CN115081702A - 一种具有可解释特性的电力负荷预测方法、***及终端机 - Google Patents
一种具有可解释特性的电力负荷预测方法、***及终端机 Download PDFInfo
- Publication number
- CN115081702A CN115081702A CN202210668260.0A CN202210668260A CN115081702A CN 115081702 A CN115081702 A CN 115081702A CN 202210668260 A CN202210668260 A CN 202210668260A CN 115081702 A CN115081702 A CN 115081702A
- Authority
- CN
- China
- Prior art keywords
- samples
- dimension
- factors
- input
- deepes
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009499 grossing Methods 0.000 claims abstract description 27
- 230000001932 seasonal effect Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 5
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/045—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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种具有可解释特性的电力负荷预测方法、***及终端机,涉及电力负荷预测技术领域,方法中,初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;计算当前DeepES单元中三个因子在t+1时刻的状态;向下一个DeepES单元输出三个因子St+1、Tt+1、I t+1;重复执行直到第n个DeepES单元运行结束;基于最后一个DeepES单元输出的三个因子来计算预测值Y。在负荷预测中,构建具有可解释性的预测模型,能够让用户理解模型的推理过程,有助于增加对模型的可信度。
Description
技术领域
本发明涉及电力负荷预测技术领域,尤其涉及一种具有可解释特性的电力负荷预测方法、***及终端机。
背景技术
现有的电力负荷预测可以分为两大类。一是基于统计模型的负荷预测方法,这类方法基于数学、统计理论构建,具有很好的可解释性。常见的有自回归移动平均、自回归等时间序列模型。此外,也有基于卡尔曼滤波的预测方法,基于指数平滑度预测方法。另一类就是基于神经网络的预测方法,这是目前主流的预测方法。其中以长短期记忆网络LSTM(Long Short-Term Memory,LSTM)和门控循环单元(Gate Recurrent Unit,GRU)为主的循环神经网络(Recurrent Neural Network,RNN)在负荷预测中有广泛应用。
现有技术中,基于统计模型的预测方法,其特点是可解释性强,但是效果没有基于神经网络的好。相反,神经网络模型具有很强的非线性映射能力,能够实现效果不错的负荷预测。但是,模型可解释性是神经网络的主要缺点。由于神经网络本身是一个黑核,在网络中,很难厘清模型对负荷序列特征的提取过程,影响电力负荷预测的可信度。
发明内容
为了克服上述现有技术中的不足,本发明提供一种具有可解释特性的电力负荷预测方法,电力负荷预测方法将指数平滑模型和深度学***滑模型(DeepExponential Smoothing,简称DeepES)。一方面,利用深度学***滑模型的可解释性特征。使方法具有很好的可解释性。
方法包括:步骤一、初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;
步骤二、计算当前DeepES单元中三个因子在t+1时刻的状态;
即St+1、Tt+1、It+1;
步骤三、向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;
步骤四、重复执行步骤二至步骤三,直到第n个DeepES单元运行结束;
步骤五、基于最后一个DeepES单元输出的三个因子来计算预测值Y。
进一步需要说明的是,步骤一中的初始化因子方式包括:构建网络框架;
在网络框架内设置激活函数,使用网络框架计算当前DeepES单元中三个因子在t+1时刻的状态;
将使用网络框架计算出的St+1、Tt+1、It+1输出给下一个DeepES单元。
进一步需要说明的是,步骤一中的初始化因子方式还包括:
输入序列为{X1,X2,…,Xn},其长度为n;
取输入序列的前k个值,记为{X1,X2,…,Xk},计算输入序列的均值(Xmean)、方差(Xvar)和水平比率(Xp),三个指标的计算公式如下:
得到Xmean,Xvar,Xp三个指标之后,通过InitNet网络得到初始化因子的取值Xinit;
得到Xinit之后,则初始化三个因子为:
进一步需要说明的是,InitNet网络的参数设置为:
第一个隐藏层的输入数据维度为[1,k],即输入样本数是1,样本特征维度是k;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二个隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p+2],即样本数是1,样本特征维度是p+2。
进一步需要说明的是,步骤计算当前DeepES单元中三个因子在t+1时刻的状态还包括:
输入序列为{X1,X2,…,Xn},则迭代次数是n次。当前执行步为t;
计算t+1时刻的平滑因子It+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为TempNet计算网络;
TempNet的参数设置为:
隐藏层的输入维度为[1,2p],即输入样本数是1,样本特征维度是2p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
进一步需要说明的是,计算t+1时刻的趋势因子Tt+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为TempNet计算网络。
进一步需要说明的是,计算t+1时刻的趋势因子St+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为TempNet计算网络。
进一步需要说明的是,步骤五中基于最后一个DeepES单元输出的三个因子,即Slast、Tlast、Ilast,计算预测值Y,计算公式为:
Y=PreNet(concat(St+1,Tt+1,It+1))
其中,concat(·)表示两个向量的拼接操作,PreNet为PreNet预测网络;
PreNet预测网络的参数设置为:
第一个隐藏层的输入数据维度为[1,3p],即输入样本数是1,样本特征维度是3p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二个隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,1],即样本数是1,样本特征维度是1。
本发明还提供一种具有可解释特性的电力负荷预测***,***包括:初始化模块、第一状态计算模块、迭代计算模块以及预测模块;
初始化模块用于初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;
第一状态计算模块用于计算当前DeepES单元中三个因子在t+1时刻的状态;即St+1、Tt+1、It+1;
迭代计算模块用于采用迭代计算的方式,向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;迭代计算DeepES单元中三个因子在t+1时刻的状态,直到第n个DeepES单元运行结束;
预测模块用于基于最后一个DeepES单元输出的三个因子来计算预测值Y。
本发明还提供一种实现具有可解释特性的电力负荷预测方法的终端机,包括:
存储器,用于存储计算机程序及具有可解释特性的电力负荷预测方法;
处理器,用于执行所述计算机程序及具有可解释特性的电力负荷预测方法,以实现具有可解释特性的电力负荷预测方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的具有可解释特性的电力负荷预测方法中通过计算三个因子:季节因子、趋势因子和平滑因子,达到可解释目的。季节因子用于描述序列的季节特征,趋势因子描述序列的趋势走向,平滑因子是描述序列的平滑程度。在负荷预测中,构建具有可解释性的预测模型,能够让用户理解模型的推理过程,有助于增加对模型的可信度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为具有可解释特性的电力负荷预测方法流程图;
图2为DeepES单元网络结构图;
图3为InitNet网络结构图;
图4为TempNet网络结构图;
图5为PreNet网络结构图;
图6为具有可解释特性的电力负荷预测***示意图;
图7为具有可解释特性的电力负荷预测***实施例示意图。
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。
本发明提供的具有可解释特性的电力负荷预测方法及***中所公开的实施例描述的各示例的单元及算法步骤,能够以计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明提供的具有可解释特性的电力负荷预测方法及***附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本发明提供的具有可解释特性的电力负荷预测方法及***中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
本发明提供的具有可解释特性的电力负荷预测方法及***是为了解决现有技术中,神经网络的模型可解释性的缺点。本发明涉及的电力负荷预测方法可以厘清模型对负荷序列特征的提取过程,提升电力负荷预测的可信度。
其中,本发明将指数平滑模型和深度学***滑模型的可解释性特征。构建具有可解释特性的电力负荷预测方法及***,且该方法具有很好的可解释性。
如图1所示,本发明提供的具有可解释特性的电力负荷预测方法包括:
S101、初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;
具体来讲,第一个DeepES单元的输入为S1、T1、I1,即季节因子、趋势因子和平滑因子。这里DeepES单元的架构如图2所示,图中有几处模块标识了Tanh,这代表架构中对应位置会采用网络模块。网络模块为激活函数,也就是Tanh。
对于因子初始化方法,本发明设计的思路为:记输入序列为{X1,X2,…,Xn},其长度为n。取输入序列的前k个值,记为{X1,X2,…,Xk},计算输入序列的均值、方差和水平比率,三个指标的计算公式如下:
得到Xmean,Xvar,Xp三个指标之后,通过初始化网络InitNet得到初始化因子的取值Xinit。InitNet网络的设计如图3所示。得到Xinit之后,则初始化三个因子:
InitNet网络的参数设置为:
第一个隐藏层的输入数据维度为[1,k],即输入样本数是1,样本特征维度是k;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二个隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p+2],即样本数是1,样本特征维度是p+2。
S102、计算当前DeepES单元中三个因子在t+1时刻的状态;即St+1、Tt+1、It+1;
S103、向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;
S104、重复执行步骤二至步骤三,直到第n个DeepES单元运行结束;
从S102到S104,是以迭代的方式运行。迭代次数是输入数据的维度。比如,输入序列为{X1,X2,…,Xn},则迭代次数是n次。
每个迭代步骤的执行单元是DeepES单元,下面详细介绍DeepES单元中的执行流程,记当前执行步为t:
①计算t+1时刻的平滑因子It+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为其中的计算网络,网络设计如图4所示。TempNet的参数设置为:
隐藏层的输入维度为[1,2p],即输入样本数是1,样本特征维度是2p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
②计算t+1时刻的趋势因子Tt+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为其中的计算网络,网络设计与平滑因子It+1中的计算网络一致;
③计算t+1时刻的趋势因子St+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为其中的计算网络,网络设计与平滑因子It+1中的计算网络一致。
S105、基于最后一个DeepES单元输出的三个因子来计算预测值Y。
其中,计算预测值Y,是基于最后一个DeepES单元输出的三个因子进行的计算,即Slast、Tlast、Ilast,计算预测值Y,计算公式为:
Y=PreNet(concat(St+1,Tt+1,It+1))
其中,concat(·)表示两个向量的拼接操作,PreNet为其中的预测网络,如图5所示,预测网络的参数设置为:
第一个隐藏层的输入数据维度为[1,3p],即输入样本数是1,样本特征维度是3p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二个隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,1],即样本数是1,样本特征维度是1。
本发明提供的具有可解释特性的电力负荷预测方法中通过计算三个因子:季节因子、趋势因子和平滑因子,达到可解释目的。季节因子用于描述序列的季节特征,趋势因子描述序列的趋势走向,平滑因子是描述序列的平滑程度。在负荷预测中,构建具有可解释性的预测模型,能够让用户理解模型的推理过程,有助于增加对模型的可信度。
基于上述方法本发明还提供了一种具有可解释特性的电力负荷预测***,如图6和图7所示,***包括:初始化模块、第一状态计算模块、迭代计算模块以及预测模块;
初始化模块用于初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;
第一状态计算模块用于计算当前DeepES单元中三个因子在t+1时刻的状态;即St+1、Tt+1、It+1;
迭代计算模块用于采用迭代计算的方式,向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;迭代计算DeepES单元中三个因子在t+1时刻的状态,直到第n个DeepES单元运行结束;
预测模块用于基于最后一个DeepES单元输出的三个因子来计算预测值Y。
本发明提供的具有可解释特性的电力负荷预测***中配置了DeepES模型,通过神经网络实现因子之间复杂非线性关系的表达。
***通过输入序列。计算该序列的均值、方差和水平比率,通过初始化网络InitNet得到初始化因子值,进一步得到季节因子、趋势因子、平滑因子。
***可以迭代计算得到这三个因子在t+1时刻的状态,即St+1、Tt+1、It+1;向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;迭代计算DeepES单元中三个因子在t+1时刻的状态,直到第n个DeepES单元运行结束;基于最后一个DeepES单元输出的三个因子,即Slast、Tlast、I last,计算预测值Y。能够让用户理解模型的推理过程,有助于增加对模型的可信度。
对于本发明提供的电力负荷预测方法执行在终端机上,终端机包括:存储器,用于存储计算机程序及具有可解释特性的电力负荷预测方法;处理器,用于执行所述计算机程序及具有可解释特性的电力负荷预测方法,以实现具有可解释特性的电力负荷预测方法的步骤。
当然终端机还包括I/O接口、键盘、鼠标等的输入部分;液晶显示器等以及扬声器等的输出部分;包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。
而基于终端机来实现的电力负荷预测方法中通过计算三个因子达到可解释目的。其中,季节因子用于描述序列的季节特征,趋势因子描述序列的趋势走向,平滑因子是描述序列的平滑程度。终端机还构建具有可解释性的预测模型,能够让用户理解模型的推理过程,有助于增加对模型的可信度。
本发明提供的具有可解释特性的电力负荷预测方法及***是结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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。
Claims (10)
1.一种具有可解释特性的电力负荷预测方法,其特征在于,方法包括:
步骤一、初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;
步骤二、计算当前DeepES单元中三个因子在t+1时刻的状态;
即St+1、Tt+1、It+1;
步骤三、向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;
步骤四、重复执行步骤二至步骤三,直到第n个DeepES单元运行结束;
步骤五、基于最后一个DeepES单元输出的三个因子来计算预测值Y。
2.根据权利要求1所述的具有可解释特性的电力负荷预测方法,其特征在于,
步骤一中的初始化因子方式包括:构建网络框架;
在网络框架内设置激活函数,使用网络框架计算当前DeepES单元中三个因子在t+1时刻的状态;
将使用网络框架计算出的St+1、Tt+1、It+1输出给下一个DeepES单元。
4.根据权利要求3所述的具有可解释特性的电力负荷预测方法,其特征在于,
InitNet网络的参数设置为:
第一个隐藏层的输入数据维度为[1,k],即输入样本数是1,样本特征维度是k;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二个隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p+2],即样本数是1,样本特征维度是p+2。
5.根据权利要求1或2所述的具有可解释特性的电力负荷预测方法,其特征在于,
步骤计算当前DeepES单元中三个因子在t+1时刻的状态还包括:
输入序列为{X1,X2,…,Xn},则迭代次数是n次。当前执行步为t;
计算t+1时刻的平滑因子It+1,公式如下:
其中,concat(·)表示两个向量的拼接操作,TempNet为TempNet计算网络;
TempNet的参数设置为:
隐藏层的输入维度为[1,2p],即输入样本数是1,样本特征维度是2p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p。
8.根据权利要求1或2所述的具有可解释特性的电力负荷预测方法,其特征在于,步骤五中基于最后一个DeepES单元输出的三个因子,即Slast、Tlast、Ilast,计算预测值Y,计算公式为:
Y=PreNet(concat(St+1,Tt+1,It+1))
其中,concat(·)表示两个向量的拼接操作,PreNet为PreNet预测网络;
PreNet预测网络的参数设置为:
第一个隐藏层的输入数据维度为[1,3p],即输入样本数是1,样本特征维度是3p;输出维度为[1,p],即样本数是1,样本特征维度是p;
第二个隐藏层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,p],即样本数是1,样本特征维度是p;
输出层的输入维度为[1,p],即输入样本数是1,样本特征维度是p;输出维度为[1,1],即样本数是1,样本特征维度是1。
9.一种具有可解释特性的电力负荷预测***,其特征在于,***采用如权利要求1至8任意一项所述的具有可解释特性的电力负荷预测方法;
***包括:初始化模块、第一状态计算模块、迭代计算模块以及预测模块;
初始化模块用于初始化三个因子:季节因子、趋势因子以及平滑因子;依次用S1、T1、I1分别表示;
第一状态计算模块用于计算当前DeepES单元中三个因子在t+1时刻的状态;即St+1、Tt+1、It+1;
迭代计算模块用于采用迭代计算的方式,向下一个DeepES单元输出三个因子St+1、Tt+1、It+1;迭代计算DeepES单元中三个因子在t+1时刻的状态,直到第n个DeepES单元运行结束;
预测模块用于基于最后一个DeepES单元输出的三个因子来计算预测值Y。
10.一种实现具有可解释特性的电力负荷预测方法的终端机,其特征在于,包括:
存储器,用于存储计算机程序及具有可解释特性的电力负荷预测方法;
处理器,用于执行所述计算机程序及具有可解释特性的电力负荷预测方法,以实现如权利要求1至8任意一项所述具有可解释特性的电力负荷预测方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210668260.0A CN115081702A (zh) | 2022-06-14 | 2022-06-14 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
PCT/CN2023/099016 WO2023241439A1 (zh) | 2022-06-14 | 2023-06-08 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
US18/374,038 US20240030705A1 (en) | 2022-06-14 | 2023-09-28 | Interpretable power load prediction method, system and terminal machine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210668260.0A CN115081702A (zh) | 2022-06-14 | 2022-06-14 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081702A true CN115081702A (zh) | 2022-09-20 |
Family
ID=83252282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210668260.0A Pending CN115081702A (zh) | 2022-06-14 | 2022-06-14 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240030705A1 (zh) |
CN (1) | CN115081702A (zh) |
WO (1) | WO2023241439A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023241439A1 (zh) * | 2022-06-14 | 2023-12-21 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996816A (zh) * | 2024-03-29 | 2024-05-07 | 江苏谷峰电力科技股份有限公司 | 用于风光柴储分队级储能的智能控制方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019216449A1 (ko) * | 2018-05-09 | 2019-11-14 | 주식회사 알고리고 | 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及*** |
WO2020000715A1 (zh) * | 2018-06-29 | 2020-01-02 | 平安科技(深圳)有限公司 | 基于指数特征提取的股指预测方法、服务器及存储介质 |
CN111428926A (zh) * | 2020-03-23 | 2020-07-17 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
CN112330027A (zh) * | 2020-11-06 | 2021-02-05 | 燕山大学 | 一种基于搜索引擎指数的电力负荷预测方法 |
CN112465664A (zh) * | 2020-11-12 | 2021-03-09 | 贵州电网有限责任公司 | 一种基于人工神经网络及深度强化学习的avc智能控制方法 |
KR102226687B1 (ko) * | 2019-11-20 | 2021-03-11 | (주)위세아이텍 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
CN112884236A (zh) * | 2021-03-10 | 2021-06-01 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** |
US20210287310A1 (en) * | 2020-03-13 | 2021-09-16 | Hitachi, Ltd. | Multi-layer hybrid model power generation prediction method and computing system |
CN113792828A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 基于深度学习的电网负荷预测方法、***、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210364481A1 (en) * | 2020-05-20 | 2021-11-25 | State Grid Hebei Electric Power Research Institute | Method for evaluating mechanical state of high-voltage shunt reactor based on vibration characteristics |
CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
-
2022
- 2022-06-14 CN CN202210668260.0A patent/CN115081702A/zh active Pending
-
2023
- 2023-06-08 WO PCT/CN2023/099016 patent/WO2023241439A1/zh unknown
- 2023-09-28 US US18/374,038 patent/US20240030705A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019216449A1 (ko) * | 2018-05-09 | 2019-11-14 | 주식회사 알고리고 | 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치 |
WO2020000715A1 (zh) * | 2018-06-29 | 2020-01-02 | 平安科技(深圳)有限公司 | 基于指数特征提取的股指预测方法、服务器及存储介质 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及*** |
KR102226687B1 (ko) * | 2019-11-20 | 2021-03-11 | (주)위세아이텍 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
US20210287310A1 (en) * | 2020-03-13 | 2021-09-16 | Hitachi, Ltd. | Multi-layer hybrid model power generation prediction method and computing system |
CN111428926A (zh) * | 2020-03-23 | 2020-07-17 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
CN112330027A (zh) * | 2020-11-06 | 2021-02-05 | 燕山大学 | 一种基于搜索引擎指数的电力负荷预测方法 |
CN112465664A (zh) * | 2020-11-12 | 2021-03-09 | 贵州电网有限责任公司 | 一种基于人工神经网络及深度强化学习的avc智能控制方法 |
CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
CN112884236A (zh) * | 2021-03-10 | 2021-06-01 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** |
CN113792828A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 基于深度学习的电网负荷预测方法、***、设备及介质 |
Non-Patent Citations (2)
Title |
---|
PELKA, P等: "Pattern-based Long Short-term Memory for Mid-term Electrical Load Forecasting", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS 》, pages 8 * |
陆继翔;张琪培;杨志宏;涂孟夫;陆进军;彭晖;: "基于CNN-LSTM混合神经网络模型的短期负荷预测方法", 电力***自动化, no. 08, pages 191 - 197 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023241439A1 (zh) * | 2022-06-14 | 2023-12-21 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、***及终端机 |
Also Published As
Publication number | Publication date |
---|---|
US20240030705A1 (en) | 2024-01-25 |
WO2023241439A1 (zh) | 2023-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115081702A (zh) | 一种具有可解释特性的电力负荷预测方法、***及终端机 | |
Ergen et al. | Online training of LSTM networks in distributed systems for variable length data sequences | |
Ma et al. | DeePr-ESN: A deep projection-encoding echo-state network | |
Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
He et al. | A lack-of-fit test for quantile regression | |
WO2020176297A1 (en) | Artificial neural network compression via iterative hybrid reinforcement learning approach | |
CN110929869B (zh) | 序列数据处理方法、装置、设备及存储介质 | |
US20220309334A1 (en) | Graph neural networks for datasets with heterophily | |
Raonic et al. | Convolutional neural operators for robust and accurate learning of PDEs | |
Peng et al. | Multi-step-ahead host load prediction with gru based encoder-decoder in cloud computing | |
Luo et al. | Bayesian deep learning with hierarchical prior: Predictions from limited and noisy data | |
Carli et al. | Efficient algorithms for large scale linear system identification using stable spline estimators | |
CN112529071B (zh) | 一种文本分类方法、***、计算机设备和存储介质 | |
US20220130495A1 (en) | Method and Device for Determining Correlation Between Drug and Target, and Electronic Device | |
Nüsken et al. | Interpolating between BSDEs and PINNs: deep learning for elliptic and parabolic boundary value problems | |
Jia et al. | Dual non-autonomous deep convolutional neural network for image denoising | |
Zha et al. | Convolution-based model-solving method for three-dimensional, unsteady, partial differential equations | |
Xu et al. | Variational quantum support vector machine based on Hadamard test | |
Ma et al. | Chebyshev functional link artificial neural network based on correntropy induced metric | |
CN115271207A (zh) | 一种基于门控图神经网络的序列关系预测方法以及装置 | |
CN111985173B (zh) | 一种适用于近似计算电路可靠性分析方法及*** | |
CN115936802A (zh) | 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 | |
Zaeemzadeh et al. | A Bayesian approach for asynchronous parallel sparse recovery | |
Zeng et al. | Adaptive deep neural networks for solving corner singular problems | |
Corstanje et al. | Simulating conditioned diffusions on manifolds |
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 |