一种基于组合神经网络的负荷预测方法及计算机可读介质

1.本专利属于电力行业，具体涉及一种基于组合神经网络的负荷预测方法及计算机可读介质。


背景技术：

2.配电网中负荷预测是电网规划的基础，准确的预测结果将为电源的合理布点、适时的电网建设、最佳的投资时间、以及获得最大的经济效益和社会效益提供科学的决策依据，并为电网的安全、经济、可靠运行提供保证。
3.目前，大多数灵活负荷预测研究从传统的非机器学习预测方法入手，比如年均增长率法、回归模型法和灰色模型法，但传统的预测方法只适用于中长期预测，预测结果仅可作为规划参考，不能为日前日内调度提供参考，随着配电网中灵活负荷及分布式资源渗透率的不断提高，亟需研究适用于短期灵活负荷预测的新预测方法。


技术实现要素：

4.为解决上述背景技术的不足，本专利提出了一种基于组合神经网络的负荷预测方法及计算机可读介质。
5.本发明方法的技术方案为一种基于组合神经网络的负荷预测方法，具体包括以下步骤：
6.步骤1：获取多种类型的多个历史时刻的天气因素数据，将每种类型的多个历史时刻的天气因素数据通过符号聚合近似进行归一化处理，得到每种类型的多个历史时刻的归一化后天气因素数据，结合每种类型的多个历史时刻的归一化后天气因素数据计算得到每种类型的天气因素的最大信息系数，在多种类型的天气因素的最大信息系数中筛选出最大信息系数最大值对应的类型的多个历史时刻的天气因素数据，作为多个历史时刻的优选后天气数据；
7.步骤2：获取多个历史时刻的负荷数据，将多个历史时刻的负荷数据依次通过数据异常点识别与修正、数据缺失值、数据标准化的预处理，得到多个历史时刻的预处理后负荷数据，将多个历史时刻的预处理后负荷数据划分为多组负荷样本序列，将多个历史时刻的优选后天气数据划分为多组天气样本序列，并标记每组负荷序列样本的真实负荷；
8.步骤3：构建负荷天气因素关联组合模型，将每组负荷样本序列、每组天气样本序列输入至负荷天气因素关联组合模型进行预测，得到每组负荷样本序列的预测负荷，结合每组负荷序列样本的真实负荷构建损失函数模型，通过adam方法优化训练得到优化后负荷天气因素关联组合模型；
9.步骤4：实时采集多个时刻的负荷构建实时负荷样本序列，采集多个时刻的优选后天气构建实时天气样本序列，将实时负荷样本序列、实时天气样本序列输入至所述优化后负荷天气因素关联组合模型进行预测，得到下一时刻的负荷。
10.作为优选，步骤2所述预处理方法，具体过程如下：
11.依次通过数据异常点修正、数据缺失填充、数据标准化；
12.步骤2所述多组负荷样本序列，定义如下：
13.dataak＝(load
(k-1)*l+1
,load
(k-1)*l+2
,...,load
(k-1)*l+l
),k∈[1,k]
[0014]
其中，dataak表示第k组负荷样本序列，load
(k-1)*l+l
表示第k组负荷样本序列中第个负荷样本，即第(k-1)*l+l个历史时刻的预处理后负荷数据，k表示样本序列的数量，l表示每组样本序列的长度。
[0015]
步骤2所述多组天气样本序列，定义如下：
[0016]
databk＝(weather
(k-1)*l+1
,weather
(k-1)*l+2
,...,weather
(k-1)*l+l
),k∈[1,k]
[0017]
其中，databk表示第k组天气样本序列，weather
(k-1)*l+l
表示第k组天气样本序列中第个天气样本，即第(k-1)*l+l个历史时刻的优选后天气数据，k表示样本序列的数量，l表示每组样本序列的长度，l∈[1,l]；
[0018]
步骤2所述每组负荷序列样本的真实负荷，定义为：load
k*l+1
。
[0019]
作为优选，步骤3所述的负荷天气因素关联组合模型由卷积神经网络、门控循环神经网络、改进的注意力机制网络依次级联构成；
[0020]
所述卷积神经网络，将每组负荷样本序列、每组天气样本序列输入至卷积神经网络经过卷积神经网络处理得到在时间维度上每组样本的短期相关性特征，并输出至所述门控循环神经网络；
[0021]
所述门控循环神经网络，将时间维度上每组样本局部相关性特征通过门控循环处理得到进一步得到在时间维度上每组样本的短期相关性特征，并输出至所述改进的注意力机制网络；
[0022]
所述改进的注意力机制网络由编码层、解码层级联构成；
[0023]
所述每组样本的短期相关性特征通过所述的编码层、解码层处理得到在时间维度上每组样本的长期相关性特征，将时间维度上每组样本的长相关性特征、时间维度上每组样本的短期相关性特征通过dense层得到每组负荷样本序列的预测负荷；
[0024]
步骤3所述损失函数模型，具体定义如下：
[0025][0026]
式中，yi为每组负荷序列样本的真实负荷，为每组负荷样本序列的预测负荷。
[0027]
本发明还提供了一种计算机可读介质，所述计算机可读介质存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行所述基于组合神经网络的负荷预测方法的步骤。
[0028]
本发明所提方法能够完善传统预测方法只适用于中长期预测，其预测结果仅可作为规划参考，不能为日前日内调度提供参考的不足，进而能够为电源的合理布点、适时的电网建设、最佳的投资时间、以及获得最大的经济效益和社会效益提供科学的决策依据，并为电网的安全、经济、可靠运行提供保证。
附图说明
[0029]
图1：本发明实施例的方法流程图；
具体实施方式
[0030]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0031]
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
[0032]
下面结合图1介绍本发明实施例的技术方案为一种基于组合神经网络的负荷预测方法，具体如下：
[0033]
步骤1：获取多种类型的多个历史时刻的天气因素数据，将每种类型的多个历史时刻的天气因素数据通过符号聚合近似进行归一化处理，得到每种类型的多个历史时刻的归一化后天气因素数据，结合每种类型的多个历史时刻的归一化后天气因素数据计算得到每种类型的天气因素的最大信息系数，在多种类型的天气因素的最大信息系数中筛选出最大信息系数最大值对应的类型的多个历史时刻的天气因素数据，作为多个历史时刻的优选后天气数据；
[0034]
步骤2：获取多个历史时刻的负荷数据，将多个历史时刻的负荷数据依次通过数据异常点识别与修正、数据缺失值、数据标准化的预处理，得到多个历史时刻的预处理后负荷数据，将多个历史时刻的预处理后负荷数据划分为多组负荷样本序列，将多个历史时刻的优选后天气数据划分为多组天气样本序列，并标记每组负荷序列样本的真实负荷；
[0035]
步骤2所述预处理方法，具体过程如下：
[0036]
依次通过数据异常点修正、数据缺失填充、数据标准化；
[0037]
步骤2所述多组负荷样本序列，定义如下：
[0038]
dataak＝(load
(k-1)*l+1
,load
(k-1)*l+2
,...,load
(k-1)*l+l
),k∈[1,k]
[0039]
其中，dataak表示第k组负荷样本序列，load
(k-1)*l+l
表示第k组负荷样本序列中第个负荷样本，即第(k-1)*l+l个历史时刻的预处理后负荷数据，k＝87648表示样本序列的数量，l＝8表示每组样本序列的长度。
[0040]
步骤2所述多组天气样本序列，定义如下：
[0041]
databk＝(weather
(k-1)*l+1
,weather
(k-1)*l+2
,...,weather
(k-1)*l+l
),k∈[1,k]
[0042]
其中，databk表示第k组天气样本序列，weather
(k-1)*l+l
表示第k组天气样本序列中第个天气样本，即第(k-1)*l+l个历史时刻的优选后天气数据，k＝87648表示样本序列的数量，l＝8表示每组样本序列的长度，l∈[1,l]；
[0043]
步骤2所述每组负荷序列样本的真实负荷，定义为：load
k*l+1
。
[0044]
步骤3：构建负荷天气因素关联组合模型，将每组负荷样本序列、每组天气样本序列输入至负荷天气因素关联组合模型进行预测，得到每组负荷样本序列的预测负荷，结合每组负荷序列样本的真实负荷构建损失函数模型，通过adam方法优化训练得到优化后负荷天气因素关联组合模型；
[0045]
步骤3所述的负荷天气因素关联组合模型由卷积神经网络、门控循环神经网络、改
进的注意力机制网络依次级联构成；
[0046]
所述卷积神经网络，将每组负荷样本序列、每组天气样本序列输入至卷积神经网络经过卷积神经网络处理得到在时间维度上每组样本的短期相关性特征，并输出至所述门控循环神经网络；
[0047]
所述门控循环神经网络，将时间维度上每组样本局部相关性特征通过门控循环处理得到进一步得到在时间维度上每组样本的短期相关性特征，并输出至所述改进的注意力机制网络；
[0048]
所述改进的注意力机制网络由编码层、解码层级联构成；
[0049]
所述每组样本的短期相关性特征通过所述的编码层、解码层处理得到在时间维度上每组样本的长期相关性特征，将时间维度上每组样本的长相关性特征、时间维度上每组样本的短期相关性特征通过dense层得到每组负荷样本序列的预测负荷；
[0050]
步骤3所述损失函数模型，具体定义如下：
[0051][0052]
式中，yi为每组负荷序列样本的真实负荷，为每组负荷样本序列的预测负荷。
[0053]
步骤4：实时采集多个时刻的负荷构建实时负荷样本序列，采集多个时刻的优选后天气构建实时天气样本序列，将实时负荷样本序列、实时天气样本序列输入至所述优化后负荷天气因素关联组合模型进行预测，得到下一时刻的负荷。
[0054]
组合模型预测各评价指标值见表1，其中，mae是误差绝对值之和的平均值，rmse是均方误差的平方根，rmse更加灵活地反映出样本数据的整体误差水平，mape是平均绝对百分比误差，mape很好地反映出负荷预测模型的性能，r2是决定系数，其值越接近1说明模型的预测效果就越好。
[0055]
表1：组合模型预测各评价指标值
[0056][0057]
本发明的具体实施例还提供了一种计算机可读介质。
[0058]
所述计算机可读介质为服务器工作站；
[0059]
所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行本发明实施例的方法的步骤。
[0060]
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0061]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

技术特征：
1.一种基于组合神经网络的负荷预测方法，其特征在于，包括以下步骤：步骤1：获取多种类型的多个历史时刻的天气因素数据，将每种类型的多个历史时刻的天气因素数据通过符号聚合近似进行归一化处理，得到每种类型的多个历史时刻的归一化后天气因素数据，结合每种类型的多个历史时刻的归一化后天气因素数据计算得到每种类型的天气因素的最大信息系数，在多种类型的天气因素的最大信息系数中筛选出最大信息系数最大值对应的类型的多个历史时刻的天气因素数据，作为多个历史时刻的优选后天气数据；步骤2：获取多个历史时刻的负荷数据，将多个历史时刻的负荷数据依次通过数据异常点识别与修正、数据缺失值、数据标准化的预处理，得到多个历史时刻的预处理后负荷数据，将多个历史时刻的预处理后负荷数据划分为多组负荷样本序列，将多个历史时刻的优选后天气数据划分为多组天气样本序列，并标记每组负荷序列样本的真实负荷；步骤3：构建负荷天气因素关联组合模型，将每组负荷样本序列、每组天气样本序列输入至负荷天气因素关联组合模型进行预测，得到每组负荷样本序列的预测负荷，结合每组负荷序列样本的真实负荷构建损失函数模型，通过adam方法优化训练得到优化后负荷天气因素关联组合模型；步骤4：实时采集多个时刻的负荷构建实时负荷样本序列，采集多个时刻的优选后天气构建实时天气样本序列，将实时负荷样本序列、实时天气样本序列输入至所述优化后负荷天气因素关联组合模型进行预测，得到下一时刻的负荷。2.根据权利要求1所述的基于组合神经网络的负荷预测方法，其特征在于：步骤2所述预处理方法，具体过程如下：依次通过数据异常点修正、数据缺失填充、数据标准化；步骤2所述多组负荷样本序列，定义如下：dataa
k
＝(load
(k-1)*l+1
,load
(k-1)*l+2
,...,load
(k-1)*l+l
),k∈[1,k]其中，dataa
k
表示第k组负荷样本序列，load
(k-1)*l+l
表示第k组负荷样本序列中第个负荷样本，即第(k-1)*l+l个历史时刻的预处理后负荷数据，k表示样本序列的数量，l表示每组样本序列的长度；步骤2所述多组天气样本序列，定义如下：datab
k
＝(weather
(k-1)*l+1
,weather
(k-1)*l+2
,...,weather
(k-1)*l+l
),k∈[1,k]其中，datab
k
表示第k组天气样本序列，weather
(k-1)*l+l
表示第k组天气样本序列中第个天气样本，即第(k-1)*l+l个历史时刻的优选后天气数据，k表示样本序列的数量，l表示每组样本序列的长度，l∈[1,l]；步骤2所述每组负荷序列样本的真实负荷，定义为：load
k*l+1
。3.根据权利要求2所述的基于组合神经网络的负荷预测方法，其特征在于：步骤3所述的负荷天气因素关联组合模型由卷积神经网络、门控循环神经网络、改进的注意力机制网络依次级联构成。4.根据权利要求3所述的基于组合神经网络的负荷预测方法，其特征在于：所述卷积神经网络，将每组负荷样本序列、每组天气样本序列输入至卷积神经网络经过卷积神经网络处理得到在时间维度上每组样本的短期相关性特征，并输出至所述门控循环神经网络
所述门控循环神经网络，将时间维度上每组样本局部相关性特征通过门控循环处理得到进一步得到在时间维度上每组样本的短期相关性特征，并输出至所述改进的注意力机制网络；所述改进的注意力机制网络由编码层、解码层级联构成。5.根据权利要求4所述的基于组合神经网络的负荷预测方法，其特征在于：所述每组样本的短期相关性特征通过所述的编码层、解码层处理得到在时间维度上每组样本的长期相关性特征，将时间维度上每组样本的长相关性特征、时间维度上每组样本的短期相关性特征通过dense层得到每组负荷样本序列的预测负荷。6.根据权利要求5所述的基于组合神经网络的负荷预测方法，其特征在于：步骤3所述损失函数模型，具体定义如下：式中，y
i
为每组负荷序列样本的真实负荷，为每组负荷样本序列的预测负荷。7.一种计算机可读介质，其特征在于，其存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1-6任一项所述方法的步骤。

技术总结
本发明提出了一种基于组合神经网络的负荷预测方法及计算机可读介质。将多类型、多历史时刻天气因素数据通过符号聚合进行归一化处理，计算得到各天气因素的最大信息系数，筛选出作为优选后天气数据；通过数据异常点识别与修正、数据标准化预处理，将负荷数据划分为负荷样本序列、将优选后天气数据划分为天气样本序列；输入负荷、天气样本序列至组合模型中得到预测负荷，结合真实负荷构建损失函数模型，通过Adam方法优化训练得到优化后关联组合模型；将采集实时负荷样本与天气样本数据输入组合模型进行预测，得到下一时刻的负荷。本发明优点在于，能够为电网建设者关于电源的合理布点、适时的电网建设提供日内实时负荷出力数据支持。据支持。据支持。


技术研发人员：曾海燕 陈艳 王东旭 王宣 肖峥 吕文 马潇 龚曦 黄梦旗 杨军 李勇汇
受保护的技术使用者：武汉大学
技术研发日：2023.03.09
技术公布日：2023/7/11