CN113191559A - 一种基于自回归选择的改进神经网短期居民负荷预测方法 - Google Patents

Abstract

本发明公开一种基于自回归选择的改进神经网短期居民负荷预测方法，包括如下步骤：S1、统计居民区历史电力负荷及相关数据；S2、按照季节划分历史数据；S3、选择数据，训练预测模型；S4、模型的自回归方式选择；S5、预测最近数据并更新预测模型；S6、判断序列长度是否达标。本发明按照季节出力负荷预测，且不同季节的负荷预测公用一套模型，同时基于改进的自回归选择神经网络，有效提高了负荷的精确性。填补了居民区负荷预测的空白，能够计及外界条件影响和人为因素影响，实现精确的负荷预测。

Description

一种基于自回归选择的改进神经网短期居民负荷预测方法

技术领域

本发明属于负载预测领域，具体涉及一种基于自回归选择的改进神经网短期居民负荷预测方法。

背景技术

近年来随着电子产品的普及与工作模式的变化，不同社区和居民家庭之间的用电负荷差异越来越大，差异性的居民负荷对电网提出了新的需求。与此同时，随着分布式光伏与新能源电动汽车的进一步发展，使得居民区的负荷模式更加错综复杂。因此，精确预测居民区负荷则成为不可或缺的一环。

在现阶段的电力***研究中，负荷预测是极为重要的课题。但关于居民区负荷研究却很少，究其原因主要有两个方面：其一，居民区用电负荷隐私性较高，尤其是在多户型住宅，因此居民区的负荷数据难以搜集；其二，由于家庭负荷数据的不稳定性，预测单个家庭的电力负荷通常被认为具有挑战性。因此提出一种能够高效精确预测居民区短期负荷的方法是符合实际需要的。

针对上述提出的问题，现设计一种基于自回归选择的改进神经网短期居民负荷预测方法。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于自回归选择的改进神经网短期居民负荷预测方法，填补了居民区负荷预测的空白，能够计及外界条件影响和人为因素影响，实现精确的负荷预测。

本发明的目的可以通过以下技术方案实现：

一种基于自回归选择的改进神经网短期居民负荷预测方法，包括如下步骤：

S1、统计居民区历史电力负荷及相关数据；

S2、按照季节划分历史数据；

S3、选择数据，训练预测模型；

S4、模型的自回归方式选择；

S5、预测最近数据并更新预测模型；

S6、判断序列长度是否达标。

进一步的，所述S1具体包括如下步骤：

S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率，每个住户的历史小时负荷数据；

S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。

进一步的，所述S2具体包括如下步骤：

S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据；

S2.2、对预处理完毕的数据进行分类——按照季度分为春夏秋冬四组数据。

进一步的，所述S3具体包括如下步骤：

S3.1、对于不同季节的数据用于初始化模型训练——对于其中一个季节，选择前四周或者其他连续四周的数据；

S3.2、对于选取的数据，选取出相应的历史特征——选择的特征数据有，历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。

S3.3、将选定后的数据用于ConvLSTM模型训练——ConvLSTM的计算公式如下：

f_t＝σ(W_fx*x_t+W_fh*h_t-1+b_f) (1)

i_t＝σ(W_ix*I_t+W_ih*h_t-1+b_i) (2)

o_t＝σ(W_ox*I_t+W_oh*h_t-1+b_o) (4)

h_t＝tanh(C_t)·o_t (6)；

S3.4、后续存在单步预测方法和最优滞后步长预测方法，需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值，最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。

进一步的，所述S3.3的公式(1)-(6)中，“·”表示哈达玛积，“*”表示卷积，C_t-1表示t-1时的ConvLSTM模块的输出，h_t-1表示t-1时的ConvLSTM模块的状态，h_t表示细胞在t时刻的输出，C_t表示细胞在t时刻的状态，W_fx、W_fh、W_ix、W_ih、W_cx、W_ch、W_ox和W_oh是每个中间向量成对出现的可训练权值，b_f、b_i、b_c和b_o是可训练偏差。

进一步的，所述S4具体包括如下步骤：

S4.1、设定自回归阈值θ，该参数用于后续判定预测；

S4.2、预测下一个小时的负荷情况，需要输入过去一周的历史数据，并提取特征变量，进一步计算历史负荷序列的ACF序列，具体的计算公式如下：

公式(7)中，X,Y表示随机变量，Cov(X,Y)表示X,Y的协方差，DX表示X的方差，DY表示Y的方差；

对于一个固定的序列，计算公式如下：

公式(8)中，X_i表示序列的第i项，X_i+k表示序列的第i+k项,

表示序列的平均值；

根据公式(7)和(8)，计算最大滞后24小时时的ACF序列；

S4.3、选择ACF值最大时的滞后时长为最优滞后时长，并比较此时的ACF值与θ的大小——若ACF值大于θ，则选择最优滞后步长预测方法，否则为避免过拟合蚕蛹单步回归预测方法；

最优滞后步长的预测方法输入为1*6特征变量，具体如下所示：

E_t＝[T_t,H_t,t,Ws_t,wd&we_t] (9)

I_t＝[y_t-p,E_t] (10)

y_t＝ConvLSTM(I_t) (11)；

单步回归预测方法的输入为上一时刻负荷特征数据，具体如下：

I_t＝[y_t-1] (12)

y_t＝ConvLSTM(I_t) (13)。

进一步的，所述S4.3公式(9)-(11)中，E_t为外源特征向量，y_t-p为t-p时刻的负荷，I_t为ConvLSTM神经网络的输入数据，y_t为预测的负荷结果。

E_t中各个变量含义如下：T_t表示t时刻的温度，H_t表示t时刻的湿度，t表示时间，Ws_t表示t时刻的风速，wd&we_t表示当天为工作日或者休息日。

进一步的，所述S5具体包括如下步骤：

S5.1、基于S4中的确定的预测方法和数据得出最新一小时的预测数据；

S5.2、利用预测得到的数据更新模型训练数据，并重新训练模型。

进一步的，所述S6具体包括如下步骤：

判断S5结束后生成的序列长度是否满足需求长度——若预测序列的长度已达到要求则结束上述过程，若预测序列长度不满足要求，则在加入新的预测数据后，重复S4和S5中的工作。

本发明的有益效果：

1、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法，按照季节出力负荷预测，且不同季节的负荷预测公用一套模型，同时基于改进的自回归选择神经网络，有效提高了负荷的精确性；

2、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法，在针对居民负荷预测时考虑历史负荷数据、历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据等影响，计及多维因素的贡献，既能最大程度降低了人类行为对居民负荷的影响，又能有效提高预测精度；

3、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法，在进行负荷预测时，从计算序列的自相关系数来决定预测方式，这样既能保证预测结果与原序列的最大相关性又可避免过拟合现象；

4、本发明提出的基于自回归选择的改进神经网短期居民负荷预测方法，在负荷预测时采用滚动模型的方法。该方法将单步预测的结果与原有序列形成新的序列，并以此进一步训练预测模型，以新的序列与模型预测出下一时段的负荷结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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的附图。

图1是本发明实施例的整体预测方法流程图；

图2是本发明实施例的具体实施流程图。

具体实施方式

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1、图2所示，一种基于自回归选择的改进神经网短期居民负荷预测方法，包括如下步骤：

S1、统计居民区历史电力负荷及相关数据；

S2、按照季节划分历史数据；

S3、选择数据，训练预测模型；

S4、模型的自回归方式选择；

S5、预测最近数据并更新预测模型；

S6、判断序列长度是否达标。

下面对上述步骤做进一步解释。

S1、统计居民区历史电力负荷及相关数据，具体包括如下步骤：

S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率，每个住户的历史小时负荷数据；

S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。

S2、按照季节划分历史数据，具体包括如下步骤：

S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据；

S2.2、对预处理完毕的数据进行分类——按照1-3月、4-6月、7-9月和10-12月根据季度分为春夏秋冬四组数据。

S3、选择数据，训练预测模型，具体包括如下步骤：

S3.1、对于不同季节的数据用于初始化模型训练——对于某一个季节，选择前四周或者其他连续四周的数据；

S3.2、对于选取的数据，选取出相应的历史特征——选择的特征数据有，历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。

S3.3、将选定后的数据用于ConvLSTM(ConvLSTM是LSTM——长短期记忆人工神经网络的变体，改变主要是W的权值计算变成了卷积运算，这样可以提取出图像的特征)模型训练——ConvLSTM的计算公式如下：

f_t＝σ(W_fx*x_t+W_fh*h_t-1+b_f) (1)

i_t＝σ(W_ix*I_t+W_ih*h_t-1+b_i) (2)

o_t＝σ(W_ox*I_t+W_oh*h_t-1+b_o) (4)

h_t＝tanh(C_t)·o_t (6)

公式(1)-(6)中，“·”表示哈达玛积，“*”表示卷积，C_t-1表示t-1时的ConvLSTM模块的输出，h_t-1表示t-1时的ConvLSTM模块的状态，h_t表示细胞在t时刻的输出，C_t表示细胞在t时刻的状态，W_fx、W_fh、W_ix、W_ih、W_cx、W_ch、W_ox和W_oh是每个中间向量成对出现的可训练权值，b_f、b_i、b_c和b_o是可训练偏差；

S3.4、后续存在单步预测方法和最优滞后步长预测方法，因此在该步骤中需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值，最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。

S4、模型的自回归方式选择，具体包括如下步骤：

S4.1、设定自回归阈值θ，该参数用于后续判定预测；

S4.2、预测下一个小时的负荷情况，需要输入过去一周的历史数据，并提取特征变量，进一步计算历史负荷序列的ACF序列，具体的计算公式如下：

公式(7)中，X,Y表示随机变量，Cov(X,Y)表示X,Y的协方差，DX表示X的方差，DY表示Y的方差。

对于一个固定的序列，计算公式如下：

公式(8)中，X_i表示序列的第i项，X_i+k表示序列的第i+k项,

表示序列的平均值。

根据公式(7)和(8)，计算最大滞后24小时时的ACF序列；

S4.3、选择ACF值最大时的滞后时长为最优滞后时长，并比较此时的ACF值与θ的大小——若ACF值大于θ，则选择最优滞后步长预测方法，否则为避免过拟合蚕蛹单步回归预测方法；

最优滞后步长的预测方法输入为1*6特征变量，具体如下所示：

E_t＝[T_t,H_t,t,Ws_t,wd&we_t] (9)

I_t＝[y_t-p,E_t] (10)

y_t＝ConvLSTM(I_t) (11)

公式(9)-(11)中，E_t为外源特征向量，y_t-p为t-p时刻的负荷，I_t为ConvLSTM神经网络的输入数据，y_t为预测的负荷结果；

E_t中各个变量含义如下：T_t表示t时刻的温度，H_t表示t时刻的湿度，t表示时间，Ws_t表示t时刻的风速，wd&we_t表示当天为工作日或者休息日；

单步回归预测方法的输入为上一时刻负荷特征数据，具体如下：

I_t＝[y_t-1] (12)

y_t＝ConvLSTM(I_t) (13)。

S5、预测最近数据并更新预测模型，具体包括如下步骤：

S5.1、基于S4中的确定的预测方法和数据得出最新一小时的预测数据；

S5.2、利用预测得到的数据更新模型训练数据，并重新训练模型。

S6、判断序列长度是否达标，具体包括如下步骤：

S6.1、首先判断S5结束后生成的序列长度是否满足需求长度——若预测序列的长度已达到要求则结束上述过程，若预测序列长度不满足要求，则在加入新的预测数据后，重复S4和S5中的工作。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (9)

1.一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，包括如下步骤：

S1、统计居民区历史电力负荷及相关数据；

S2、按照季节划分历史数据；

S3、选择数据，训练预测模型；

S4、模型的自回归方式选择；

S5、预测最近数据并更新预测模型；

S6、判断序列长度是否达标。

2.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S1具体包括如下步骤：

S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率，每个住户的历史小时负荷数据；

S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。

3.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S2具体包括如下步骤：

S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据；

S2.2、对预处理完毕的数据进行分类——按照季度分为春夏秋冬四组数据。

4.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S3具体包括如下步骤：

S3.1、对于不同季节的数据用于初始化模型训练——对于其中一个季节，选择前四周或者其他连续四周的数据；

S3.2、对于选取的数据，选取出相应的历史特征——选择的特征数据有，历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。

S3.3、将选定后的数据用于ConvLSTM模型训练——ConvLSTM的计算公式如下：

f_t＝σ(W_fx*x_t+W_fh*h_t-1+b_f) (1)

i_t＝σ(W_ix*I_t+W_ih*h_t-1+b_i) (2)

o_t＝σ(W_ox*I_t+W_oh*h_t-1+b_o) (4)

h_t＝tanh(C_t)·o_t (6)；

S3.4、后续存在单步预测方法和最优滞后步长预测方法，需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值，最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。

5.根据权利要求4所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S3.3的公式(1)—(6)中，“·”表示哈达玛积，“*”表示卷积，C_t-1表示t-1时的ConvLSTM模块的输出，h_t-1表示t-1时的ConvLSTM模块的状态，h_t表示细胞在t时刻的输出，C_t表示细胞在t时刻的状态，W_fx、W_fh、W_ix、W_ih、W_cx、W_ch、W_ox和W_oh是每个中间向量成对出现的可训练权值，b_f、b_i、b_c和b_o是可训练偏差。

6.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S4具体包括如下步骤：

S4.1、设定自回归阈值θ，该参数用于后续判定预测；

S4.2、预测下一个小时的负荷情况，需要输入过去一周的历史数据，并提取特征变量，进一步计算历史负荷序列的ACF序列，具体的计算公式如下：

公式(7)中，X,Y表示随机变量，Cov(X,Y)表示X,Y的协方差，DX表示X的方差，DY表示Y的方差；

对于一个固定的序列，计算公式如下：

公式(8)中，X_i表示序列的第i项，X_i+k表示序列的第i+k项,X表示序列的平均值；

根据公式(7)和(8)，计算最大滞后24小时时的ACF序列；

S4.3、选择ACF值最大时的滞后时长为最优滞后时长，并比较此时的ACF值与θ的大小——若ACF值大于θ，则选择最优滞后步长预测方法，否则为避免过拟合蚕蛹单步回归预测方法；

最优滞后步长的预测方法输入为1*6特征变量，具体如下所示：

E_t＝[T_t,H_t,t,Ws_t,wd&we_t] (9)

I_t＝[y_t-p,E_t] (10)

y_t＝ConvLSTM(I_t) (11)；

单步回归预测方法的输入为上一时刻负荷特征数据，具体如下：

I_t＝[y_t-1] (12)

y_t＝ConvLSTM(I_t) (13)。

7.根据权利要求6所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S4.3公式(9)—(11)中，E_t为外源特征向量，y_t-p为t-p时刻的负荷，I_t为ConvLSTM神经网络的输入数据，y_t为预测的负荷结果；

E_t中各个变量含义如下：T_t表示t时刻的温度，H_t表示t时刻的湿度，t表示时间，Ws_t表示t时刻的风速，wd&we_t表示当天为工作日或者休息日。

8.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S5具体包括如下步骤：

S5.1、基于S4中的确定的预测方法和数据得出最新一小时的预测数据；

S5.2、利用预测得到的数据更新模型训练数据，并重新训练模型。

9.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S6具体包括如下步骤：

判断S5结束后生成的序列长度是否满足需求长度——若预测序列的长度已达到要求则结束上述过程，若预测序列长度不满足要求，则在加入新的预测数据后，重复S4和S5中的工作。

Images