CN111695731B - 基于多源数据和混合神经网络的负荷预测方法、***及设备 - Google Patents
基于多源数据和混合神经网络的负荷预测方法、***及设备 Download PDFInfo
- Publication number
- CN111695731B CN111695731B CN202010519594.2A CN202010519594A CN111695731B CN 111695731 B CN111695731 B CN 111695731B CN 202010519594 A CN202010519594 A CN 202010519594A CN 111695731 B CN111695731 B CN 111695731B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- load
- prediction
- hybrid neural
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 42
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 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
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于多源数据和混合神经网络的负荷预测方法、***以及设备，充分利用与超短期负荷预测相关的多种类型的输入数据，包括历史负荷数据、节假日数据以及天气信息的数值数据和图像数据，并采用混合的神经网络来进行负荷预测模型的训练和预测，相较于传统预测方法和单一的神经网络预测方法，具有较高的预测精度，其预测结果为可电网发电计划以及电网安全校核提供支撑和依据。在采集的数据中，采用箱线图法和插值法对异常数据进行修正，大大提高了数据库的稳定性，降低个别偏差较大、信息不全对预测准确度的产生影响。
Description
技术领域
本发明涉及电网调度控制自动化技术领域，具体涉及一种基于多源数据和混合神经网络的负荷预测方法、***及设备。
背景技术
电力***负荷预测一直是国内外学者关注的热点，对于电力***负荷的准确预测是实现电力***安全、优质和经济运行的基本前提之一。电力***超短期负荷预测是指未来一个小时以内的负荷预测，其预测结果可为电网发电计划以及电网安全校核提供支撑和依据，进一步提升电力***在线分析决策结果的准确性。
电力负荷时序曲线本身具有一定的不确定性、非线性和随机性等特点，加之影响电力***负荷预测的因素众多，难以用确定统一的数学模型来表示。电力***负荷预测是以统计历史数据为依据，用科学的方法预测未来电力负荷的发展趋势和变化。负荷预测的方法主要分为统计方法和人工智能方法，具体包括线性外推方法、时间序列方法、卡尔曼滤波方法、人工神经网络(BP网络)和长短期记忆网络(LSTM)等。负荷预测精度随着预测算法的不断发展也获得了提升，上述算法在不同的预测场景下具有自己的优缺点。传统方法如线性外推、时间序列方法等在负荷变化规律不够明确时，预测精度较差，因此，如何对负荷进行有效预测并提高预测精度，是电力***调度运行和生产计划需解决的重要问题。
发明内容
为解决上述问题，本发明提供的基于多源数据和混合神经网络的负荷预测方法，充分利用与超短期负荷预测相关的多种类型的输入数据，包括历史负荷数据、相关天气数据以及图片数据，并采用混合的神经网络来进行负荷预测模型的训练和预测，可为电网安全校核和节能安全调度等提供有效的支撑，进一步提升电力***在线分析决策结果的准确性。
本发明实施例提供了一种基于多源数据和混合神经网络的负荷预测方法，包括以下步骤：获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；S2将所述预测数据进行训练集和验证集的分割；S3、将所述训练集的数据输入构建的混合神经网络模型，对混合神经网络模型进行训练，多次迭代后，训练结束；S4、将验证集中的预测数据输入训练好的混合神经网络模型中，得到负荷预测的结果。
优选的，在步骤S1中，所述影响因素至少包括下述中的一种：温度；湿度；风力；天气类型；日期类型；在按照数据类型进行分类时包括，所述天气类型为图像数据；所述温度、湿度、风力以及负荷数据均为数值数据，日期类型为类别数据。
在上述任意实施例中优选的，进一步，在步骤S2中，对预测数据进行分割之前，采用箱线图法对异常值进行检测和处理；对于空数据采用插值法进行补充；所述插值法包括下述中至少一种：拉格朗日插值法、分段插值法、样条插值法。
在上述任意实施例中优选的，在步骤S2中，对异常值进行检测和处理之后，对数据进行归一化预处理，所述归一化预处理包括：采用Z-score标准差方法进行标准化，使所有数据聚集在0附近，方差为1；对原始数据进行线性变换，通过归一化处理，将其数据范围缩小到指定范围之间。
在上述任意实施例中优选的，在步骤S3中，构建混合神经网络模型时，包括以下步骤：S301、将数值类型数据和类别类型数据输入BP-ANN神经网络模型；S302、将图像类型数据输入卷积神经网络；S303、将多层BP-ANN神经网络的输出与卷积神经网络的输出进行连接组合，形成新的组合向量，将形成的新的组合向量输入到新的一个BP-ANN神经网络中，最终构建多输入的混合神经网络模型，通过误差反向传播进行预测模型的学习和训练。
在上述任意实施例中优选的，在步骤S302中，首先，卷积神经网络的卷积层对输入的图像类型数据进行滤波，提取图像的关键特征，形成对应的特征图；然后，将卷积结果进行池化，降低卷积层输出的特征向量维数。
在上述任意实施例中优选的，还包括步骤5，将步骤4中得到的负荷预测结果与测试集中实际负荷值进行分析比较，评估混合神经网络模型的性能和预测精度；
进一步，在评估混合神经网络模型的性能和预测精度时，采用平均绝对百分误差和根均方误差，两种误差评价指标对预测模型的性能进行评判，两者的值越小，负荷预测结果越准确。
本发明还提供一种基于多源数据和混合神经网络的负荷预测***，包括数据获取模块，用于获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；并将分类后的预测数据发送至数据处理模块；数据处理模块，用于将所述预测数据进行训练集和验证集的分割；以供混合神经网络模型调取；混合神经网络模型，用于调取训练集的预测数据，进行训练，多次迭代后，训练结束，得到训练好的混合神经网络模型；调取验证集的预测数据，对训练好的混合神经网络模型进行验证，得到负荷预测结果。
本发明还提供一种基于多源数据和混合神经网络的负荷预测设备，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述一种基于多源数据和混合神经网络的负荷预测方法的步骤。
根据本发明提供的基于多源数据和混合神经网络的负荷预测方法、***及设备，相比于现有技术至少具有以下优点：
充分利用了电网中数值、类别和图像等多种类型数据建立了基于BP-ANN神经网络和卷积神经网络的混合神经网络来预测，相较于传统预测方法和单一的神经网络预测方法，具有较高的预测精度，其预测结果为可电网发电计划以及电网安全校核提供支撑和依据，进一步提升电力***在线分析决策结果的准确性；在采集的数据中，采用箱线图法和插值法对异常数据进行修正，大大提高了数据库的稳定性，降低个别偏差较大、信息不全对预测准确度的产生影响。
附图说明
构成本发明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为本发明基于多源数据和混合神经网络的负荷预测方法的流程框图；
图2为本发明实施例中基于多源数据和混合神经网络的负荷预测方法的流程图；
图3为本发明实施例中基于多源数据和混合神经网络的负荷预测方法的BP-ANN神经网络架构图；
图4为本发明实施例中基于多源数据和混合神经网络的负荷预测方法的卷积神经网络架构图；
图5为本发明实施例中基于多源数据和混合神经网络的负荷预测***的结构示意图。
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，本发明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发明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。
基于数据驱动的负荷预测技术关键在于训练的数据和预测算法。其中训练的数据需要包括历史的负荷数据以及影响负荷变化的因素数据信息。影响负荷变化的因素较多，不同地区负荷影响因素也不尽相同，需要通过相关性分析影响该地区负荷变化的重要因素，并将其作为预测模型的重要输入特征。另外，针对负荷数据时序性特点和负荷训练数据的规模，需要选择合适的神经网络模型以及网络深度，可考虑采取不同神经网络的相互结合方式，扬长避短，提高负荷预测精度。
如图1所示，本发明实施例提供一种基于多源数据和混合神经网络的负荷预测方法，包括以下步骤：
S1、获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；在获取影响因素时，通过相关性计算公式分析影响该地区负荷变化的影响因素，选择相关性较大的主要影响因素；
在步骤S1中，影响因素至少包括温度、湿度、风力、天气类型和日期类型信息。在按照数据类型进行分类时包括，所述天气类型为图像数据；所述温度、湿度、风力以及负荷数据均为数值数据，日期类型为类别数据。
影响负荷的因素将作为训练数据参与到负荷预测中来，可以有效提高的负荷预测的精度。负荷易受气象因素和日期类型等因素的影响。气象因素对于负荷预测有着至关重要的影响。其中常见的因素是温度、湿度、风力和天气类型等。日期类型也是负荷预测的重要影响因素之一，非工作日(节假日、周六和周日)的电力负荷(周一至周五)比工作日有显著减少。每个地区的负荷特性也不尽相同，需要通过相关性分析影响该地区负荷变化的重要因素，并将其作为预测模型的重要输入特征。相关性的计算公式如下：
式中：cov()为协方差函数；D()为均方差函数，x，y分别为负荷和相关因素数据。
S2、将所述预测数据进行训练集和验证集的分割；
对预测数据进行分割之前，需要对获取的预测数据是否有异常值进行检查，并对数据进行归一化处理。一般采用箱线图法对异常值进行检测和处理；对于空数据采用插值法进行补充；所述插值法包括下述中至少一种：拉格朗日插值法、分段插值法、样条插值法。
对数据进行归一化预处理时，首先采用Z-score标准差方法进行标准化，使所有数据聚集在0附近，方差为1；然后对原始数据进行线性变换，通过归一化处理，将其数据范围缩小到指定范围之间。
由于用于模型训练的数据类型不尽相同，包括浮点型数据类型(float)、图像数据的无符号整型(uint8)等，加之不同类型的数据的量纲不同，处于不同的数量级，因此数据大小差异过大会干扰最终预测结果。为了便于模型网络的训练，需要对不同类型的数据进行归一化的预处理，将其数据范围缩放到一定范围，处于同一数量级，提高梯度下降求最优解的速度和数据分析的准确度。
1、Z-score标准差标准化方法：
将数据按属性(按列进行)减去其均值，并除以其方差，进而使所有数据聚集在0附近，方差为1。公式如下：
式中：x为原始负荷数据；xscaled是归一化处理后的数据；xmean，xstd分别是样本数据的平均值和方差。
2、线性归一化：
对原始数据进行线性变换，通过归一化处理，将其数据范围缩放到指定的范围之间。公式如下：
式中：xscaled为原始负荷数据；xmin，xmax分别是样本数据的最小值和最大值；min，max是给定放缩范围的最大值和最小值，一般为(0，1)。
如图3-4所示，S3、将训练集的数据输入构建的混合神经网络模型，对混合神经网络模型进行训练，多次迭代后，训练结束；在步骤S3中，构建混合网络时，包括以下步骤：
S301、将数值类型数据和类别类型数据输入人工神经网络模型；具体的，将数值、类别的类型数据输入给BP-ANN模型。人工神经网络BP-ANN是由大量神经元通过全连接的方式连接而成，用于模拟人脑行为的复杂网络***。在BP-ANN模型中，依次是输入层、中间隐含层和输出层，其中中间隐含层可以为多层。每个神经元的输出等于上一层所有神经元输出的加权求和再加上偏置，经过激活函数σ获得，如下式(公式4)所示
A＝XW+B (公式4)
上式公式中，A＝(a1,a2…an)为某一层的神经元输出，X＝(x1,x2…xn)为上一层所有神经元的输出，B＝(b1,b2…bn)为A层的偏置，W为上一层X与后一层A之间的权重，如下所示:
激活函数σ采用relu函数，如下所示：
S302、将图像类型数据输入卷积神经网络；在步骤S302中，首先，卷积神经网络的卷积层对输入的图像类型数据进行滤波，提取图像的关键特征，形成对应的特征图；然后，将卷积结果进行池化，降低卷积层输出的特征向量维数。具体的，CNN结构中存在多个卷积层和池化层，并采用了“局部连接”和“权值共享”的方式，大大减少了网络参数的数量，有效解决了传统全连接神经网络参数多、训练难的问题。CNN网络输出一般采用ReLU激活函数，且在训练过程中会采取抑制过拟合方法如dropout，batch normalization等
CNN的卷积层进行的处理为卷积运算，相当于图像处理中的“滤波运算”，主要用于提取图像的关键特征。卷积运算的输出是单个或者多个滤波器(卷积核)根据设定的步幅S分别来移动其窗口并与卷积层的输入的对应元素相乘并求和,形成对应的特征图。具体的计算公式如下：
式中：
代表卷积计算，F代表卷积层的输入数据，W为卷积核的参数(权重值)，C，FW，FH依次为卷积核的通道数、宽度和高度，P为填充的维度，H，W为输入数据的高度和宽度，OH，OW分别为单个卷积核进行卷积计算形成对应的特征图的高度和宽度。
卷积神经网络中，池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量维数，同时改善输出结果(不易出现过拟合)。池化层主要包括平均池化(meanpooling)和最大池化(max pooling)。平均池化是将计算图像区域的平均值作为该区域池化后的值。最大池化是将选图像区域的最大值作为该区域池化后的值。
S303、将多层BP-ANN神经网络的输出与卷积神经网络的输出进行连接组合，形成新的组合向量，将形成的新的组合向量输入到新的一个BP-ANN神经网络中，最终构建多输入的混合神经网络模型，通过误差反向传播进行预测模型的学习和训练。
S4、将验证集中的预测数据输入训练好的混合神经网络模型中，得到负荷预测的结果。还包括步骤5，将步骤4中得到的负荷预测结果与测试集中实际负荷值进行分析比较，评估混合神经网络模型的性能和预测精度。在评估混合神经网络模型的性能和预测精度时，采用平均绝对百分误差和根均方误差两种误差评价指标对训练模型的性能进行评判。两者的值越小，负荷预测结果越准确。
具体的，为了评估预测模型的精度，本发明采用平均绝对百分误差yMAPE和根均方误差yRMSE两种误差评价指标对预测模型的性能进行评判，两者的值越小，负荷预测结果越准确。计算公式如下所示：
其中：n表示为预测结果的总个数，yact(i)和ypred(i)为第i个采样点的负荷的实际值和预测值。
在具体实施过程中，本发明使用某省某220kV变电站高压侧2019年全年的负荷数据作为样本，每5分钟一个采样点。该发明提供的基于多源数据和混合神经网络的负荷预测方法的流程如附图2所示，具体包括下述步骤：
步骤1：获得负荷预测所需要的数据，在本例中，输入的数值数据主要包括一年的负荷历史数据，类别数据为节假日数据，图像数据为天气类型(阴、晴、小雨等)的图片
步骤2：将数值、类别以及图片类型的数据进行异常数据的检测和补充，通过(公式2)或者(公式3)的方式进行数据的归一化处理，并将归一化后的数据进行训练集和验证集的分割；
步骤3：构建多源数据输入的混合神经网络。根据不同的多源数据输入分别建立两层BP-ANN神经网络和卷积神经网络。将数值、类别型数据输入给具有80和40个神经元的两层隐含层BP-ANN神经网络。将图片类型的输入给具有2个卷积池化层和2个全连接层的卷积神经网络。将BP-ANN神经网络和卷积神经网络的输出进行合并组合并产生一个输出向量，将该输出向量输入给新的具有24和12个神经元的两层隐含层的BP-ANN神经网络。
步骤4：将训练集的数据输入给步骤3构建的混合神经网络进行模型的训练，本方法设置训练次数epoch为10，当模型迭代训练次数满足10的时候，训练结束。
步骤5：将测试集的数据输入给步骤4中训练好的模型进行负荷预测，并将负荷预测的结果跟测试集中实际负荷值通过(公式9)和(公式10)进行分析比较，来评估该训练模型的性能和预测精度。方法结束。
如图5所示，本发明还提供一种基于多源数据和混合神经网络的负荷预测***，包括
数据获取模块1，用于获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；并将分类后的预测数据发送至数据处理模块；
在数据获取模块1中，还包括相关性分析单元和分类单元；
其中，相关性分析单元用于通过相关性计算公式分析影响该地区负荷变化的影响因素，选择相关性较大的主要影响因素；相关性计算公式如上述公式1所示。
分类单元在按照数据类型进行分类时包括，天气类型为图像数据；温度、湿度、风力以及负荷数据均为数值数据，日期类型为类别数据。
数据处理模块2，用于将所述预测数据进行训练集和验证集的分割；以供混合神经网络模型调取；
数据处理模块2中还包括异常数据检查单元和归一化处理单元；其中，异常数据检查单元用于采用箱线图法对异常值进行检测和处理；对于空数据采用插值法进行补充；插值法包括下述中至少一种：拉格朗日插值法、分段插值法、样条插值法。
归一化处理单元，对数据进行归一化预处理时，首先采用Z-score标准差方法进行标准化，使所有数据聚集在0附近，方差为1；然后对原始数据进行线性变换，通过归一化处理，将其数据范围缩小到指定范围之间。具体标准化和归一化的计算过程，参考上述方法实施例中对公式2和公式3中具体计算过程的描述。
混合神经网络模型3，用于调取训练集的预测数据，进行训练，多次迭代后，训练结束，得到训练好的混合神经网络模型；调取验证集的预测数据，对训练好的混合神经网络模型进行验证，得到负荷预测结果。
其中，混合神经网络模型3采用人工神经网络和卷积神经网络组合而成，人工神经网络用于处理数值类型数据和类别类型数据，在进行数据处理时，执行上述预测方法中S301的计算过程；卷积神经网络用于对图像类型数据进行处理，在具体实施时，执行上述预测方法中S302的计算过程；混合神经网络模型3中对人工神经网络和卷积神经网络进行组合时，执行上述预测方法中S303的具体过程。
还包括模型校验模块4，模型校验模块4用于混合神经网络模型得到负荷预测结果后，将得到的负荷预测结果与测试集中实际负荷值进行分析比较，评估混合神经网络模型的性能和预测精度。在评估混合神经网络模型的性能和预测精度时，采用平均绝对百分误差和根均方误差两种误差评价指标对训练模型的性能进行评判。两者的值越小，负荷预测结果越准确。
本发明还提供一种基于多源数据和混合神经网络的负荷预测设备，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述一种基于多源数据和混合神经网络的负荷预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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 (9)
1.一种基于多源数据和混合神经网络的负荷预测方法，其特征在于：包括以下步骤：
S1、获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；
S2、将所述预测数据进行训练集和验证集的分割；
S3、将所述训练集的数据输入构建的混合神经网络模型，构建混合神经网络模型时，包括以下步骤：
S301、将数值类型数据和类别类型数据输入BP-ANN神经网络；
S302、将图像类型数据输入卷积神经网络；
S303、将多层BP-ANN神经网络的输出与卷积神经网络的输出进行连接组合，形成新的组合向量，将形成的新的组合向量输入到新的一个BP-ANN神经网络中，最终构建多输入的混合神经网络模型，通过误差反向传播进行预测模型的学习和训练；
对混合神经网络模型进行训练，多次迭代后，训练结束；
S4、将验证集中的预测数据输入训练好的混合神经网络模型中，得到负荷预测的结果。
2.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S1中，所述影响因素至少包括下述中的一种：温度；湿度；风力；天气类型；日期类型；
在按照数据类型进行分类时包括，所述天气类型为图像数据；所述温度、湿度、风力以及负荷数据均为数值数据，日期类型为类别数据。
3.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S2中，对预测数据进行分割之前，采用箱线图法对异常值进行检测和处理；对于空数据采用插值法进行补充；所述插值法包括下述中至少一种：拉格朗日插值法、分段插值法、样条插值法。
4.根据权利要求3所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S2中，对异常值进行检测和处理之后，对数据进行归一化预处理，所述归一化预处理包括：
采用Z-score标准差方法进行标准化，使所有数据聚集在0附近，方差为1；
对原始数据进行线性变换，通过归一化处理，将其数据范围缩小到指定范围之间。
5.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S302中，
首先，卷积神经网络的卷积层对输入的图像类型数据进行滤波，提取图像的关键特征，形成对应的特征图；
然后，将卷积结果进行池化，降低卷积层输出的特征向量的维数。
6.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：还包括步骤5，将步骤4中得到的负荷预测结果与测试集中实际负荷值进行分析比较，评估混合神经网络模型的性能和预测精度。
7.根据权利要求6所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在评估混合神经网络模型的性能和预测精度时，采用平均绝对百分误差和根均方误差两种误差评价指标对训练模型的性能进行评判。
8.一种基于多源数据和混合神经网络的负荷预测***，其特征在于，包括，
数据获取模块，用于获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；并将分类后的预测数据发送至数据处理模块；
数据处理模块，用于将所述预测数据进行训练集和验证集的分割；以供混合神经网络模型调取；
混合神经网络模型，用于调取训练集的预测数据，进行训练，多次迭代后，训练结束，得到训练好的混合神经网络模型；调取验证集的预测数据，对训练好的混合神经网络模型进行验证，得到负荷预测结果；
所述混合神经网络模型，由以下步骤构建：
S301、将数值类型数据和类别类型数据输入BP-ANN神经网络；
S302、将图像类型数据输入卷积神经网络；
S303、将多层BP-ANN神经网络的输出与卷积神经网络的输出进行连接组合，形成新的组合向量，将形成的新的组合向量输入到新的一个BP-ANN神经网络中，最终构建多输入的混合神经网络模型，通过误差反向传播进行预测模型的学习和训练。
9.一种基于多源数据和混合神经网络的负荷预测设备，其特征在于，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7中任一项所述一种基于多源数据和混合神经网络的负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010519594.2A CN111695731B (zh) | 2020-06-09 | 2020-06-09 | 基于多源数据和混合神经网络的负荷预测方法、***及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010519594.2A CN111695731B (zh) | 2020-06-09 | 2020-06-09 | 基于多源数据和混合神经网络的负荷预测方法、***及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695731A CN111695731A (zh) | 2020-09-22 |
| CN111695731B true CN111695731B (zh) | 2023-05-02 |
Family
ID=72480004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010519594.2A Active CN111695731B (zh) | 2020-06-09 | 2020-06-09 | 基于多源数据和混合神经网络的负荷预测方法、***及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695731B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112269367B (zh) * | 2020-10-13 | 2022-04-08 | 西安建筑科技大学 | 基于eemd-组合神经网络空气处理***的故障检测方法及*** |
| CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
| CN112508734B (zh) * | 2020-11-27 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
| CN112508261B (zh) * | 2020-12-03 | 2021-09-03 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
| CN112598170B (zh) * | 2020-12-18 | 2022-10-28 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及*** |
| CN113516317A (zh) * | 2021-07-30 | 2021-10-19 | 广东电网有限责任公司 | 一种基于神经网络的能源规划预测方法及装置 |
| CN113743650B (zh) * | 2021-08-04 | 2022-12-06 | 南方电网科学研究院有限责任公司 | 电力负荷预测方法、装置、设备与存储介质 |
| CN113723593B (zh) * | 2021-08-26 | 2024-01-09 | 国网山东省电力公司济南供电公司 | 一种基于神经网络的切负荷预测方法及*** |
| CN116663926A (zh) * | 2023-05-31 | 2023-08-29 | 国网北京市电力公司 | 一种基线负荷估计结果修正方法、***、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108647812A (zh) * | 2018-04-28 | 2018-10-12 | 东华大学 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
| CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
| CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
| CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341569B (zh) * | 2017-06-26 | 2020-04-24 | 清华大学 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
-
2020
- 2020-06-09 CN CN202010519594.2A patent/CN111695731B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108647812A (zh) * | 2018-04-28 | 2018-10-12 | 东华大学 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
| CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
| CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
| CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695731A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、***及设备 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及*** | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
| CN112489497B (zh) | 基于深度卷积神经网络的空域运行复杂度评估方法 | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN112465199A (zh) | 空域态势评估*** | |
| CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| Chou et al. | Imaging time-series with features to enable visual recognition of regional energy consumption by bio-inspired optimization of deep learning | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及*** | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
| CN114662791A (zh) | 一种基于时空注意力的长时序pm2.5预测方法及*** | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN116826745B (zh) | 一种电力***背景下的分层分区短期负荷预测方法及*** | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 |
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 |