CN115099502B - 一种基于用户间用电行为相似性的短期电力负荷预测方法 - Google Patents
一种基于用户间用电行为相似性的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN115099502B CN115099502B CN202210750792.9A CN202210750792A CN115099502B CN 115099502 B CN115099502 B CN 115099502B CN 202210750792 A CN202210750792 A CN 202210750792A CN 115099502 B CN115099502 B CN 115099502B
- Authority
- CN
- China
- Prior art keywords
- users
- data
- user
- target user
- short
- 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 44
- 230000005611 electricity Effects 0.000 claims abstract description 109
- 230000006399 behavior Effects 0.000 claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008685 targeting Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户间用电行为相似性的短期电力负荷预测方法,包括获取所有用户的历史用电数据;基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户;基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据;基于一维卷积神经网络和多头注意力机制构建短期电力负荷预测模型,利用短期电力负荷预测模型根据预测数据对目标用户进行短期电力负荷预测。本发明能够提升用户短期电力负荷预测的性能,与现有的一些短期电力负荷预测方法相比,预测准确性更高。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体涉及一种基于用户间用电行为相似性的短期电力负荷预测方法。
背景技术
电力负荷预测是对用户未来某一段时间内的用电量进行预测。准确地对用户未来电力负荷进行预测,可以帮助电力生产部门合理地规划电力的生产,帮助电力管理部门针对不同时间段不同地区有效地进行调度安排,增强智能电网***供电的稳定性。
根据预测时间尺度的长短可将电力负荷预测划分为长期、中期和短期电力负荷预测。长期电力负荷预测和中期电力负荷预测目前已有大量研究工作。对于短期电力负荷预测,由于短期电力负荷的随机性和波动性较大,对其进行预测仍存在一定的挑战。
现有的多数短期电力负荷预测方法仅从单个用户角度出发,未考虑到多个用户之间存在的相关信息,即不同用户间相似的用电行为,导致预测效果不佳。而一些方法虽然考虑到了使用用户间的相关信息,但这些方法没有深入挖掘用户间的关联,未能充分利用用户间的相关信息,使得预测效果不够理想。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于用户间用电行为相似性的短期电力负荷预测方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于用户间用电行为相似性的短期电力负荷预测方法,包括以下步骤:
获取所有用户的历史用电数据;
基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户;
基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据;
基于一维卷积神经网络和多头注意力机制构建短期电力负荷预测模型,利用短期电力负荷预测模型根据预测数据对目标用户进行短期电力负荷预测。
可选地,所述基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户,具体包括:
对获取的所有用户的历史用电数据进行预处理,并将预处理后的每个用户的历史用电数据划分训练集;
利用目标用户的训练集训练构建的自编码器模型;
将目标用户与其它用户的训练集输入训练后的自编码器模型中,得到目标用户与其它用户的历史用电重建数据;
利用目标用户的历史用电重建数据分别与其它用户的历史用电重建数据计算RMSE值;
对所有计算的RMSE值进行排序,选取第一数量的较小RMSE值对应的其它用户作为与目标用户的用电行为相似度较高的相关用户。
可选地,所述对获取的所有用户的历史用电数据进行预处理,具体包括:
将获取的所有用户的历史用电数据进行缺失值处理;
将每个用户的历史用电数据按天划分样本,当天的0点到24点的用电数据作为一条样本。
可选地,所述基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据,具体包括:
基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为第二数量的分量数据;
利用历史用电数据与分解得到的各个分量数据分别构建目标用户和各个相关用户的第二数量的用户用电样本;
对目标用户的用户用电样本划分训练集,验证集,测试集,对各个相关用户的用户用电样本仅划分训练集;
利用目标用户的训练集和各个相关用户的训练集构建预测数据训练池。
可选地,所述用户用电样本表示为:
Xi(t)=[e(t-T+1),vi(t-T+1),e(t-T+2),vi(t-T+2),…,e(t),vi(t)]
其中,Xi(t)表示包含第i个分量数据的用户用电样本,e(t)表示在时间点t的历史用电数据,vi(t)表示在时间点t的第i个分量数据,T表示历史用电数据的时间步数。
可选地,所述预测数据训练池表示为:
可选地,所述短期电力负荷预测模型具体包括:
与历史用电数据的时间步分别对应的时间分布层、三个一维卷积层、多头注意力层、展平层和全连接层;
所述时间分布层分别将每个时间步特征做全连接操作;
所述三个一维卷积层用于将时间分布层的输出特征依次进行一维卷积运算;
所述多头注意力层一维卷积层输出的特征进行线性变换得到查询向量、键向量和值向量,再将查询向量、键向量和值向量拆分到多个子空间,对每个子空间分别进行缩放点积运算,最后将每个子空间的计算结果合并,得到最终的多头注意力计算结果;
所述展平层用于将多头注意力层输出的特征进行展平操作;
所述全连接层用于将展平层输出的特征进行融合,得到最终的预测结果。
本发明具有以下有益效果:
(1)本发明中提出了基于自编码器选择和目标用户用电行为相似度高的相关用户方法。该方法基于自编码器来计算多个用户间用电行为的相似程度,能够有效地选出和目标用户用电行为相似的相关用户。
(2)本发明中提出了基于集合经验模态分解来构建短期电力负荷预测模型输入的方法。用电数据受多种因素的影响,可将其看作是多种分量叠加的结果,将用电数据分解为不同趋势的分量,对每个分量单独进行分析,可以更全面地学习到用电数据中蕴含的规律。该方法利用集合经验模态分解技术对目标用户和选出的相关用户原始用电数据进行分解,利用分解后的数据和原始的用电数据构建用户用电样本以更好地表征用户的用电情况。此外,使用目标用户和选出的相关用户的训练集共同构建目标用户的训练池,使得后续负荷预测模型能够更充分学习到目标用户的用电模式。
(3)本发明中提出了基于一维卷积神经网络和多头注意力机制的短期电力负荷预测模型。该模型通过时间分布层将输入样本映射到更高维的隐藏空间,让一维卷积层提取高层次的时序特征,然后通过多头注意力层为不同时间点的特征施加不同的权重,突出对最终预测结果更重要的时间点特征。此外,该模型使用目标用户和选出的相关用户的训练集共同构建目标用户的训练池来进行训练,能够从中更充分学习到目标用户的用电模式,利用用户间的用电行为相似性来提升对目标用户短期电力负荷预测的准确性。
附图说明
图1为本发明实施例中一种基于用户间用电行为相似性的短期电力负荷预测方法的流程示意图;
图2为本发明实施例中短期电力负荷预测模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明实施例提供了一种基于用户间用电行为相似性的短期电力负荷预测方法,包括以下步骤S1至S4:
S1、获取所有用户的历史用电数据;
在本发明的一个可选实施例中,本发明针对所有用户,即目标用户和其它用户,获取所有用户的历史用电数据。
S2、基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户;
在本发明的一个可选实施例中,由于不同的用户可能具有相似的用电行为,通过选出和目标用户具有相似用户行为的其他相关用户,利用所选出相关用户的用电数据来扩充目标用户的训练集帮助提升目标用户的用电预测准确性。
现有选择和目标用户具有相似用电行为的其他用户方法通常是直接依据用户的用电数据通过聚类或者计算某些度量指标,这些方法仅仅停留在用户用电数据表面,没有深入挖掘出用户的用电模式。为此,本发明提出使用自编码器来学习目标用户的用电模式,基于自编码器学习到的目标用户用电模式来选择和目标用户具有相似用电行为的其他相关用户。
具体而言,本发明基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户,具体包括:
对获取的所有用户的历史用电数据进行预处理,并将预处理后的每个用户的历史用电数据划分训练集;
利用目标用户的训练集训练构建的自编码器模型;
将目标用户与其它用户的训练集输入训练后的自编码器模型中,得到目标用户与其它用户的历史用电重建数据;
利用目标用户的历史用电重建数据分别与其它用户的历史用电重建数据计算RMSE值;每个用户得到一个RMSE值,RMSE值反映了其他用户的用电行为和目标用户的用电行为相似程度;
对所有计算的RMSE值进行排序,选取第一数量的较小RMSE值对应的其它用户作为与目标用户的用电行为相似度较高的相关用户。具体可以对所有计算的RMSE值进行升序排序,选择m个RMSE值最小的其他用户作为和目标用户具有相似用电行为的相关用户。
其中对获取的所有用户的历史用电数据进行预处理,具体包括:
将获取的所有用户的历史用电数据进行缺失值处理,若某天的数据中存在缺失值则将当天的数据删除;
将每个用户的历史用电数据按天划分样本,当天的0点到24点的用电数据作为一条样本。
S3、基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据;
在本发明的一个可选实施例中,由于用电数据受多种因素的影响,比如用电者的用电习惯、温度、湿度等。用电数据可看作是多种不同分量叠加的结果,若直接对历史用电数据进行分析则无法全面地发现其内在的规律。因此,本发明考虑对历史用电数据进行分解,将用电数据分解为不同趋势的分量数据,对每个分量数据单独进行分析。
现有方法通常是直接使用一些信号分解技术将历史用电数据分解,然后在分解后的分量上构建用户用电样本,未考虑加入历史用电数据来构建样本。而本发明中所构建的用电样本由EEMD分解用户原始的用电数据得到的分量值以及原始的用电数据值构成。EEMD分解后得到的分量模态可能并不能完全独立,仍会存在一定的模态混叠的情况,所以将原始的用电负荷加入作为补充,这样构建的用电样本更好地表征用户的用电情况。
为了提升目标用户用电负荷的预测准确性,本发明考虑使用和目标用户用电行为相似度更高的其他用户训练集以及目标用户训练集共同构建目标用户的预测数据训练池。通过将和目标用户用电行为更相似的其他用户训练集与目标用户训练集合并,构建目标用户的预测数据训练池,增加了数据多样性。使用目标用户和选出的相关用户的训练集共同构建目标用户的预测数据训练池来训练负荷预测模型,模型能够更好地学习到目标用户的用电模式,有助于提升对目标用户负荷预测的准确性。
具体而言,本发明基于集合经验模态分解(EEMD)将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据,具体包括:
基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为第二数量的分量数据;这里第二数量为k个,即得到每个用户均分别得到k个分量数据;
利用历史用电数据与分解得到的各个分量数据分别构建目标用户和各个相关用户的第二数量的用户用电样本,即每个用户均分别得到k个用户用电样本;
对目标用户的用户用电样本划分训练集,验证集,测试集,对各个相关用户的用户用电样本仅划分训练集;
利用目标用户的训练集和各个相关用户的训练集构建预测数据训练池。
具体而言,本发明选取待预测时间点历史的T个时间步的用电负荷值以及EEMD分解后得到的分量值来构建用电样本,表示为
Xi(t)=[e(t-T+1),vi(t-T+1),e(t-T+2),vi(t-T+2),…,e(t),vi(t)]
其中,Xi(t)表示包含第i个分量数据的用户用电样本,e(t)表示在时间点t的历史用电数据,vi(t)表示在时间点t的第i个分量数据,T表示历史用电数据的时间步数。
利用目标用户的训练集和各个相关用户的训练集构建预测数据训练池表示为
S4、基于一维卷积神经网络和多头注意力机制构建短期电力负荷预测模型,利用短期电力负荷预测模型根据预测数据对目标用户进行短期电力负荷预测。
在本发明的一个可选实施例中,本发明基于一维卷积神经网络和多头注意力机制构建短期电力负荷预测模型,如图2所示,短期电力负荷预测模型具体包括:
与历史用电数据的时间步分别对应的时间分布层、三个一维卷积层、多头注意力层、展平层和全连接层;
其中时间分布层对输入的每个时间步特征做全连接操作,将输入的每个时间步特征进行初步的学习获得每个时间步初步的特征表达。时间分布层的计算表达式为:
H=TimeDistributed(Dense)(X)
其中,H表示时间分布层的输出,TimeDistributed(Dense)(·)表示时间分布层中进行全连接层的运算,X代表输入负荷预测模型的用电样本。
三个一维卷积层为级联连接,对时间分布层输出的特征进一步学习获得更高层次的特征表达,计算表达式为:
C=Conv1d(H)
其中,C代表一维卷积层的输出,Conv1d(·)代表一维卷积运算。
多头注意力层对一维卷积层输出的每个时间步特征施加不同的权重,突出对预测结果更重要的时间步特征表达。多头注意力层将一维卷积层输出的特征进行线性变换得到查询向量Q,键向量K,值向量V,计算表达式为:
Q=C*WQ
K=C*WK
V=C*WV
然后将Q,K,V分别进行拆分,拆分到h个子空间,形成Q=[Q1,Q2,..,Qh],K=[K1,K2,...,Kh],V=[V1,V2,..,Vh],每个子空间分别进行缩放点积运算。最后将每个子空间的计算结果合并,得到最终的多头注意力计算结果。计算表达式为:
MultiHead(Q,K,V)=Concate(head1,…,headh)WO
其中,dk为C的每个时间步的特征维度除以h,headi代表了单头注意力输出,MultiHead(Q,K,V)代表多头注意力输出,Concate(·)代表拼接操作,WO为权重矩阵。
展平层展平多头注意力层输出的特征以便后续的全连接层进行学习,计算表达式为:
M=Flatten(MultiHead(Q,K,V))
其中,M代表了多头注意力层输出的特征经过展平层得到的特征。
全连接层对展平层输出的特征进行融合,进行降维输出,计算表达式为:
y=Dense(Dense(M))
其中,y代表输出结果,Dense(·)为全连接层的运算。
本发明使用步骤S2中构建的k种用户用电样本分别训练k个基于一维卷积神经网络和注意力机制的负荷预测模型,获得k个负荷预测模型的输出结果,将k个负荷预测模型的输出结果相加得到最终的结果。
为了验证本发明提出的短期电力负荷预测方法的有效性,分别与两种当前较新的利用用户间相关信息的短期电力负荷预测方法:多任务多信息融合的深度学习框架(MFDL)和长短期记忆网络融合注意机制和池化(LSAMP)的短期电力负荷预测方法,以及普通的长短期记忆网络(LSTM)、多层感知机(MLP)、支持向量机(SVR)和极端学习机(ELM)方法进行了对比实验,如表1所示。
由上表可以看出,本发明方法MAPE为0.2312,MAE为0.1056,RMSE为0.1734,和其他的六个方法相比,MAPE提升范围为19.83%-72.19%,MAE提升范围为12.79%-74.78%,RMSE提升范围为11.75%-71.49%。这表明,本发明提出的负荷预测方法能够有效利用用户间的用电行为相似性来提升负荷预测的准确性。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于用户间用电行为相似性的短期电力负荷预测方法,其特征在于,包括以下步骤:
获取所有用户的历史用电数据;
基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户;
基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据;
基于一维卷积神经网络和多头注意力机制构建短期电力负荷预测模型,利用短期电力负荷预测模型根据预测数据对目标用户进行短期电力负荷预测。
2.根据权利要求1所述的一种基于用户间用电行为相似性的短期电力负荷预测方法,其特征在于,所述基于自编码器模型,计算目标用户与其它用户之间的用电行为相似度,从其它用户中选择与目标用户的用电行为相似度较高的相关用户,具体包括:
对获取的所有用户的历史用电数据进行预处理,并将预处理后的每个用户的历史用电数据划分训练集;
利用目标用户的训练集训练构建的自编码器模型;
将目标用户与其它用户的训练集输入训练后的自编码器模型中,得到目标用户与其它用户的历史用电重建数据;
利用目标用户的历史用电重建数据分别与其它用户的历史用电重建数据计算RMSE值;
对所有计算的RMSE值进行排序,选取第一数量的较小RMSE值对应的其它用户作为与目标用户的用电行为相似度较高的相关用户。
3.根据权利要求2所述的一种基于用户间用电行为相似性的短期电力负荷预测方法,其特征在于,所述对获取的所有用户的历史用电数据进行预处理,具体包括:
将获取的所有用户的历史用电数据进行缺失值处理;
将每个用户的历史用电数据按天划分样本,当天的0点到24点的用电数据作为一条样本。
4.根据权利要求1所述的一种基于用户间用电行为相似性的短期电力负荷预测方法,其特征在于,所述基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据,并与历史用电数据融合构建预测数据,具体包括:
基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为第二数量的分量数据;
利用历史用电数据与分解得到的各个分量数据分别构建目标用户和各个相关用户的第二数量的用户用电样本;
对目标用户的用户用电样本划分训练集,验证集,测试集,对各个相关用户的用户用电样本仅划分训练集;
利用目标用户的训练集和各个相关用户的训练集构建预测数据训练池。
5.根据权利要求4所述的一种基于用户间用电行为相似性的短期电力负荷预测方法,其特征在于,所述用户用电样本表示为:
Xi(t)=[e(t-T+1),vi(t-T+1),e(t-T+2),
vi(t-T+2),…,e(t),vi(t)]
其中,Xi(t)表示包含第i个分量数据的用户用电样本,e(t)表示在时间点t的历史用电数据,vi(t)表示在时间点t的第i个分量数据,T表示历史用电数据的时间步数。
7.根据权利要求1所述的一种基于用户间用电行为相似性的短期电力负荷预测方法,其特征在于,所述短期电力负荷预测模型具体包括:
与历史用电数据的时间步分别对应的时间分布层、三个一维卷积层、多头注意力层、展平层和全连接层;
所述时间分布层分别将每个时间步特征做全连接操作;
所述三个一维卷积层用于将时间分布层的输出特征依次进行一维卷积运算;
所述多头注意力层用于将一维卷积层输出的特征进行线性变换得到查询向量、键向量和值向量,再将查询向量、键向量和值向量拆分到多个子空间,对每个子空间分别进行缩放点积运算,最后将每个子空间的计算结果合并,得到最终的多头注意力计算结果;
所述展平层用于将多头注意力层输出的特征进行展平操作;
所述全连接层用于将展平层输出的特征进行融合,得到最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210750792.9A CN115099502B (zh) | 2022-06-29 | 2022-06-29 | 一种基于用户间用电行为相似性的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210750792.9A CN115099502B (zh) | 2022-06-29 | 2022-06-29 | 一种基于用户间用电行为相似性的短期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099502A CN115099502A (zh) | 2022-09-23 |
CN115099502B true CN115099502B (zh) | 2023-04-07 |
Family
ID=83295062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210750792.9A Active CN115099502B (zh) | 2022-06-29 | 2022-06-29 | 一种基于用户间用电行为相似性的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099502B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713435A (zh) * | 2022-11-15 | 2023-02-24 | 广州鲁邦通物联网科技股份有限公司 | 一种基于mec边缘智能网关的用电管理方法及*** |
CN116579884B (zh) * | 2023-07-12 | 2023-09-22 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3968247A4 (en) * | 2019-06-21 | 2022-12-21 | Siemens Aktiengesellschaft | METHOD AND DEVICE FOR ELECTRIC LOAD DATA PREDICTION AND INFORMATION HOLDER |
CN111191841B (zh) * | 2019-12-30 | 2020-08-25 | 润联软件***(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
CN112288595A (zh) * | 2020-10-30 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 一种电网负荷预测的方法、相关装置、设备及存储介质 |
CN113869590A (zh) * | 2021-09-30 | 2021-12-31 | 上海许继电气有限公司 | 一种基于eemd-lstm的区域能源互联网负荷预测方法及*** |
CN114021836B (zh) * | 2021-11-16 | 2023-05-16 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 |
CN114469124B (zh) * | 2022-01-30 | 2024-04-09 | 北京理工大学 | 一种运动过程中异常心电信号的识别方法 |
-
2022
- 2022-06-29 CN CN202210750792.9A patent/CN115099502B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115099502A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | A hybrid model based on selective ensemble for energy consumption forecasting in China | |
CN115099502B (zh) | 一种基于用户间用电行为相似性的短期电力负荷预测方法 | |
Zhang et al. | MLRNN: Taxi demand prediction based on multi-level deep learning and regional heterogeneity analysis | |
Li et al. | Vessel traffic flow forecasting by RSVR with chaotic cloud simulated annealing genetic algorithm and KPCA | |
CN106855957A (zh) | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 | |
CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及*** | |
CN112766619B (zh) | 一种商品时序数据预测方法及*** | |
Varshney et al. | A hybrid approach to price forecasting incorporating exogenous variables for a day ahead electricity market | |
Wei et al. | K-NN based neuro-fuzzy system for time series prediction | |
CN109146553A (zh) | 基于多密度聚类与多核svm的实时电价预测***及其方法 | |
Hasan et al. | Topology-aware learning assisted branch and ramp constraints screening for dynamic economic dispatch | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
Madhavi et al. | Multivariate deep causal network for time series forecasting in interdependent networks | |
Sarhani et al. | Feature selection and parameter optimization of support vector regression for electric load forecasting | |
Mele | A review of machine learning algorithms used for load forecasting at microgrid level | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
LIANG et al. | Prediction of optimal rescheduling mode of flexible job shop under the arrival of a new job | |
Li et al. | Research on recommendation algorithm based on e-commerce user behavior sequence | |
Jittanon et al. | Intelligent forecasting of energy consumption using temporal fusion transformer model | |
Yang et al. | Research on distributed photovoltaic power prediction based on spatiotemporal information ensemble method | |
Arbeláez-Duque et al. | Deep Neural Networks for Global Horizontal Irradiation Forecasting: A Comparative Study | |
CN114154749B (zh) | 一种考虑实时行为电价分区多模态变形负荷预测方法 | |
Huang et al. | Electricity Price Prediction Framework Based on Two-Stage Time Series Decomposition | |
Zhu et al. | Short-term load forecasting based on CNNSeq2seq model with temporal pattern attention | |
CN116865235A (zh) | 一种基于lstm与多模型集成的负荷预测方法及装置 |
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 |