准确性。
在本申请的一个具体实施例中,所述电力系统生成模块160,用于:将所述校正后电力负荷变化特征向量通过生成器以得到待预测电力系统未来一段时间内电力负荷的负荷曲线。
特别地,具体的负荷曲线生成过程为:1、使用生成器模型,将特征图和随机噪声作为输入,生成待预测电力系统未来一段时间内的电力负荷曲线。生成器模型可以是一个递归神经网络(如循环神经网络)或者是一个生成对抗网络(GAN)等。2、通过将生成器的输出解码为负荷曲线,得到待预测电力系统未来一段时间内的电力负荷曲线。
需要注意的是,生成的负荷曲线仅是一种可能的预测结果,而不是确定性的未来负荷值。通过多次运行生成器,可以得到多个不同的负荷曲线样本,以评估预测结果的不确定性和范围。
值得一提的是,除了使用生成器对所述校正后电力负荷变化特征向量进行结果生成之外,还可以使用序列预测模型来实现电力负荷的预测。具体的步骤如下:1、数据准备:同样,首先需要准备待预测电力系统的历史电力负荷数据和相关的影响因素数据作为输入。这些数据可以包括过去的负荷曲线、天气数据、季节性变化等。2、特征工程:在这种方法中,可以使用传统的特征工程方法来提取电力负荷的相关特征。这可以包括时间特征(如小时、日期、星期几等)、历史负荷数据的滞后值、天气数据等。3、序列预测模型:使用序列预测模型来建模和预测电力负荷。常用的序列预测模型包括循环神经网络(如长短期记忆网络LSTM)和卷积神经网络(如一维卷积神经网络 CNN)。这些模型可以通过学习历史负荷数据的时序模式来预测未来一段时间内的负荷曲线。4、模型训练和验证:将数据集划分为训练集和验证集,使用训练集来训练序列预测模型,并使用验证集来评估模型的性能和调整模型的超参数。5、负荷曲线预测:使用训练好的序列预测模型对待预测电力系统未来一段时间内的特征数据进行预测,从而得到负荷曲线的预测结果。
综上,根据本申请实施例的所述基于深度神经网络的电力负荷预测系统被阐明,其将采集到的待预测电力系统的历史电力负荷数据和与之相关的影响因素数据作为输入数据,然后利用深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到待预测电力系统未来一段时间内电力负荷的负荷曲线。这样,根据未来一段时间内电力负荷的负荷曲线,可以实现电力系统的负荷预测,从而为电力系统的运行和调度提供参考依据。
如上所述,根据本申请实施例的基于深度神经网络的电力负荷预测系统100可以实现在各种无线终端中,例如用于基于深度神经网络的电力负荷预测的服务器等。在一个示例中,根据本申请实施例的基于深度神经网络的电力负荷预测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于深度神经网络的电力负荷预测系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于深度神经网络的电力负荷预测系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于深度神经网络的电力负荷预测系统100与该无线终端也可以是分立的设备,并且基于深度神经网络的电力负荷预测系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
示例性方法
图6图示了根据本申请实施例的基于深度神经网络的电力负荷预测方法的流程图。如图6所示,根据本申请实施例的所述基于深度神经网络的电力负荷预测方法,包括:S1,采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据;S2,分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量;S3,使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵;S4,对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量;S5,对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量;S6,基于所述校正后电力负荷变化特征向量,以得到生成结果。
这里,本领域技术人员可以理解,上述基于深度神经网络的电力负荷预测方法中的各个步骤的具体功能和操作已经在上面参考图1的基于深度神经网络的电力负荷预测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等 )执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory )、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度神经网络的电力负荷预测系统,其特征在于,包括:
电力系统数据采集模块,用于采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据;
电力系统特征提取模块,用于分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量;
电力系统特征融合模块,用于使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵;
电力系统特征融合特征获取模块,用于对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量;
电力系统特征校正模块,用于对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量;
电力系统生成模块,用于基于所述校正后电力负荷变化特征向量,以得到生成结果。
2.根据权利要求1所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述电力系统特征提取模块,包括:
多尺度电力负荷特征提取单元,用于对所述待预测电力系统的历史电力负荷数据进行深度卷积编码以得到所述多尺度电力负荷特征向量;
电力负荷影响因素特征获取单元,用于对所述与之相关的影响因素数据进行深度卷积编码以得到所述电力负荷影响因素特征向量。
3.根据权利要求2所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述多尺度电力负荷特征提取单元,包括:
历史电力负荷数据排列子单元,用于将所述待预测电力系统的历史电力负荷数据按时间维度进行排列以得到历史电力负荷输入向量;
历史电力负荷特征提取子单元,用于将所述历史电力负荷输入向量通过基于特征提取器的电力负荷时序特征提取模块以得到历史电力负荷特征向量;
历史电力负荷多尺度特征提取子单元,用于将所述历史电力负荷特征向量通过具有多尺度卷积结构的电力负荷多尺度特征提取模块以得到所述多尺度电力负荷特征向量。
4.根据权利要求3所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述电力负荷影响因素特征获取单元,包括:
影响因素数据排列子单元,用于将所述与之相关的影响因素数据按时间维度排列为多个时间段的影响因素数据;
影响因素嵌入编码子单元,用于将所述多个时间段的影响因素数据通过包含嵌入层的上下文编码器以得到多个影响因素特征向量;
影响因素时序特征提取子单元,用于将所述多个影响因素特征向量通过基于双向长短期记忆神经网络模型的影响因素特征提取模块以得到所述电力负荷影响因素特征向量。
5.根据权利要求4所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述影响因素嵌入编码子单元,用于:
对所述多个时间段的影响因素数据中的各个时间段的影响因素数据进行分词处理以得到词序列;
使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中的各个词映射为词嵌入向量以得到词嵌入向量的序列;
使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列分别进行基于全局的上下文语义编码以得到多个特征向量;以及
将所述多个特征向量进行级联以得到所述多个影响因素特征向量中的各个影响因素特征向量。
6.根据权利要求5所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述电力系统特征融合特征获取模块,用于:将所述电力负荷变化特征矩阵通过基于卷积神经网络模型的电力负荷特征提取模块以得到电力负荷变化特征向量。
7.根据权利要求6所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述电力系统特征校正模块,包括:
特征激活单元,用于将所述电力负荷变化特征向量通过softmax激活函数以得到类别概率特征向量;
协方差计算单元,用于计算所述电力负荷变化特征向量和所述类别概率特征向量之间的协方差矩阵;
自相关协方差矩阵计算单元,用于计算所述电力负荷变化特征向量的自相关协方差矩阵;
干涉校正矩阵计算单元,用于基于所述协方差矩阵和所述自相关协方差矩阵,计算干涉校正矩阵;
特征校正单元,用于基于所述干涉校正矩阵对所述电力负荷变化特征向量进行校正以得到所述校正后电力负荷变化特征向量。
8.根据权利要求7所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述干涉校正矩阵计算单元,用于:以如下公式计算干涉校正矩阵;其中,所述公式为:
其中,/>表示所述电力负荷变化特征向量,/>表示所述类别概率特征向量,/>表示所述电力负荷变化特征向量和所述类别概率特征向量之间的协方差矩阵,/>表示所述电力负荷变化特征向量的自相关协方差矩阵,/>表示单位矩阵,/>表示预定超参数,/>表示所述干涉校正矩阵。
9.根据权利要求8所述的基于深度神经网络的电力负荷预测系统,其特征在于,所述电力系统生成模块,用于:将所述电力负荷变化特征向量通过生成器以得到待预测电力系统未来一段时间内电力负荷的负荷曲线。
10.一种基于深度神经网络的电力负荷预测方法,其特征在于,包括:
采集待预测电力系统的历史电力负荷数据和与之相关的影响因素数据,其中,所述与之相关的影响因素数据包括天气数据、辐照度数据以及节假日数据;
分别对所述待预测电力系统的历史电力负荷数据和所述与之相关的影响因素数据进行提取和分析以得到多尺度电力负荷特征向量和电力负荷影响因素特征向量;
使用联合编码器对所述多尺度电力负荷特征向量和所述电力负荷影响因素特征向量进行特征联合以得到电力负荷变化特征矩阵;
对所述电力负荷变化特征矩阵进行特征提取以得到电力负荷变化特征向量;
电对所述电力负荷变化特征向量进行基于类别概率值的相干干涉校正以得到校正后电力负荷变化特征向量;
基于所述校正后电力负荷变化特征向量,以得到生成结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410390633.1A CN117977587B (zh) | 2024-04-02 | 2024-04-02 | 基于深度神经网络的电力负荷预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410390633.1A CN117977587B (zh) | 2024-04-02 | 2024-04-02 | 基于深度神经网络的电力负荷预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117977587A true CN117977587A (zh) | 2024-05-03 |
CN117977587B CN117977587B (zh) | 2024-06-07 |
Family
ID=90864743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410390633.1A Active CN117977587B (zh) | 2024-04-02 | 2024-04-02 | 基于深度神经网络的电力负荷预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977587B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135800A (zh) * | 2024-05-06 | 2024-06-04 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045642A1 (zh) * | 2016-09-09 | 2018-03-15 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN110490270A (zh) * | 2019-08-27 | 2019-11-22 | 大连海事大学 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113642676A (zh) * | 2021-10-12 | 2021-11-12 | 华北电力大学 | 基于异构气象数据融合的区域电网负荷预测方法和装置 |
CN115358437A (zh) * | 2022-06-30 | 2022-11-18 | 桂林电子科技大学 | 基于卷积神经网络的供电负荷预测方法 |
CN116911459A (zh) * | 2023-07-20 | 2023-10-20 | 广东电网有限责任公司广州供电局 | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 |
CN117013520A (zh) * | 2023-06-21 | 2023-11-07 | 贵州电网有限责任公司 | 一种基于增量学习的柔性负荷可调功率评估方法 |
CN117458440A (zh) * | 2023-10-10 | 2024-01-26 | 云南电网有限责任公司 | 基于关联特征融合的生成式电力负荷预测方法及系统 |
CN117713083A (zh) * | 2023-12-22 | 2024-03-15 | 国网河南省电力公司信息通信分公司 | 一种基于数据管理平台的电力系统短期电力负荷预测系统及方法 |
CN117744855A (zh) * | 2023-11-22 | 2024-03-22 | 广州志诚气弹簧有限公司 | 基于机器学习的负荷预测系统及方法 |
-
2024
- 2024-04-02 CN CN202410390633.1A patent/CN117977587B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045642A1 (zh) * | 2016-09-09 | 2018-03-15 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN110490270A (zh) * | 2019-08-27 | 2019-11-22 | 大连海事大学 | 一种基于空间信息自适应处理的高光谱图像分类方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113642676A (zh) * | 2021-10-12 | 2021-11-12 | 华北电力大学 | 基于异构气象数据融合的区域电网负荷预测方法和装置 |
CN115358437A (zh) * | 2022-06-30 | 2022-11-18 | 桂林电子科技大学 | 基于卷积神经网络的供电负荷预测方法 |
CN117013520A (zh) * | 2023-06-21 | 2023-11-07 | 贵州电网有限责任公司 | 一种基于增量学习的柔性负荷可调功率评估方法 |
CN116911459A (zh) * | 2023-07-20 | 2023-10-20 | 广东电网有限责任公司广州供电局 | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 |
CN117458440A (zh) * | 2023-10-10 | 2024-01-26 | 云南电网有限责任公司 | 基于关联特征融合的生成式电力负荷预测方法及系统 |
CN117744855A (zh) * | 2023-11-22 | 2024-03-22 | 广州志诚气弹簧有限公司 | 基于机器学习的负荷预测系统及方法 |
CN117713083A (zh) * | 2023-12-22 | 2024-03-15 | 国网河南省电力公司信息通信分公司 | 一种基于数据管理平台的电力系统短期电力负荷预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
HU HU ET AL: "A Variational Bayesian Approach to Learning Latent Variables for AcousticKnowledge Transfer", ICASSP 2022 - 2022 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING, 27 April 2022 (2022-04-27), pages 1041 - 1045 * |
钱玉军等: "基于通道注意力机制和BIGRU 的非侵入式负荷分解方法", 电力信息与通信技术, vol. 21, no. 7, 31 July 2023 (2023-07-31), pages 1 - 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135800A (zh) * | 2024-05-06 | 2024-06-04 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117977587B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
CN117977587B (zh) | 基于深度神经网络的电力负荷预测系统及方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
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 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 | |
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 | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN111275571A (zh) | 考虑微气象与用户模式的居民负荷概率预测深度学习方法 | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
El Bakali et al. | Data-Based Solar Radiation Forecasting with Pre-Processing Using Variational Mode Decomposition | |
Wu et al. | A two-stage power system frequency security multi-level early warning model with DS evidence theory as a combination strategy | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN115313355A (zh) | 一种智能电网大数据在短期负荷预测中的自动预测方法及系统 | |
CN117494906B (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN118153766A (zh) | 一种极端天气场景下的风电出力预测方法、设备及介质 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN117151276A (zh) | 售电平台的智能化管理系统 | |
Bezerra et al. | A PCA-based variable ranking and selection approach for electric energy load forecasting | |
KR102593144B1 (ko) | 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법 | |
Feng et al. | A novel privacy protection framework for power generation data based on generative adversarial networks | |
Yanhui et al. | Forecasting hourly electricity demand with nonparametric functional data analysis | |
CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 |
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 |