CN114707772B - 基于多特征分解与融合的电力负荷预测方法及*** - Google Patents
基于多特征分解与融合的电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN114707772B CN114707772B CN202210627288.XA CN202210627288A CN114707772B CN 114707772 B CN114707772 B CN 114707772B CN 202210627288 A CN202210627288 A CN 202210627288A CN 114707772 B CN114707772 B CN 114707772B
- Authority
- CN
- China
- Prior art keywords
- neural network
- power load
- feature
- data
- convolutional 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 62
- 230000004927 fusion Effects 0.000 title claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 230000007774 longterm Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 230000007246 mechanism Effects 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012360 testing 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
Abstract
本发明涉及预测目的的数据处理领域,本发明公开了基于多特征分解与融合的电力负荷预测方法及***,包括:获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;将全局特征、局部特征和历史电力负荷时序数据进行特征融合;将融合特征输入到预测模型中,得到电力负荷预测结果。显著降低了电力负荷数据预测的误差。
Description
技术领域
本发明涉及预测目的的数据处理领域,特别是涉及基于多特征分解与融合的电力负荷预测方法及***。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
随着科技水平的不断发展和经济水平的提升,电力成为了发展的重要能源之一,有效的进行电力负荷预测可以合理规划电力的生产、制订更加科学的用电方式、有利于电力行业突发事件的预防,更好的服务于地区内电力的发展,从而提升社会的经济效益。
电力负荷的预测经历了由传统的时序模型到机器学***均模型已经被广泛应用于电力负荷数据的预测,如申请公布号:CN109615117A专利、专利号:CN104794549都使用了差分自回归移动平均模型模型进行电力负荷的预测,但由于传统的时序模型无法捕捉数据中的非线性因素,会造成预测结果不佳。后随着人工智能相关技术的发展,机器学习的时序模型较好解决了传统的时序模型的不足,如申请公布号:CN114298408A、CN114254828A等都利用了神经网络进行电力负荷数据的预测,但目前现有的一些使用机器学习方法的电力负荷预测中仍存在以下几个问题:
(1)电力负荷的变化受到当地经济状况、电价、和天气等因素的影响,仅仅使用电力负荷的时序数据不足以反映出影响电力负荷变化的有效特征。
(2)电力负荷数据是具是有非线性和噪声等特征的序列,直接使用原始序列做预测会使得电力负荷时序数据内部特征杂糅,造成神经网络提取特征困难。虽然在当下一些时间序列分解方法如集合经验模态分解、变分模态分解已广泛应用于电力负荷预测中,但是大部分方法对电力负荷数据进行了一次性分解后使用神经网络进行预测,这样分解会使用到全部数据集,造成未来数据的泄露,在实际应用工作中并不可行。
(3)直接使用传统的循环神经网络如长短期记忆神经网络、门控循环单元神经网络以及时间卷积神经网络等都存在梯度消失的问题,对于长时间序列预测不佳,并且很难提取出不同特征的变化对电力负荷的影响程度。
发明内容
为了解决现有技术的不足,本发明提供了基于多特征分解与融合的电力负荷预测方法及***;显著降低了电力负荷数据预测的误差。
第一方面,本发明提供了基于多特征分解与融合的电力负荷预测方法;
基于多特征分解与融合的电力负荷预测方法,包括:
获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;
对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;将全局特征、局部特征和历史电力负荷时序数据进行特征融合;
将融合特征输入到预测模型中,得到电力负荷预测结果。
第二方面,本发明提供了基于多特征分解与融合的电力负荷预测***;
基于多特征分解与融合的电力负荷预测***,包括:
获取模块,其被配置为:获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;
特征提取模块,其被配置为:对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;对对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;
特征融合模块,其被配置为:将全局特征、局部特征和历史电力负荷时序数据进行特征融合;
预测模块,其被配置为:将融合特征输入到预测模型中,得到电力负荷预测结果。
与现有技术相比,本发明的有益效果是:
本发明加入了影响电力变化的经济数据和天气数据作为重要特征,利用改进的时间卷积神经网络提取了经济变化影响电力变化的长期影响以及电力负荷数据内部的长期趋势特征,利用带有时间注意力的卷积-双向长短期记忆神经网络提取了天气的不同状态对于电力负荷的影响以及电力负荷数据内部的短期波动特征,降低了天气、经济发展对电力负荷预测模型的波动;利用变分模态窗口分解法,不仅防止了一次性分解带来电力负荷序列未来数据的泄露,还将电力负荷原始数据的内部特征进行分离,再分别结合本发明构建的影响电力长期变化的电力经济指数特征和影响电力短期变化的天气指数特征,方便神经网络高效的提取特征,显著降低了电力负荷数据预测的误差。
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。
图1为本申请实施例一提出的在基于多特征分解与融合的电力负荷预测方法的流程图。
图2为本申请实施例一提出的全局特征提取模块流程图。
图3为本申请实施例一提出的局部特征提取模块流程图。
图4为本申请实施例一全局特征提取模块提出的多尺度注意力机制的时间卷积神经网络结构图。
图5为本申请实施例一局部特征提取模块带有时间注意力机制的双向长短期记忆循环神经网络的结构图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
实施例一
本实施例提供了基于多特征分解与融合的电力负荷预测方法;
如图1所示,基于多特征分解与融合的电力负荷预测方法,包括:
S101:获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;
S102:对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;将全局特征、局部特征和历史电力负荷时序数据进行特征融合;
S103:将融合特征输入到预测模型中,得到电力负荷预测结果。
进一步地,所述历史宏观经济数据,包括:地区生产总值(Gross RegionalProduct,GRP)、地区居民消费价格指数(Regional Consumer Price Index,RCPI)、地区工业总产值(Regional Gross Industrial Product,RGIP)和售电价格(RegionalElectricity Price,REP)。
示例性地,获取所研究地区的一些宏观经济数据,包括:地区生产总值(GRP)、地区居民消费价格指数(RCPI)、地区工业总产值(RGIP)和地区售电价格(REP),由于这些经济数据只提供了月度数据,是因为宏观经济数据指标如地区生产总值等,是反应社会当期某一方面的一个水平值,其日度数据没有具体实际意义。但为了后续与电力负荷日度数据维度对应,方便降维处理,先利用线性插值的方法将月度数据转变为日度数据。这样既保证了数据分布的整体趋势不变又达到了数据维度对应。定义为公式(1)的电力经济数据特征矩阵,其中为电力负荷时序数据的长度。
进一步地,所述历史天气指标数据,包括:目标地区每日的最高温度、最低温度、平均温度、相对湿度和降雨量。
示例性地,获取研究地区每日的最高温度(Maximum Temperature,MXT)、最低温度(Minimum Temperature,MNT)、平均温度(Average Temperature,AT)、相对湿度(RelativeHumidity,RH)、降雨量(Rainfall,RF)天气指标,定义为式(2)的天气特征矩阵。
进一步地,所述根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;具体包括:
S1011:对宏观经济数据进行降维处理得到电力经济指数;对天气指标数据进行降维处理得到天气指数;
S1012:对历史电力负荷时序数据进行分解,分解为一个低频特征序列和多个高频特征序列;
S1013:将电力经济指数与所述低频特征序列进行组合,得到反映长期趋势的特征矩阵;将天气指数与所述高频特征序列进行组合,得到反映短期波动的特征矩阵;
S1014:将历史电力负荷时序数据、长期趋势的特征矩阵和短期波动的特征矩阵进行归一化处理。
示例性地,所述S1011的降维处理,采用主成分分析的方式进行处理。
示例性地,所述S1012的对历史电力负荷时序数据进行分解,采用变分模态窗口分解算法进行。
示例性地,S1011:对宏观经济数据进行降维处理得到电力经济指数;对天气指标数据进行降维处理得到天气指数;具体包括:
再利用公式(4)进行了初始特征值的提取。
进一步地,所述S1012:对历史电力负荷时序数据进行分解,分解为一个低频特征序列和多个高频特征序列;具体包括:
将电力负荷时序数据利用变分模态窗口分解法进行分解。
进一步地,所述将电力负荷时序数据利用变分模态窗口分解法进行分解;具体包括:
将输入的电力负荷序列采用滑动窗口进行切块,切块后的电力负荷序列为:
分解得到的分量是一组向量值,分解的低频序列表示为
将电力负荷序列的前三个值进行分解,可得到低频序列,显然,的前三个数值和并不相等,说明这一组分量是基于整个序列进行分解得到的,局部的数值仍会包含全部序列的某些信息。所以直接使用在后续输入神经网络进行预测时会得到很低的误差效果,但是在实际应用中并不能这样进行分解。
进一步地,所述S1013:将电力经济指数与所述低频特征序列进行组合,得到反映长期趋势的特征矩阵;将天气指数与所述高频特征序列进行组合,得到反映短期波动的特征矩阵;具体包括:
进一步地,所述S1014:将历史电力负荷时序数据、反映长期趋势的特征矩阵和短期波动的特征矩阵进行归一化处理;具体包括:
进一步地,所述S102:对对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;具体为:
采用全局特征提取模块,对长期趋势的特征矩阵进行特征提取。
如图2所示,所述全局特征提取模块,网络结构包括:
依次连接的多尺度注意力机制的时间卷积神经网络、解码层、第一全连接层、第二全连接层和输出层。
时间卷积神经网络,具有两大优势,一是时间卷积神经网络通过因果卷积部分有效的减轻了预测长时间序列的梯度消失问题,二是强大的多层卷积核又可以高效的提取到序列的局部信息。
时间卷积神经网络采用多尺度注意力机制的时间卷积神经网络,具体结构如图4所示。
多尺度注意力机制的时间卷积神经网络,包括,依次连接的自注意力机制层、第一膨胀卷积层、第二膨胀卷积层和第三膨胀卷积层;
所述第一膨胀卷积层设有第一注意力机制模块;
所述第二膨胀卷积层设有第二注意力机制模块;
所述第三膨胀卷积层设有第三注意力机制模块;
所述自注意力机制层的输出端与第一膨胀卷积层的输入端之间进行残差连接;
所述第一膨胀卷积层的输出端与第二膨胀卷积层的输入端之间进行残差连接;
所述第二膨胀卷积层的输出端与第三膨胀卷积层的输入端之间进行残差连接。
传统的时间卷积神经网络对于整个序列都进行同样程度的卷积操作,无法提取对于不同特征的影响,该发明将自注意力机制和注意力机制引入时间卷积神经网络的不同环节中,使得特征提取更加多尺度化,有效的提取了特征矩阵蕴含的信息,特别是有效提取了对于影响电力负荷变化的长期特征。
进一步地,自注意力机制层的工作原理是:
接着将得到的特征矩阵输入到带有注意力机制的时间卷积神经网络中,在每个膨胀卷积层加入了注意力机制的目的是为了在提取特征的过程中可以对卷积运算的结果进行权重赋值,改进了之前传统的时间卷积神经网络对于序列提取特征的单一化操作,显著提升了时间卷积神经网络的特征提取能力。
式(12)表示时间卷积神经网络的特征提取过程,其中
进一步地,所述残差连接是指:
进一步地,所述第一注意力机制模块、第二注意力机制模块和第三注意力机制模块的工作原理是一致的;其中,所述第一注意力机制模块的工作原理是:
解码层:将时间卷积神经网络的多维输出进行首尾拼接,形成一维向量,达到降维的目的。
进一步地,所述对短期波动的特征矩阵进行特征提取;具体为:
采用带有时间注意力机制的卷积-双向长短期记忆神经网络,对短期波动的特征矩阵进行特征提取,以挖掘不同天气状态对电力变化的影响。
如图3所示,带有时间注意力机制的卷积-双向长短期记忆神经网络,网络结构包括:
依次连接的第一个并联的四个不同感受野的一维卷积神经网络、第二个并联的四个不同感受野的一维卷积神经网络、聚合层、最大池化层、双向长短期记忆神经网络、时间注意力机制层、全连接层和输出层。
其中,第一个并联的四个不同感受野的一维卷积神经网络,包括:并联的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络;
其中,第二个并联的四个不同感受野的一维卷积神经网络,包括:并联的第五卷积神经网络、第六卷积神经网络、第七卷积神经网络和第八卷积神经网络;
其中,第一卷积神经网络的输出端与第五卷积神经网络的输入端连接;第五卷积神经网络的输出端与聚合层的输入端连接;
第二卷积神经网络的输出端与第六卷积神经网络的输入端连接;第六卷积神经网络的输出端与聚合层的输入端连接;
第三卷积神经网络的输出端与第七卷积神经网络的输入端连接;第七卷积神经网络的输出端与聚合层的输入端连接;
第四卷积神经网络的输出端与第八卷积神经网络的输入端连接;第八卷积神经网络的输出端与聚合层的输入端连接;
所述聚合层,其工作原理是,将输入的特征进行并联。
应理解地,将特征矩阵输入到两层具有不同感受野的一维卷积神经网络中,不同感受野的卷积神经网络较单一的一维卷积神经网络可以提取到更加完整的局部信息,然后经过最大池化层后输入到双向长短期记忆神经网络中,双向长短期记忆神经网络增加了未来信息与过去信息的交互,更有效记忆到数据之前的特征;针对天气的不断变化对于电力负荷未来有着不同的影响,该方法在双向长短期记忆神经网络提取特征后加入了时间注意力机制,提取天气状态在不同时间段的对电力负荷的影响,带有时间注意力的双向长短期记忆循环神经网络的结构图,如图5所示。在双向长短期记忆神经网络中,是根据式(15)~(21)进行更新的。其中,式(15)~式(20)为长短期记忆循环神经网络方法的步骤,式(21)为双向长短期记忆神经网络的步骤。
其中表示输入门处理结果,表示遗忘门处理结果,表示输出门结果,表示激活函数,、、、表示参数矩阵,、、、表示偏置向量,表示上一时刻隐藏状态值,表示当前状态,表示当前时刻的输入,表示当前时刻的临时隐变量,表示细胞前向结构状态,表示细胞后向结构状态,为双向长短期记忆神经网络的输出。
进一步地,所述时间注意力机制层,工作原理包括:
进一步地,所述将全局特征、局部特征和历史电力负荷时序数据进行特征融合;具体包括:
进一步地,所述S103:将融合特征输入到预测模型中,得到电力负荷预测结果;具体包括:
电力负荷预测问题描述为式(25)所示:
为了更好的展示该发明方法的效果,本发明使用了一些评价回归问题的指标进行结果的展示,分别是平均绝对误差(Mean Absolute Error,MAE),平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对标度误差(Mean Absolute Scale Error,MASE)。分别对应式(26-29)。
该方法时基于Python3.7进行开发。在使用变分模态窗口分解法中,本发明设置分解的数量,分解的时间窗口设置为20,其中第一项为低频趋势项,第二、三、四、五项为高频趋势项。在全局提取特征模块参数设置中,本发明设计了包含有三个隐藏层的时间卷积神经网络,扩张率分别设置为1、2、4;卷积核数目分别设置为128、128、32;卷积核的窗口为3。在局部特征提取模块参数设置中,本发明设计的一维卷积部分卷积核数目都设置为256,卷积核的窗口为分别为1、3、5、10。在结果预测模块中多层感知机设置为有三个全连接层。
该发明方法与4种方法:差分自回归移动平均模型模型(AutoregressiveIntegrated Moving Average model,ARIMA)、时间卷积神经网络(TemporalConvolutional Network,TCN)、双向长短期记忆神经网络(Bidirectional Long Short-Term Memory Neural Network,Bi-LSTM)、双阶段注意力机制循环神经网络模型(Dual-Stage Attention-Based Recurrent Neural Network,DARNN)进行了对比,本发明的方法的四项指标均为最低,在对比方法中排名第一,证实了本发明方法的有效性。
实施例二
本实施例提供了基于多特征分解与融合的电力负荷预测***;
基于多特征分解与融合的电力负荷预测***,包括:
获取模块,其被配置为:获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;
特征提取模块,其被配置为:对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;
特征融合模块,其被配置为:将全局特征、局部特征和历史电力负荷时序数据进行特征融合;
预测模块,其被配置为:将融合特征输入到预测模型中,得到电力负荷预测结果。
此处需要说明的是,上述获取模块、特征提取模块、特征融合模块和预测模块对应于实施例一中的步骤S101至S103,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于多特征分解与融合的电力负荷预测方法,其特征是,包括:
获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;
所述根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;具体包括:
对宏观经济数据进行降维处理得到电力经济指数;对天气指标数据进行降维处理得到天气指数;
对历史电力负荷时序数据进行分解,分解为一个低频特征序列和多个高频特征序列;
将电力经济指数与所述低频特征序列进行组合,得到长期趋势的特征矩阵;将天气指数与所述高频特征序列进行组合,得到短期波动的特征矩阵;
将历史电力负荷时序数据、长期趋势的特征矩阵和短期波动的特征矩阵进行归一化处理;
对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;
所述对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;具体为:
采用全局特征提取模块,对长期趋势的特征矩阵进行特征提取;
所述全局特征提取模块,网络结构包括:
依次连接的多尺度注意力机制的时间卷积神经网络、解码层、第一全连接层、第二全连接层和输出层;
多尺度注意力机制的时间卷积神经网络,包括,依次连接的自注意力机制层、第一膨胀卷积层、第二膨胀卷积层和第三膨胀卷积层;
所述第一膨胀卷积层设有第一注意力机制模块;
所述第二膨胀卷积层设有第二注意力机制模块;
所述第三膨胀卷积层设有第三注意力机制模块;
所述自注意力机制层的输出端与第一膨胀卷积层的输入端之间进行残差连接;
所述第一膨胀卷积层的输出端与第二膨胀卷积层的输入端之间进行残差连接;
所述第二膨胀卷积层的输出端与第三膨胀卷积层的输入端之间进行残差连接;
对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;
所述对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;具体为:
采用带有时间注意力机制的卷积-双向长短期记忆神经网络,对短期波动的特征矩阵进行特征提取,以挖掘不同天气状态对电力变化的影响;
带有时间注意力机制的卷积-双向长短期记忆神经网络,网络结构包括:
依次连接的第一个并联的四个不同感受野的一维卷积神经网络、第二个并联的四个不同感受野的一维卷积神经网络、聚合层、最大池化层、双向长短期记忆神经网络、时间注意力机制层、全连接层和输出层;
将全局特征、局部特征和历史电力负荷时序数据进行特征融合;
将融合特征输入到预测模型中,得到电力负荷预测结果。
2.如权利要求1所述的基于多特征分解与融合的电力负荷预测方法,其特征是,对历史电力负荷时序数据进行分解,分解为一个低频特征序列和多个高频特征序列;具体包括:
将电力负荷时序数据利用变分模态窗口分解法进行分解。
4.如权利要求1所述的基于多特征分解与融合的电力负荷预测方法,其特征是,第一个并联的四个不同感受野的一维卷积神经网络,包括:并联的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络;
第二个并联的四个不同感受野的一维卷积神经网络,包括:并联的第五卷积神经网络、第六卷积神经网络、第七卷积神经网络和第八卷积神经网络。
5.如权利要求4所述的基于多特征分解与融合的电力负荷预测方法,其特征是,其中,第一卷积神经网络的输出端与第五卷积神经网络的输入端连接;第五卷积神经网络的输出端与聚合层的输入端连接;
第二卷积神经网络的输出端与第六卷积神经网络的输入端连接;第六卷积神经网络的输出端与聚合层的输入端连接;
第三卷积神经网络的输出端与第七卷积神经网络的输入端连接;第七卷积神经网络的输出端与聚合层的输入端连接;
第四卷积神经网络的输出端与第八卷积神经网络的输入端连接;第八卷积神经网络的输出端与聚合层的输入端连接。
7.采用如权利要求1所述的基于多特征分解与融合的电力负荷预测方法的基于多特征分解与融合的电力负荷预测***,其特征是,包括:
获取模块,其被配置为:获取目标地区的历史宏观经济数据、历史天气指标数据和历史电力负荷时序数据;根据获取的数据,构建反映长期趋势的特征矩阵和短期波动的特征矩阵;
特征提取模块,其被配置为:对长期趋势的特征矩阵进行特征提取,得到全局特征矩阵;对短期波动的特征矩阵进行特征提取,得到局部特征矩阵;
特征融合模块,其被配置为:将全局特征、局部特征和历史电力负荷时序数据进行特征融合;
预测模块,其被配置为:将融合特征输入到预测模型中,得到电力负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627288.XA CN114707772B (zh) | 2022-06-06 | 2022-06-06 | 基于多特征分解与融合的电力负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627288.XA CN114707772B (zh) | 2022-06-06 | 2022-06-06 | 基于多特征分解与融合的电力负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707772A CN114707772A (zh) | 2022-07-05 |
CN114707772B true CN114707772B (zh) | 2022-08-23 |
Family
ID=82178036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210627288.XA Active CN114707772B (zh) | 2022-06-06 | 2022-06-06 | 基于多特征分解与融合的电力负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707772B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440390B (zh) * | 2022-11-09 | 2023-03-24 | 山东大学 | 一种传染病病例数量预测方法、***、设备及存储介质 |
CN115936218A (zh) * | 2022-12-06 | 2023-04-07 | 山东大学 | 基于深度学习的综合能源***多元负荷预测方法及*** |
CN116362503B (zh) * | 2023-03-30 | 2023-11-07 | 国网河南省电力公司安阳供电公司 | 基于人工智能的电力调节方法及*** |
CN116960991B (zh) * | 2023-09-21 | 2023-12-29 | 杭州半云科技有限公司 | 一种基于图卷积网络模型的面向概率电力负荷预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112613641A (zh) * | 2020-12-07 | 2021-04-06 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN114529051A (zh) * | 2022-01-17 | 2022-05-24 | 杭州电子科技大学 | 基于层次残差自注意力神经网络的长期电力负荷预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN113011630B (zh) * | 2021-01-25 | 2024-01-23 | 国网浙江省电力有限公司杭州供电公司 | 一种大数据配电网台区时空负荷短期预测方法 |
-
2022
- 2022-06-06 CN CN202210627288.XA patent/CN114707772B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN112613641A (zh) * | 2020-12-07 | 2021-04-06 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN114529051A (zh) * | 2022-01-17 | 2022-05-24 | 杭州电子科技大学 | 基于层次残差自注意力神经网络的长期电力负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
Deep Learning for Load Forecasting: Sequence to Sequence Recurrent Neural Networks With Attention;Ljubisa Sehovac;《IEEE Access》;20200221;全文 * |
基于季节调整与神经网络融合算法的售电量预测;陈耀红等;《大众用电》;20180105(第01期);全文 * |
经济序列的趋势分析――基于时间序列的混合模型;徐晓;《科技风》;20160515(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114707772A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707772B (zh) | 基于多特征分解与融合的电力负荷预测方法及*** | |
Jiang et al. | A novel composite electricity demand forecasting framework by data processing and optimized support vector machine | |
Wang et al. | Multi-step ahead wind speed prediction based on optimal feature extraction, long short term memory neural network and error correction strategy | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及*** | |
Kankal et al. | Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
López et al. | Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study | |
Bahrami et al. | Short term electric load forecasting by wavelet transform and grey model improved by PSO (particle swarm optimization) algorithm | |
Zhu et al. | Carbon price analysis using empirical mode decomposition | |
Ouyang et al. | Agricultural commodity futures prices prediction via long-and short-term time series network | |
Hooshmand et al. | A hybrid intelligent algorithm based short-term load forecasting approach | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
Yao et al. | Crude oil price prediction based on LSTM network and GM (1, 1) model | |
Ouyang et al. | Discovery and prediction of stock index pattern via three-stage architecture of TICC, TPA-LSTM and multivariate LSTM-FCNs | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Rathnayaka et al. | An unbiased GM (1, 1)-based new hybrid approach for time series forecasting | |
Li et al. | What can be learned from the historical trend of crude oil prices? An ensemble approach for crude oil price forecasting | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
Gao et al. | A two-layer SSA-XGBoost-MLR continuous multi-day peak load forecasting method based on hybrid aggregated two-phase decomposition | |
Precioso et al. | Thresholding methods in non-intrusive load monitoring | |
CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN117151276A (zh) | 售电平台的智能化管理*** | |
Cheng et al. | Inventory demand forecast based on gray correlation analysis and time series neural network hybrid model | |
Lim et al. | Long-term Time Series Forecasting based on Decomposition and Neural Ordinary Differential Equations |
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 |