CN113837486B - 一种基于rnn-rbm的配网馈线长期负荷预测方法 - Google Patents
一种基于rnn-rbm的配网馈线长期负荷预测方法 Download PDFInfo
- Publication number
- CN113837486B CN113837486B CN202111180037.3A CN202111180037A CN113837486B CN 113837486 B CN113837486 B CN 113837486B CN 202111180037 A CN202111180037 A CN 202111180037A CN 113837486 B CN113837486 B CN 113837486B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- rbm
- rnn
- load
- network feeder
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 230000007774 longterm Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 25
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 10
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 42
- 230000008859 change Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- -1 economy Chemical compound 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
申请涉及电力***技术领域，尤其涉及一种基于RNN‑RBM的配网馈线长期负荷预测方法；所述预测方法包括：获取配网馈线历史负荷数据，并对其进行数据预处理；提取所述配网馈线历史负荷数据中用于配网馈线长期负荷预测的特征，所述特征包括自上而下特征和自下而上特征；将所述配网馈线历史负荷数据和所述特征输入至循环神经网络RNN‑受限玻尔兹曼机RBM中，对所述RNN‑RBM中的模型进行训练，得到负荷预测网络混合模型；将所述配网馈线历史负荷数据输入至所述负荷预测网络混合模型，得到对配网馈线长期负荷的预测值；根据评价指标，对所述预测值进行评估，完成配网馈线长期负荷预测；以解决现有配网馈线长期负荷预测准确率低，特征考虑不全面的问题。
Description
技术领域
本申请涉及电力***技术领域，尤其涉及一种基于RNN-RBM的配网馈线长期负荷预测方法。
背景技术
由于中长期负荷预测受多种因素的交互影响，例如政治、经济、气候等，而且时间跨度长，中长期负荷预测精度始终不理想。若高估长期电力需求，将使多余的电力设施建设投资遭到浪费，不利于社会经济绿色低碳发展；若低估长期电力需求，将导致生产不足和不能满足电力需求，限制国民经济发展。因此，电网规划部门应该充分认识中长期负荷预测的重要性及其指导意义，做到既不高估也不低估，实现电网的合理绿色发展，支撑社会经济发展。
目前，主要用于预测长期负荷的方法有自上而下预测模式和自下而上预测模式。其中，自上而下预测模式侧重于预测整体层面的用电量。例如，采用单变量回归模型ARIMA(Autoregressive Integrated Moving Average，差分整合移动平均自回归)模型直接分析负荷变化趋势，但存在忽略经济、人口和天气等外部因素(即，特征)驱动力的不足。为解决这一不足，有学者引入多元回归模型，如模糊神经网络(Fuzzy Neural Networks，FNN)，BP神经网络和随机森林模型等，在分析这些特征与负荷变化之间的关系时，通过引入多元回归模型能较好反映预测区域负荷整体水平的场景，但应用在具体配电馈线预测时存在明显不足。主要表现为：在整体负荷分配给各个馈线的过程中，无法明确确定各个馈线之间的关系。同时，由于配电线路峰值需求受大负荷的影响大，导致各个馈线负荷与整体负荷有较大偏差，具体配电馈线负荷预测准确率低。
而自下而上预测模式是通过收集底层馈线负载信息来进行预测。直接通过统计用户负荷以获得负载信息，通过负荷的预期值来估计每年馈线的负荷变化。但在实际工作中大客户负载变化对馈线负荷变化的影响非常大。由于大客户信息不可靠和大客户计划在负荷预测期间发生变化，也会影响负荷预测，使预测结果不准确。针对大客户负载变化影响馈线负荷预测，相关文献提出了一种基于子负荷预测的方法，先将子负荷分别预测，然后再聚合到更高的级别进行集群预测，但此类方法未考虑到外部因素(即，特征)对负荷变化的影响。
发明内容
本申请提供了一种基于RNN-RBM的配网馈线长期负荷预测方法，以解决现有配网馈线长期负荷预测准确率低，特征考虑不全面的问题。
本申请的实施例是这样实现的：
本申请实施例提供一种基于RNN-RBM的配网馈线长期负荷预测方法，包括：
获取配网馈线历史负荷数据，并对其进行数据预处理；
提取所述配网馈线历史负荷数据中用于配网馈线负荷预测的特征，所述特征包括自上而下特征和自下而上特征；
将所述配网馈线历史负荷数据和特征输入至循环神经网络RNN-受限玻尔兹曼机RBM中，对所述RNN-RBM中的模型进行训练，得到负荷预测网络混合模型；
将所述配网馈线历史负荷数据输入至所述负荷预测网络混合模型，得到对配网馈线长期负荷的预测值；
根据评价指标，对所述预测值进行评估，完成配网馈线长期负荷预测。
在一些实施例中，所述数据预处理包括对获取缺失的配网馈线历史负荷数据进行补充处理、对有误或超过许可范围的配网馈线历史负荷数据进行修正处理，并将处理后的配网馈线历史负荷数据作为负荷预测网络混合模型输入。
在一些实施例中，所述自上而下特征包括经济特征、人口特征和温度特征；所述自下而上特征包括大客户净负荷变化特征和馈线负载组成特征。
在一些实施例中，对所述RNN-RBM中的模型进行训练，包括：
所述RNN-RBM包括t个RNN网络和RBM网络，其中，RBM的可见层和RNN的可见层相同；对于第t个RNN网络，可见层和隐藏层分别有v(T)和神经元，其中隐藏层单元计算式为：
其中，σ为sigmoid函数，W为可见层神经元和隐藏层神经元之间的连接权重；
对于第t个RBM网络，可见层和隐藏层分别有v(T)和h(T)神经元，可见层和隐藏层神经元的偏置向量计算式分别为：和/>
RBM的隐藏层神经元的激活概率为：P(hi＝1|v)＝σ(bh+Wv)i；
RBM的可见层神经元的激活概率为：P(vj＝1|h)＝σ(bv+WTh)j；
RNN-RBM的联合概率为:
其中，A(t)为所有t时刻之前的{v,h}集合；
利用交叉熵误差对所述配网馈线历史负荷数据进行计算预测误差，进行参数优化，直至误差达到最小。
在一些实施例中，所述交叉熵误差表达公式为：
其中，X为输入训练集的分布，为拟合模型重构训练集的分布。
在一些实施例中，所述评价指标为平均绝对百分比误差MAPE，所述MAPE表达式为：
其中，n为预测总次数；xact(i)和xpred(i)分别为i时刻的负荷真实值和预测值。
本申请提供的技术方案包括以下有益技术效果：通过提取用于配网馈线负荷预测的自上而下特征和自下而上特征，以实现全面考虑影响配网馈线长期负荷预测准确率的特征因素；进一步，通过RNN网络处理具有时序特点的配网馈线负荷数据，以识别配网馈线历史负荷数据的变化规律；进一步，通过RBM网络深度挖掘配网馈线历史数据中自上而下特征和自下而上特征，以无监督训练的方式分析特征与配网馈线负荷变化的内在联系，以提高配网馈线负荷预测的准确率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例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而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种基于RNN-RBM的配网馈线长期负荷预测方法的流程示意图；
图2示出了本申请实施例提供的负荷预测网络混合模型的结构示意图；
图3示出了本申请实施例提供的负荷预测网络混合模型与其它负荷预测模型进行对比的折线示意图。
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、完整的描述，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。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
图1示出了本申请实施例提供的一种基于RNN-RBM的配网馈线长期负荷预测方法的流程示意图。结合图1可知，该配网馈线长期负荷预测方法包括：
在步骤101中，获取配网馈线历史负荷数据，并对其进行数据预处理。
在一些实施例中，所述数据预处理包括对获取缺失的配网馈线历史负荷数据进行补充处理、对有误或超过许可范围的配网馈线历史负荷数据进行修正处理，并将处理后的配网馈线历史负荷数据作为负荷预测网络混合模型输入。
在步骤102中，提取所述配网馈线历史负荷数据中用于配网馈线负荷预测的特征，所述特征包括自上而下特征和自下而上特征。
在一些实施例中，提取特征是用于分析影响配网馈线长期负荷预测的外部因素(即，特征)，其中，自上而下特征描述预测区域的总体驱动因素；自下向上特性描述了详细、具体的馈线层信息。
在一些实施例中，所述自上而下特征包括经济特征、人口特征和温度特征；所述自下而上特征包括大客户净负荷变化特征和馈线负载组成特征。
在一些实施例中，经济特征和人口特征通常从政府机构获得；温度特征从气象统计数据获得。其中，因长期电力需求与当地经济密切相关，所以在本实施例中，提取的经济特征具体为年实际地区生产总值GDP增长率(％)、总就业增长率(％)、人均可支配收入。
在一些实施例中，因人口规模显著影响住宅负荷增长，即使经济放缓，稳定的人口规模仍然可以支撑稳定的住宅负荷水平；此外，人口增长可能导致住宅开发，进而促进电力。而且作为人口的一部分，劳动力反过来影响经济活动，并与总就业增长有关。所以在本实施例中，提取的人口特征具体为人口增长率(％)。
在一些实施例中，通常选择夏季最高温度、或冬天最低温度，因为夏季用电高峰和冬季用电高峰与制冷用电和制热用电的极端温度相一致。又因为制冷几乎全是依赖于电力能源，而制热可能依赖于其他能源，比如天然气。所以在本实施例中提取的温度特征具体为夏季最高温度。
在一些实施例中，大客户净负荷变化特征是指馈线上所有大客户的预计净负荷变化。其中，大客户可能是工厂、购物中心、办公楼和新住宅区。而总净负荷变化是馈线上来自大客户负荷变化的总和。所以在本实施例提取的大客户净负荷变化特征具体为大客户负荷变化。
在一些实施例中，馈线负载组成特征是指配电馈线上有不同类型的负载，一般包括住宅负载、商业负载和工业负载，它们以不同的方式响应自上而下的特性。例如，住宅馈线与温度和人口的关系更大，而工业负荷与经济的关系更大，馈线负载组成特征可以反映这种差异。所以在本实施提取的馈线负载组成特征具体为住宅负荷占比和商业负荷占比。本实施例提取的特征如表1所示。
表1用于配网馈线长期负荷预测的特征
在步骤103中，将所述配网馈线历史负荷数据和特征输入至循环神经网络RNN-受限玻尔兹曼机RBM中，对所述RNN-RBM中的模型进行训练，得到负荷预测网络混合模型。
在一些实施例中，RNN作为一类特殊的人工神经网络，主要用于时间序列处理领域，通过利用RNN网络中的循环结构来挖掘样本的时序信息。
在一些实施例中，对所述RNN-RBM中的模型进行训练，包括：
所述RNN-RBM包括t个RNN网络和t个RBM网络，其中，RBM的可见层和RNN的可见层相同；
对于第t个RNN网络，可见层和隐藏层分别有v(T)和神经元，其中隐藏层单元计算式为：
其中，σ为sigmoid函数，W为可见层神经元和隐藏层神经元之间的连接权重；
对于第t个RBM网络，可见层和隐藏层分别有v(T)和h(T)神经元，可见层和隐藏层神经元的偏置向量计算式分别为：
和/>
RBM的隐藏层神经元的激活概率为：P(hi＝1|v)＝σ(bh+Wv)i；
RBM的可见层神经元的激活概率为：P(vj＝1|h)＝σ(bv+WTh)j；
RNN-RBM的联合概率为：
其中，A(t)为所有t时刻之前的{v,h}集合；
利用交叉熵误差对所述配网馈线历史负荷数据进行计算预测误差，进行参数优化，直至误差达到最小。
图2示出了本申请实施例提供的负荷预测网络混合模型的结构示意图。
在一些实施例中，所述负荷预测网络混合模型为RNN-RBM模型，RNN-RBM模型可以看成是一序列的RBM组成，其中RBM的参数依赖于RNN判别模型的输出，RNN-RBM将RBM的隐藏层h(t)和RNN的隐藏层分离出来，两值不再相同。将RBM的隐藏层用RNN的隐藏层代替之后，可以保存更长久的记忆存储，这样的模型就是RNN-RBM如图2所示。
在一些实施例中，RNN-RBM模型通过集成自上而下和自下而上不同层次的特征信息，以全面描述馈线峰值需求、整体区域经济驱动和单个馈线负载组成之间的关系。针对配电网馈线长期负荷中多特征变量时间序列的动态性和自相关性描述，可以使用RNN条件下的RBM作为强大的数据处理器来描述数据集中包含的局部和长期相关性。
在一些实施例中，竖直方向的框内是一个RBM网络，水平方向的框内则是沿时序展开的RNN网络。其中，针对RNN-RBM模型中RBM部分：RBM的偏置向量是由前一时刻的隐藏层所影响，只是该隐藏层是RNN网络的隐藏层，可见层和隐藏层神经元的偏置向量计算式分别为：
RBM的隐藏层神经元的激活概率为：P(hi＝1|v)＝σ(bh+Wv)i；
RBM的可见层神经元的激活概率为：P(vj＝1|h)＝σ(bv+WTh)j；
针对RNN-RBM模型中RNN部分：RNN部分就是一个单层的沿时序展开的RNN网络，隐藏层单元计算式如下式：
其中，σ为sigmoid函数，W为可见层神经元和隐藏层神经元之间的连接权重；
RNN-RBM的联合概率为：
其中，A(t)为所有t时刻之前的{v,h}集合。
在一些实施例中，合适的损失函数可以使以损失函数为目标函数的问题容易优化，并能够充分利用神经网络的表达能力而又不易过拟合。在对所述RNN-RBM中的模型进行训练过程中，采用交叉熵误差的损失函数以使预测模型优化，通过计算输入配网馈线历史负荷数据与RNN-RBM模型重构数据之间的概率分布差异，以量化模型在训练过程中的准确性。
在一些实施例中，所述交叉熵误差表达公式为：
其中，X为输入训练集的分布，为拟合模型重构训练集的分布。
在步骤104中，将所述配网馈线历史负荷数据输入至所述负荷预测网络混合模型，得到对配网馈线长期负荷的预测值。
在步骤105中，根据评价指标，对所述预测值进行评估，完成配网馈线长期负荷预测。
在一些实施例中，所述评价指标为平均绝对百分比误差MAPE，所述MAPE表达式为：
其中，n为预测总次数；xact(i)和xpred(i)分别为i时刻的负荷真实值和预测值。
其中，采用平均绝对百分比误差MAPE为评价指标，以评估预测的性能，MAPE越低判断为预测效果越好。
在一些实施例中，本申请提供的配网馈线长期负荷预测方法，通过RNN网络处理具有时序特点的配网馈线负荷数据，建立负荷数据内部动态变化规律；进一步，通过RBM描绘复杂特征信息的功能，深度挖掘配网馈线历史负荷数据中的自上而下特征(温度、经济、人口等)和自下而上特征(馈线负载组成和大客户负荷变化等)；进一步，通过无监督训练的方式分析特征与负荷变化的内在联系。
在一些实施例中，以某地区2009～2020年375条馈线最大峰值负荷和年度经济和气象数据为配网馈线历史负荷数据，验证本申请实施例中RNN-RBM模型的有效性和准确性。选用如表1所示的特征，进行配网馈线长期负荷预测；同时将此配网馈线历史负荷数据输入至其它预测模型进行预测，将RNN-RBM模型的预测结果与随机森林模型、以及LSTM(LongShort-TermMemory)网络模型的预测结果进行对比分析。
预测模型中的实验参数设置：
本实验工作站硬件处理器为IntelXeonE5，内存为64GB，固态硬盘容量为256GB，显卡为GTX2080TI 11G。软件框架结构为Tensorflow框架，版本为1.12.1.本申请提供的RNN-RBM预测模型实验参数设置如表2所示：
表2RNN-RBM预测模型实验参数设置
其它预测模型实验参数设置：
随机森林模型：决策树个数(n_estimators)为100，最大特征数(max_features)为8。
LSTM循环神经网络：隐藏神经元24个，输出神经元16个。
采用平均绝对百分误差MAPE对通过不同预测模型得到的预测值进行评估，通过对比MAPE，显示本申请提供的RNN-RBM预测模型精确度最高，如表3所示。
表3通过不同预测模型预测结果的评估值
图3示出了本申请实施例提供的负荷预测网络混合模型与其它负荷预测模型对比的折线示意图。
从图3中可以看出，通过对样本特征的深层挖掘与学习，本申请提供的RNN-RBM模型预测精度最高。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (3)
1.一种基于RNN-RBM的配网馈线长期负荷预测方法，其特征在于，包括：
获取配网馈线历史负荷数据，并对其进行数据预处理；
提取所述配网馈线历史负荷数据中用于配网馈线长期负荷预测的特征，所述特征包括自上而下特征和自下而上特征；
将所述配网馈线历史负荷数据和所述特征输入至循环神经网络RNN-受限玻尔兹曼机RBM中，对所述RNN-RBM中的模型进行训练，得到负荷预测网络混合模型，其中，所述对所述RNN-RBM中的模型进行训练，包括：
所述RNN-RBM包括t个RNN网络和t个RBM网络，其中，RBM的可见层和RNN的可见层相同；
对于第t个RNN网络，可见层和隐藏层分别有v(T)和神经元，其中隐藏层神经元计算式为：
其中，σ为sigmoid函数，W为可见层神经元和隐藏层神经元之间的连接权重；
对于第t个RBM网络，可见层和隐藏层分别有v(T)和h(T)神经元，可见层和隐藏层神经元的偏置向量计算式分别为：
和/>
RBM的隐藏层神经元的激活概率为：
P(hi＝1|v)＝σ(bh+Wv)i；
RBM的可见层神经元的激活概率为：
P(vj＝1|h)＝σ(bv+WTh)j；
RNN-RBM的联合概率为：
其中，A(t)为所有t时刻之前的{v,h}集合；
利用交叉熵误差对所述配网馈线历史负荷数据进行计算预测误差，进行参数优化，直至误差达到最小；
所述交叉熵误差表达公式为：
其中，X为输入训练集的分布，为拟合模型重构训练集的分布
将所述配网馈线历史负荷数据输入至所述负荷预测网络混合模型，得到对配网馈线长期负荷的预测值；
根据评价指标，对所述预测值进行评估，完成配网馈线长期负荷预测，其中，所述评价指标为平均绝对百分比误差MAPE，所述MAPE表达式为：
其中，n为预测总次数；xact(i)和xpred(i)分别为i时刻的负荷真实值和预测值。
2.根据权利要求1所述的配网馈线长期负荷预测方法，其特征在于，所述数据预处理包括对获取缺失的配网馈线历史负荷数据进行补充处理、对有误或超过许可范围的配网馈线历史负荷数据进行修正处理，并将处理后的配网馈线历史负荷数据作为负荷预测网络混合模型输入。
3.根据权利要求1所述的配网馈线长期负荷预测方法，其特征在于，所述自上而下特征包括经济特征、人口特征和温度特征；所述自下而上特征包括大客户净负荷变化特征和馈线负载组成特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111180037.3A CN113837486B (zh) | 2021-10-11 | 2021-10-11 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111180037.3A CN113837486B (zh) | 2021-10-11 | 2021-10-11 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837486A CN113837486A (zh) | 2021-12-24 |
| CN113837486B true CN113837486B (zh) | 2023-08-22 |
Family
ID=78968451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111180037.3A Active CN113837486B (zh) | 2021-10-11 | 2021-10-11 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837486B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115913991A (zh) * | 2022-11-15 | 2023-04-04 | 中国联合网络通信集团有限公司 | 业务数据预测方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875771A (zh) * | 2018-03-30 | 2018-11-23 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
| CN109214565A (zh) * | 2018-08-30 | 2019-01-15 | 广东电网有限责任公司 | 一种适用于大电网分区调度的子区域***负荷预测方法 |
| WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
| CN110543930A (zh) * | 2018-05-28 | 2019-12-06 | 西门子股份公司 | 支持自动化***的规划的辅助***和方法以及训练方法 |
| CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及*** |
| CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
-
2021
- 2021-10-11 CN CN202111180037.3A patent/CN113837486B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN108875771A (zh) * | 2018-03-30 | 2018-11-23 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
| CN110543930A (zh) * | 2018-05-28 | 2019-12-06 | 西门子股份公司 | 支持自动化***的规划的辅助***和方法以及训练方法 |
| CN109214565A (zh) * | 2018-08-30 | 2019-01-15 | 广东电网有限责任公司 | 一种适用于大电网分区调度的子区域***负荷预测方法 |
| CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
| CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及*** |
| CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837486A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
| CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及*** | |
| Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
| CN112215426A (zh) | 一种短期用电负荷预测方法 | |
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
| CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| CN111798333A (zh) | 一种用能评估与用电安全分析方法和*** | |
| 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*** | |
| Guan et al. | Customer load forecasting method based on the industry electricity consumption behavior portrait | |
| Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
| Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
| CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及*** | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
| CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
| Li et al. | A machine learning-based decision support framework for energy storage selection | |
| Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
| CN109816139B (zh) | 基于负荷细分的差异化用户基线负荷预测方法、装置及*** |
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 |