CN111639799B - 基于卷积轻量级梯度提升树的负荷总功率预测方法及*** - Google Patents

基于卷积轻量级梯度提升树的负荷总功率预测方法及*** Download PDF

Info

Publication number
CN111639799B
CN111639799B CN202010464126.XA CN202010464126A CN111639799B CN 111639799 B CN111639799 B CN 111639799B CN 202010464126 A CN202010464126 A CN 202010464126A CN 111639799 B CN111639799 B CN 111639799B
Authority
CN
China
Prior art keywords
total power
convolution
data
lifting tree
lightweight gradient
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
Application number
CN202010464126.XA
Other languages
English (en)
Other versions
CN111639799A (zh
Inventor
李亚平
姚建国
杨胜春
黄鸣宇
刘海涛
耿建
王珂
朱克东
钱甜甜
汤必强
刘建涛
郭晓蕊
周竞
于韶源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010464126.XA priority Critical patent/CN111639799B/zh
Publication of CN111639799A publication Critical patent/CN111639799A/zh
Application granted granted Critical
Publication of CN111639799B publication Critical patent/CN111639799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种基于卷积轻量级梯度提升树的负荷总功率预测方法及***，通过设计两阶段训练方法分别对卷积残差神经网络和轻量级梯度提升树进行训练，利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，提升负荷预测的精度。

Description

基于卷积轻量级梯度提升树的负荷总功率预测方法及***
技术领域
本发明涉及电力方向的人工智能技术领域，特别涉及一种基于卷积轻量级梯度提升树的负荷总功率预测方法及***。
背景技术
负荷预测是根据***的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。负荷预测是电力***经济调度中的一项重要内容，也是电力***安全运行的基础。近年来，以空调、冰箱、热水器等为代表的居民负荷在电力高峰负荷中的占比逐年上升，由于居民用电负荷的随机性和波动性，可能会影响电力***的正常运行与维护，因此有必要对该类负荷进行准确建模及预测。
传统的家用电器类居民负荷聚合建模通常采用以下方法：(1)简化数学模型。包括随机Fokker–Planck扩散模型、离散状态空间模型、状态序列模型、双线性模型等多种形式。以双线性模型为例，它是将负荷在有限范围内进行离散化，并把负荷划分到对应的状态格中，通过控制格中负荷的数量得到双线性模型。双线性微分模型依据负荷的多输入单输出，能用于大规模负荷功率的行为预测上，并且可以提出分布式协调控制策略，但其建模过程相对复杂，适用于需要精细化建模或控制的场合；(2)详细物理模型。能够模拟建筑、空调***的组成以及子***之间复杂的热动态交互过程，这方面成熟的软件有EnergyPlus、DOE-2、ESP-r、TRNSYS等。物理模型能够捕捉足够的细节，仿真结果可信度高。但这种建模方式应用到多个负荷聚合时，会遇到计算量过大的问题；(3)基于历史负荷的回归模型。是建立在收集到大量负荷特性以及历史数据的基础上，通过分析家庭用户的历史用户数据，获得负荷的变化差异，并由此建立了负荷的回归模型。这种建模方式在提高准确率的同时，需要增加大量的负载功率信息，而特征信息的获取在实际的负荷预测任务中存在操作难度较大的问题，需要一定量的人工进行提取，而人工提取特征往往需要花费大量的时间与精力，并且所设计的提取方法不能很好去除噪声干扰。
发明内容
本发明的目的是克服上述背景技术的不足，基于人工智能在数据处理方面的强大算力，提出一种基于卷积轻量级梯度提升树的负荷总功率预测方法及***，通过设计两阶段训练方法分别对卷积残差神经网络和轻量级梯度提升树进行训练，提升负荷预测的精度。
为此，本发明的一个目的在于提出一种基于卷积轻量级梯度提升树的负荷总功率预测方法：包括以下步骤：S1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；S2、将训练集的数据进行归一化处理；S3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；S4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。
优选的，在S1中，所述预设规则，包括将所有数据按温度不同进行分类，并将同一天气温度下一段时间的所有电器的总功率数据分成长度相同的时间段，每一个时间段中前90％的总功率数据构成一个一维空间矩阵作为训练集，每一个时间段的后10％的总功率数据作为标签数据，所述标签数据用于预测数据进行比对，通过反向传播对模型中的参数进行更新。
在上述任意一项是实施例中优选的：在S2中在进行归一化处理时，采用下式函数进行线性函数归一化：
其中，x表示为同一温度下所有电器的原始总功率数据，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，x*表示为经过归一化变化以后输入进网络的数据。
在上述任意一项是实施例中优选的，在S3中包括如下步骤：
S301、构建一个卷积残差神经网络，所述卷积残差神经网络的残差单元由全卷积层，批量归一化层，线性整流激活函数层，全连接层构成；
S302、将轻量级梯度提升树替换所述残差单元中的全连接层。利用上述S301中训练好的卷积残差神经网络中的权重，对输入的数据进行分析与提取；
S303、将这部分数据输入进轻量级梯度提升树中，对轻量级梯度提升树进行训练。
在上述任意一项是实施例中优选的，在S3中还包括，轻量级梯度提升树采用直方图算法进行优化，减少内存消耗。
在上述任意一项是实施例中优选的，在S3中还包括，轻量级梯度提升树对于基于梯度的单侧采样优化，保持所有具有大梯度的实例，并对小梯度的实例执行随机采样。
在上述任意一项是实施例中优选的，轻量级梯度提升树在直方图算法之上进行采用叶子生长策略进一步优化；每一次在决策树所有叶子中寻找到***增益最大的一个叶子，然后进行***，一直重复循环。
在上述任意一项是实施例中优选的，在叶子生长策略的基础上增加一个最大深度的限制，防止过拟合。
在上述任意一项是实施例中优选的，在S4中，采用如下公式进行反归一化处理：
其中，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，xpred表示为模型输出端未经过反归一化处理的总功率预测值，表示为经过反归一化所获得的总功率预测值。
一种基于卷积轻量级梯度提升树的负荷总功率预测***，应用于电力***，所述***包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的基于卷积轻量级梯度提升树的负荷总功率预测方法的方法步骤。
本发明提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法，相比于现有技术至少具有以下优点：采用卷积轻量级梯度提升树的方法分为两个阶段分别对卷积残差神经网络和轻量级梯度提升树进行训练，提升负荷预测的精度，采用卷积轻量级梯度提升树，利用直方图优化在计算时不需要使用额外的空间存储预排序结果，同时能够保存特征离散化后的值；减少了内存消耗，基于梯度的单侧采样优化，可以将更多的注意力从更改原始数据集分布转移到训练不足的实例之中，并减少计算成本。
附图说明
构成本申请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。在附图中：
图1为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法的流程图；
图2为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的卷积轻量级梯度提升树网络结构图；
图3为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的残差单元结构图；
图4为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的直方图算法优化结构；
图5为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的内存占用优化图；
图6(a)为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的内存决策树生长策略中的叶子生长策略图；
图6(b)为本发明实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的内存决策树生长策略中的层生长策略图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
如图1-6(b)所示，本发明提供一种基于卷积轻量级梯度提升树的负荷总功率预测方法中，包括以下步骤：
S1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据。
预设规则包括：将所有数据按温度不同进行分类，并将同一天气温度下一段时间的所有电器的总功率数据分成长度相同的时间段T，每一个时间段中前90％的总功率数据构成一个一维空间矩阵作为训练集，每一个时间段的后10％的总功率数据作为标签数据，用于预测数据进行比对，通过反向传播对模型中的参数进行更新；
S2、对训练集的数据进行归一化处理。
采用线性函数归一化方法，这个方法能在一定程度上防止模型梯度***，让不同维度的特征在数值上具有一定比较性。归一化方法是对最初的数据进行线性变化的过程，使得原始数据的值分布在0到1之间。线性函数归一化方法的函数如公式(1)下：
其中，x表示为同一温度下所有电器的原始总功率数据，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，x*表示为经过归一化变化以后输入进网络的数据。需要说明的是，因为网络处理的数据是经过归一化处理的，所以网络输出端所输出的预测数据也是经过归一化的数据，所以最后输出的预测数据，需要对这些预测数据增加一个反归一化处理，得到实际的总功率预测值。反归一化公式如公式(2)所示：
其中xmax和xmin所表示的意义与公式(1)中相同，xpred表示为模型输出端未经过反归一化处理的总功率预测值，表示为经过反归一化所获得的总功率预测值。
S3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练。
根据图2-3所示，该过程包括两个阶段，S301，即在第一阶段构建一个卷积残差神经网络，这个网络中的残差单元由全卷积层，批量归一化层，线性整流激活函数层，全连接层构成。S302，即第二阶段是在第一阶段训练的基础上进行的，将轻量级梯度提升树替换第一阶段中的全连接层。利用第一阶段训练好的卷积残差神经网络中的权重，对输入的数据进行分析与提取(数据流不通过全连接层)，S303，将这部分数据输入进轻量级梯度提升树中，对轻量级梯度提升树进行训练，获得未经过反归一化处理的总功率预测值，最后对这部分数据进行反归一化处理，得到最终的预测总功率值。
第一阶段训练过程。在第一阶段中，主要是为了针对卷积残差神经网络中的参数进行更新，卷积残差神经网络由3×3全卷积层，批量归一化层(Batch Normalization，BN)，线性整流激活函数层(ReLu激活函数,ReLu)，全连接层(Fully Connected,FC)等构成。其中残差单元是整个网络的核心，这个模块的结构如图3所示：
残差单元的核心在于通过运用了跨层连接的思想，通过深层网络中的恒等映射，模型会直接退化为一个浅层网络，利用隐层堆叠的的神经网络去拟合一个潜在的恒等映射函数。假设第l层的残差卷积子单元映射如公式(3)所示。
F(xl,wf)＝xl+H(xl,wl) (公式3)
xl是第l层的输入，wl＝{wl,k|l≤k≤K}是第l层的参数，K是残差单元层数。那么第l+1层的输入可以表示为xl+1＝F(xl,wf) (公式4)
因此得到
xl+1＝xl+H(xl,wl) (公式5)
循环带入式子(6)中便可以很容易获得公式(7)。
xl+2＝xl+1+H(xl+1,wl+1)＝xl+H(xl,wl)+H(xl+1,wl+1) (公式6)
对于任何深度的L来讲，第L层的特征xL可以分成两个部分，浅层网络表示xl和残差函数映射这能够表明在任意残差单元中都以一个残差的形式进行表现。对于任意深度L的特征xL，它是前面所有残差模块的和，这和不加捷径连接的网络有很大的不同。公式(7)有很好的反向传播特性，设损失为ε，根据链式求导法则，可以得到公式(8)。
显示梯度由两部组成，其中一部分/>是不需要经过权重加权的信息流，剩下一部分是需要通过加权层的/>这两部分构成的线性特性确保了数据信息可以直接反向传播到浅层网络中。同时公式(8)能够保证权重即使在非常小的情况下，梯度/>不容易消失变成0。
第二训练阶段：第二阶段在第一阶段训练的基础上进行修改，将第一阶段中卷积残差神经网络的全连接层替换为轻量级梯度提升树，在这一阶段训练时，并不会对卷积核中的参数进行修改，卷积残差神经网络用于对输入的电器总功率数据进行一个初步的特征分析与提取。然后将这部分获得的数据输入进轻量级梯度提升树，对轻量级梯度提升树进行训练，获得最后的电器预测总功率。
在这一阶段中，轻量级梯度提升树的优化点有两部分，第一部分为直方图优化，第二部分是基于梯度的单侧采样。
如图4和图5所示，直方图算法的特点在于将连续的浮点特征值转换成K个整数，同时生成一个宽度为K的直方图。当对数据进行遍历时，根据转换后的值作为索引在直方图中累计统计量，当对数据完成一次遍历以后，直方图根据所累计的离散值寻找最优的分割点。
由于直方图优化在计算时不需要使用额外的空间存储预排序结果，同时能够保存特征离散化后的值，并且该值只需要用8位整型就可以进行存储，这便减少了87.5％的内存消耗。优化结构如图5所示。其次在计算上，预排序算法每访问一个特征值就需要进行一次***增益计算，而直方图算法只需要计算K次，一般情况下K的值远远小于data，这使得时间复杂度从data×features进一步缩减到了K×features。
基于梯度的单侧采样：基于梯度的单侧采样保持所有具有大梯度的实例，并对小梯度的实例执行随机采样。目的是只保留对计算信息增益有帮助的实例而丢弃那些收益很小的实例。但考虑到如果直接将其删除势必会影响数据的分布情况，所以单侧采样会将需要进行***的取值按照绝对值大小从高到低进行排序，并选择最大的a×100％实例来获得实例子集A，接着再在剩余小梯度数据中获得随机抽样(1-a)×100％个实例的剩余集Ac。然后进一步随机采样大小为b×Ac的子集B，最后根据A∪B子集上的估计方差增益来分割实例，其公式如(9)所示。
公式中Al＝{xi∈A:xij≤d},Ar＝{xi∈A:xij>d}，Bl＝{xi∈B:xij≤d},Br＝{xi∈B:xij>d}。通过这种方法，便可以将更多的注意力从更改原始数据集分布转移到训练不足的实例之中，并减少计算成本。
决策树生长策略：如图6(a)和图6(b)轻量级梯度提升树在直方图算法之上对其进行进一步优化。首先轻量级梯度提升树放弃了绝大多数梯度提升迭代决策树使用的按层生长的决策树生长策略，转而使用了带有一定深度限制的按照叶子生长算法。每一次在决策树所有叶子中寻找到***增益最大的一个叶子，然后进行***，一直重复循环。所以与按层生长策略相比，在***次数相同的情况下，叶子生长策略可以减少更多的误差，获得更好的精度。叶子生长策略的不足之处在于可能会长出比较深的决策树，生成过拟合。所以轻量级梯度提升树在叶子生长策略的基础上增加了一个最大深度的限制，在保证高效率的同时防止过拟合。其中白色圈表示增益最大的叶子，能够进行***。通过两阶段的训练模式，可以获得一个鲁棒性更强的模型。
S4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。
当两个阶段都训练结束以后可以获得一个能够对输入一段时间的电器总功率数据进行一个初步的特征分析与提取的卷积残差神经网络，并将经过处理的数据输入进轻量级梯度提升树进行进一步的总功率预测值回归计算，获得未经反归一化的预测值，最后将这部分数据进行反归一化，得到最终值。因为网络处理的数据是经过归一化处理的，所以网络输出端所输出的预测数据也是经过归一化的数据，所以需要对这些预测数据增加一个反归一化处理，得到实际的总功率预测值。反归一化公式如公式(2)所示：
其中xmax和xmin所表示的意义与公式(1)中相同，xpred表示为模型输出端未经过反归一化处理的总功率预测值，表示为经过反归一化所获得的总功率预测值。
一种基于卷积轻量级梯度提升树的负荷总功率预测***，应用于电力***，所述***包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的基于卷积轻量级梯度提升树的负荷总功率预测方法的方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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设备上，使得在计算机或其他可编程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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：包括以下步骤：
S1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；
S2、将训练集的数据进行归一化处理；
S3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；
S4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新；
在S1中，所述预设规则，包括将所有数据按温度不同进行分类，并将同一天气温度下一段时间的所有电器的总功率数据分成长度相同的时间段，每一个时间段中前90％的总功率数据构成一个一维空间矩阵作为训练集，每一个时间段的后10％的总功率数据作为标签数据；
在S3中包括如下步骤：
S301、构建一个卷积残差神经网络，所述卷积残差神经网络的残差单元由全卷积层，批量归一化层，线性整流激活函数层，全连接层构成；
S302、将轻量级梯度提升树替换所述残差单元中的全连接层；利用上述S301中训练好的卷积残差神经网络中的权重，对输入的数据进行分析与提取；
S303、将这部分数据输入进轻量级梯度提升树中，对轻量级梯度提升树进行训练。
2.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S2中在进行归一化处理时，采用下式函数进行线性函数归一化：
其中，x表示为同一温度下所有电器的原始总功率数据，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，x*表示为经过归一化变化以后输入进网络的数据。
3.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S3中还包括，轻量级梯度提升树采用直方图算法进行优化，减少内存消耗。
4.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S3中还包括，轻量级梯度提升树对于基于梯度的单侧采样优化，保持所有具有大梯度的实例，并对小梯度的实例执行随机采样。
5.根据权利要求3所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：轻量级梯度提升树在直方图算法之上进行采用叶子生长策略进一步优化；每一次在决策树所有叶子中寻找到***增益最大的一个叶子，然后进行***，一直重复循环。
6.根据权利要求5所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在叶子生长策略的基础上增加一个最大深度的限制，防止过拟合。
7.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S4中，采用如下公式进行反归一化处理：
其中，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，xpred表示为模型输出端未经过反归一化处理的总功率预测值，表示为经过反归一化所获得的总功率预测值。
8.一种基于卷积轻量级梯度提升树的负荷总功率预测***，应用于电力***，其特征在于，所述***包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的基于卷积轻量级梯度提升树的负荷总功率预测方法的方法步骤。
CN202010464126.XA 2020-05-27 2020-05-27 基于卷积轻量级梯度提升树的负荷总功率预测方法及*** Active CN111639799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010464126.XA CN111639799B (zh) 2020-05-27 2020-05-27 基于卷积轻量级梯度提升树的负荷总功率预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010464126.XA CN111639799B (zh) 2020-05-27 2020-05-27 基于卷积轻量级梯度提升树的负荷总功率预测方法及***

Publications (2)

Publication Number Publication Date
CN111639799A CN111639799A (zh) 2020-09-08
CN111639799B true CN111639799B (zh) 2023-09-26

Family

ID=72329492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010464126.XA Active CN111639799B (zh) 2020-05-27 2020-05-27 基于卷积轻量级梯度提升树的负荷总功率预测方法及***

Country Status (1)

Country Link
CN (1) CN111639799B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377406A (zh) * 2018-09-03 2019-02-22 平安科技（深圳）有限公司 电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质
CN109543901A (zh) * 2018-11-20 2019-03-29 国网辽宁省电力有限公司经济技术研究院 基于信息融合卷积神经网络模型的短期电力负荷预测方法
CN110472779A (zh) * 2019-07-30 2019-11-19 东莞理工学院 一种基于时间卷积网络的电力***短期负荷预测方法
CN110707763A (zh) * 2019-10-17 2020-01-17 南京理工大学 一种基于集成学习的交直流配电网负荷预测方法
CN110929603A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于轻量级卷积神经网络的天气图像识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101899101B1 (ko) * 2016-06-01 2018-09-14 서울대학교 산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377406A (zh) * 2018-09-03 2019-02-22 平安科技（深圳）有限公司 电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质
CN109543901A (zh) * 2018-11-20 2019-03-29 国网辽宁省电力有限公司经济技术研究院 基于信息融合卷积神经网络模型的短期电力负荷预测方法
CN110472779A (zh) * 2019-07-30 2019-11-19 东莞理工学院 一种基于时间卷积网络的电力***短期负荷预测方法
CN110707763A (zh) * 2019-10-17 2020-01-17 南京理工大学 一种基于集成学习的交直流配电网负荷预测方法
CN110929603A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于轻量级卷积神经网络的天气图像识别方法

Also Published As

Publication number Publication date
CN111639799A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN109492748B (zh) 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法
CN110689162B (zh) 一种基于用户侧分类的母线负荷预测方法、装置及***
CN111738477A (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN109657884A (zh) 电网供电优化方法、装置、设备和计算机可读存储介质
CN113268370B (zh) 一种根因告警分析方法、***、设备及存储介质
CN116186548B (zh) 电力负荷预测模型训练方法及电力负荷预测方法
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及***
CN113868954A (zh) 一种空调负荷预测方法及***
CN116384576A (zh) 风速预测方法、装置、***及存储介质
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、***、装置及存储介质
CN115906399A (zh) 一种改进的小样本数据下产品关键工艺质量预测方法
CN113239503B (zh) 基于改进k-means聚类算法的新能源出力场景分析方法及***
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***
CN111639799B (zh) 基于卷积轻量级梯度提升树的负荷总功率预测方法及***
CN116976491A (zh) 一种信息预测方法、装置、设备、存储介质及程序产品
CN117273077A (zh) 一种基于cnn-lstm的中央空调需求响应测试方法及***
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN114091782B (zh) 中长期电力负荷预测方法
CN116303386A (zh) 一种基于关系图谱的缺失数据智能插补方法和***
CN116050579A (zh) 基于深度特征融合网络的建筑能耗预测方法及***
CN116027829A (zh) 机房温度控制方法、装置、设备及存储介质
CN111144652B (zh) 基于游览舒适度算法和趋势预测方法、***和装置
CN113947332A (zh) 一种地下工程综合保障能力的评估方法及***

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