CN116646917A - 一种校园多步概率电力负荷预测方法及*** - Google Patents
一种校园多步概率电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN116646917A CN116646917A CN202310453690.5A CN202310453690A CN116646917A CN 116646917 A CN116646917 A CN 116646917A CN 202310453690 A CN202310453690 A CN 202310453690A CN 116646917 A CN116646917 A CN 116646917A
- Authority
- CN
- China
- Prior art keywords
- load prediction
- time
- load
- data
- campus
- 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 40
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/08—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
- G06Q10/04—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
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种校园多步概率电力负荷预测方法及***，涉及短期负荷预测技术领域，收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集；基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集；构建基于编码器‑解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练；采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布；本发明构建了一种长短期记忆(LSTM)网络和混合密度网络(MDN)的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果，用以解决信息不完备信息情况下的校园建筑短期负荷预测问题。
Description
技术领域
本发明属于短期负荷预测技术领域，尤其涉及一种校园多步概率电力负荷预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
短期负荷预测(STLF)预测未来一段时间的电力需求，这里的未来一段时间，通常是一天或一周；STLF在整个电力***中发挥着重要作用，在发电阶段，可以帮助平衡供应和需求，从而防止电力短缺或过剩，提高***的可靠性和安全性；在用电阶段，STLF帮助客户了解即将到来的电力负荷变化，使他们能够更有效地计划用电，提高用电效率，并降低成本，据统计，建筑运行用电量占社会总耗电量的30％以上；因此，对建筑运行过程中的用电进行有效管理对减少能源消耗和促进节能减排非常重要，STLF可以有效地协助实现这些目标。
对于高校建筑，STLF可以帮助高校能源管理部门制定合理的用电计划，保证电力运行的安全性和可靠性；通过分析预测结果，帮助优化设备用电，减少浪费，降低电费和碳排放，从而在高校电力***运行中发挥关键作用。
然而，与大型工业、商业或住宅建筑相比，大学建筑受各种因素影响，如教学计划、学生行为、天气、假期等，其用电量波动很大，这些因素导致了用电的周期性变化较差；此外，通常无法获得影响电力消耗的全部信息，例如学生行为、人流量等一些不确定因素，这给STLF技术带来了重大挑战。
发明内容
为克服上述现有技术的不足，本发明提供了一种校园多步概率电力负荷预测方法及***，构建了一种长短期记忆(LSTM)网络和混合密度网络(MDN)的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果，用以解决信息不完备信息情况下的校园建筑短期负荷预测问题。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种校园多步概率电力负荷预测方法；
一种校园多步概率电力负荷预测方法，包括：
收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集；
基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集；
构建基于编码器-解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练；
采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布；
其中，所述负荷预测模型，构建一种长短期记忆网络和混合密度网络的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果。
进一步的，所述与电力负荷相关的数据，包括以预设时长为单位的负荷值、日期相关的数据、节假日信息、天气相关的数据；
所述负荷值是以时间步t imestep为起点、预设时长内的校园建筑用电量；
所述日期相关的数据，表示时间步t imestep对应的特征信息，包含一年中的第几月、一周中的第几天、一天中的第几个小时；
所述节假日信息：用0与1表示是否为休息日，0表示工作日，1表示休息日；
所述天气相关的数据包含：温度、湿度、风速、降雨量、气压、平均云量。
进一步的，所述预处理，包括排序、数据清洗、标准化和特征降维；
所述排序，是根据用电量的时间步t imestep，对原始数据集中的数据进行排序；
所述数据清洗，对有缺失数据或者异常数据的样本采用上一个样本与下一个样本对应数据的均值进行填充或替换；
所述标准化，对日期相关的数据、节假日信息采用one-hot编码进行处理，对天气相关的数据以及负荷值采用z-score进行标准化处理；
所述特征降维，采用自编码器对one-hot编码进行降维，得到每个时间步对应的负荷值和特征向量。
进一步的，所述构造时间序列3D张量，具体为：
首先，采用滑动窗口法将排序后的原始数据集划分为多个子序列，将每个子序列作为一个样本；
然后，对于每个子序列，将其转换为一个2D矩阵，其中，行表示时间步，列表示特征向量；
最后，将所有子序列，按照划分顺序堆叠成时间序列3D张量。
进一步的，所述时间序列3D张量，分为四个部分：历史与负荷相关的其他数据X-history、历史负荷值Y-history、未来可知的与负荷相关的数据X-target、以及目标负荷值Y-target，用于对负荷预测模型进行训练。
进一步的，所述负荷预测模型，利用基于双阶段注意力机制的循环神经网络作为编码器，自适应地捕捉时间序列3D张量的时间依赖性。
进一步的，所述负荷预测模型，采用基于负对数似然的惩罚增强型损失函数对训练过程进行控制；
所述基于负对数似然的惩罚增强型损失函数，在负对数似然损失函数的基础上，引入多步概念，并为每个时间步计算权重，增强对时间序列中偏高的负荷值的学习能力。
本发明第二方面提供了一种校园多步概率电力负荷预测***。
一种校园多步概率电力负荷预测***，包括预处理模块、序列构造模块、模型构建模块和模型预测模块：
预处理模块，被配置为：收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集；
序列构造模块，被配置为：基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集；
模型构建模块，被配置为：构建基于编码器-解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练；
模型预测模块，被配置为：采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布；
其中，所述负荷预测模型，构建一种长短期记忆网络和混合密度网络的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种校园多步概率电力负荷预测方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种校园多步概率电力负荷预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明针对校园场景下短期电力负荷问题，提出了一种基于DA-RNN-MDN模型来实现大学建筑的多步骤概率负荷预测的方法，具体来说，是一种基于编码器-解码器结构的模型，利用基于注意力的双阶段递归神经网络(DA-RNN)作为编码器，自适应地捕捉时间序列数据的时间依赖性的优势，从历史数据中提取相关信息；此外，构建了一种长短期记忆(LSTM)网络和混合密度网络(MDN)的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果；首次将将时间序列多步预测与概率模型结合应用于校园建筑负荷预测问题，在校园场景下，由于一些潜在的影响电力负荷的信息难以收集，负荷值预测准确率低，不能够满足实际应用的需求；概率负荷预测可以用于做风险评估，也可以用负荷概率分布构建置信区间制定规划，能给电力管理部门更多的决策支持，同时多步预测也能反映负荷的变化趋势，更有利于管理人员提前做决策。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为第一个实施例的方法流程图。
图2为第一个实施例负荷预测模型DA-RNN-MDN的模型结构图。
图3为第一个实施例4个时间步负荷的概率分布示意图。
图4为第一个实施例24个时间步负荷的值与置信区间示意图。
图5为第二个实施例的***结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
现有的STLF相关研究大多集中在负荷值预测方面，在大学这种场景，负荷值预测的低精确度导致了实际应用价值的降低；概率性负荷预测是一个不错的选择，因为它可以通过预测概率分布为电力管理提供更多的决策信息；然而，概率模型还没有被应用到校园建筑负荷预测领域，而且现有的时间序列概率预测模型从历史时间序列数据中提取信息的能力较弱，导致预测效果不佳；此外，与单步负荷预测提供单点预测信息不同，多步预测可以提供连续的决策支持，可以反映负荷趋势，具有较高的实际应用价值；因此，多步预测与概率预测如何有效的结合，是本发明研究的重点。
实施例一
本实施例公开了一种校园多步概率电力负荷预测方法，以一栋教学楼(这里简称为A)为例，如图1所示，一种校园多步概率电力负荷预测方法，包括：
步骤S1：收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集，具体步骤为：
步骤S101：收集影响校园建筑电力负荷值及相关的影响因素数据。
具体的，收集近两年的与电力负荷相关的数据，包括以小时为单位的负荷值、日期相关的数据、节假日信息、天气相关的数据等。
其中，负荷值是建筑物在以时间步t imestep为起点、以小时为步长的时间段内的用电量，这里的时间步t imestep，采用LSTM中的t imestep定义，在时间序列预测中，时间步t imestep是指在时间轴上的一个特定时刻，时间步通常是均匀分布的，例如每小时、每天、每周或每月等。在时间序列预测中，使用过去的时间步来预测未来的时间步，本实施例中，时间步以小时为步长均匀分布；例如，时间步为“2023-04-19 08:00:00”的负荷值，为“2023-04-19 08:00:00”-“2023-04-19 09:00:00”这一时间段内建筑物A的用电量。
日期相关的数据，表示时间步t imestep对应的特征信息，包含一年中的第几月、一周中的第几天、一天中的第几个小时。
节假日信息则是用0与1表示是否为休息日，0表示工作日，1表示休息日。
天气相关的数据包含温度、湿度、风速、降雨量、气压、平均云量等。
步骤S101：预处理，也就是特征工程，具体包括排序、数据清洗、标准化和特征降维。
(1)排序，根据用电量的时间步timestep，对数据进行排序，也就是按照时间排序。
(2)数据清洗，对有缺失数据或者异常数据的样本采用上一个样本与下一个样本对应数据的均值进行填充或替换。
(3)标准化，对日期相关的数据、节假日信息这些离散类型的数据采用one-hot编码进行处理，对天气相关的数据以及负荷值这些连续类型的数据采用z-score进行标准化处理。
(4)特征降维，采用自编码器对one-hot编码进行降维，得到每个时间步对应的负荷值和特征向量。
经过预处理后，原始数据集中每个数据项的格式为(时间步、负荷值、特征向量)，这里的特征向量，由影响因素数据组成。
步骤S2：基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集。
在校园建筑负荷预测问题中，提出了一种新型的序列数据构建方式，用于从原始数据集中构建四个时间序列3D张量：与负荷相关的历史特征向量(X-history)、历史负荷值(Y-history)、可知的与负荷相关的未来特征向量(X-target)以及目标负荷值(Y-target)。
历史特征向量X-history与历史负荷值Y-history的形状为(num_samples,sequence_length,num_features)，其中，num_samples表示样本数，即子序列数，sequence_length表示每个子序列的长度，即窗口大小，num_features表示每个时间步上的特征数。未来特征向量X-target与目标负荷值Y-target的形状为(num_samples,output_sequence_length,num_targets)，其中output_sequence_length表示目标序列的长度，即需要预测的时间步数，num_targets表示每个时间步上需要预测的目标特征数。注意，Y-history与Y-target只包含负荷值，因此它们的第三维度num_targets均为1。在本实例中，将sequence_length设置为48，output_sequence_length设置为24。采用一种新型的序列数据构建方式，构建时间序列3D张量，具体为：
首先，采用滑动窗口法将排序后的原始数据集划分为多个子序列，将每个子序列作为一个样本；
然后，对于每个子序列，将其转换为一个2D矩阵，其中，行表示时间步，列表示特征向量；
最后，将所有子序列，按照划分顺序堆叠成时间序列3D张量。
步骤S3：构建基于编码器-解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练。
为了解决校园多步概率负荷预测问题，建立基于编码器-解码器结构的负荷预测模型DA-RNN-MDN，模型结构如图2所示。
具体来说，将一个基于双阶段注意力机制的循环负荷预测模型(DA-RNN)被用作编码器，把S2中所描述的X-history与Y-history输入到编码器，编码器从大量的历史数据中提取相关的信息，去除冗余信息，并学习负荷的时间变化规律，输出所学习到的隐状态E-hidden以及历史最后一个时间步的负荷值yt。
解码器，采用一种长短期记忆神经网络(LSTM)和混合密度网络(MDN)的混合结构，以实现多步骤的概率预测，并确保多个预测结果之间的时间相关性，解码器的初始输入是编码器的输出和上一个时间步的负荷值；此外，把要预测的第一个时间步的未来特征X-target添加到输入中；然后，这些数据被输入到LSTM单元进行学习，并通过MDN输出预测结果Y-predict；Y-predict包括多个一般分布的参数和每个分布的权重。
本实施例中，使用高斯分布作为一般分布，因此，MDN输出的参数是每个分布的平均值、标准差和权重，最后通过加权求和形成混合概率分布函数P(x)：
其中，K是一般分布的数量，可以预先设定，需要根据预测效果进行调整；αk是第k个高斯分布的权重；μk和σk分别代表第k个高斯分布的平均值和标准差；αk、μk、σk都是要由模型输出的参数。
预测值是通过对预测的概率分布进行多次抽样并取其平均值得到的，然后将预测值和LSTM的当前隐藏状态输入到下一步；这个过程在每个时间步骤中重复进行，直到预测完最后一个时间步；这种方法保证了未来多步骤负荷预测的时间相关性；并通过使用与未来相关的信息来减少预测结果的偏差并减少误差的积累，从而提高了准确性。
为了模型训练，设计了一个基于负对数似然(NLL)的惩罚增强损失函数，计算Y-predict与Y-target之间的误差，并用于模型的优化；在负对数似然损失函数的基础上，引入多步概念，并为每个时间步计算权重，增强对时间序列中偏高的负荷值的学习能力。
具体的，由于该模型是为多步预测而设计的，在多步概率负荷预测过程中，在实际应用中希望对高负荷情况预测更准确的需求，希望增强其对时间序列中偏高的负荷值的学***均值确定的，假设当前时间序列的长度为T，第j个时间步的值为xj，那么这个时间步的权重wj可以用以下公式计算：
权重W根据Y-target构建，因此形状为(num_samples,output_sequence_length,1)。
最后，模型的惩罚增强损失函数定义如下：
该函数用于评估预测的概率分布和观测数据之间的拟合度，在这个方程中，N代表样本总数，T代表一个样本的时间步数，wnt代表第n个目标变量在时间步数t的权重，Pnt(x)代表第n个目标变量在时间步数t的混合物高斯分布，通过AdamW优化器最小化Loss函数，得到Pnt(x)参数的最大似然估计，设定训练轮数确定最终模型。
步骤S4：采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布。
获取待预测的负荷相关的数据，通过步骤S1-S2的方法，得到模型输入数据X-history、Y-hi story、X-target,将其输入到训练好的负荷预测模型中，得到未来24个时间步负荷的概率分布的参数，每个时间步的预测结果包括4个高斯分布的权重、均值和方差；通过这些参数，可以得到每个时间步的负荷的概率分布，图3抽取了4个时间步负荷的概率分布进行展示。
通过分析概率分布，可以得到多个时间步的负荷值以及置信区间的预测结果，具体的，通过对每个概率分布多次采样并取均值，可以得到未来24小时负荷值，通过对概率分布设定置信度获得未来24个小时负荷的置信区间，如图4所示。
实施例二
本实施例公开了一种校园多步概率电力负荷预测***；
如图5所示，一种校园多步概率电力负荷预测***，包括预处理模块、序列构造模块、模型构建模块和模型预测模块：
预处理模块，被配置为：收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集；
序列构造模块，被配置为：基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集；
模型构建模块，被配置为：构建基于编码器-解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练；
模型预测模块，被配置为：采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布；
其中，所述负荷预测模型，构建一种长短期记忆网络和混合密度网络的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的一种校园多步概率电力负荷预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的一种校园多步概率电力负荷预测方法中的步骤。
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 (10)
1.一种校园多步概率电力负荷预测方法，其特征在于，包括：
收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集；
基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集；
构建基于编码器-解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练；
采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布；
其中，所述负荷预测模型，构建一种长短期记忆网络和混合密度网络的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果。
2.如权利要求1所述的一种校园多步概率电力负荷预测方法，其特征在于，所述与电力负荷相关的数据，包括以预设时长为单位的负荷值、日期相关的数据、节假日信息、天气相关的数据；
所述负荷值是以时间步timestep为起点、预设时长内的校园建筑用电量；
所述日期相关的数据，表示时间步timestep对应的特征信息，包含一年中的第几月、一周中的第几天、一天中的第几个小时；
所述节假日信息：用0与1表示是否为休息日，0表示工作日，1表示休息日；
所述天气相关的数据包含：温度、湿度、风速、降雨量、气压、平均云量。
3.如权利要求2所述的一种校园多步概率电力负荷预测方法，其特征在于，所述预处理，包括排序、数据清洗、标准化和特征降维；
所述排序，是根据用电量的时间步timestep，对原始数据集中的数据进行排序；
所述数据清洗，对有缺失数据或者异常数据的样本采用上一个样本与下一个样本对应数据的均值进行填充或替换；
所述标准化，对日期相关的数据、节假日信息采用one-hot编码进行处理，对天气相关的数据以及负荷值采用z-score进行标准化处理；
所述特征降维，采用自编码器对one-hot编码进行降维，得到每个时间步对应的负荷值和特征向量。
4.如权利要求3所述的一种校园多步概率电力负荷预测方法，其特征在于，所述构造时间序列3D张量，具体为：
首先，采用滑动窗口法将排序后的原始数据集划分为多个子序列，将每个子序列作为一个样本；
然后，对于每个子序列，将其转换为一个2D矩阵，其中，行表示时间步，列表示特征向量；
最后，将所有子序列，按照划分顺序堆叠成时间序列3D张量。
5.如权利要求1所述的一种校园多步概率电力负荷预测方法，其特征在于，所述时间序列3D张量，分为四个部分：历史与负荷相关的其他数据X-history、历史负荷值Y-history、未来可知的与负荷相关的数据X-target、以及目标负荷值Y-target，用于对负荷预测模型进行训练。
6.如权利要求1所述的一种校园多步概率电力负荷预测方法，其特征在于，所述负荷预测模型，利用基于双阶段注意力机制的循环神经网络作为编码器，自适应地捕捉时间序列3D张量的时间依赖性。
7.如权利要求1所述的一种校园多步概率电力负荷预测方法，其特征在于，所述负荷预测模型，采用基于负对数似然的惩罚增强型损失函数对训练过程进行控制；
所述基于负对数似然的惩罚增强型损失函数，在负对数似然损失函数的基础上，引入多步概念，并为每个时间步计算权重，增强对时间序列中偏高的负荷值的学习能力。
8.一种校园多步概率电力负荷预测***，其特征在于，包括预处理模块、序列构造模块、模型构建模块和模型预测模块：
所述预处理模块，被配置为：收集校园建筑与电力负荷相关的数据，并进行预处理，得到原始数据集；
所述序列构造模块，被配置为：基于原始数据集，采用滑动时间窗口法，构造时间序列3D张量，组成训练数据集；
所述模型构建模块，被配置为：构建基于编码器-解码器结构的负荷预测模型，并通过训练数据集对负荷预测模型进行训练；
所述模型预测模块，被配置为：采用训练好的负荷预测模型，预测未来多个时间步负荷的概率分布；
其中，所述负荷预测模型，构建一种长短期记忆网络和混合密度网络的混合结构作为解码器，确保负荷预测的多个结果之间的时间相关性，并以概率分布的形式输出未来多个时间步的负荷预测结果。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310453690.5A CN116646917A (zh) | 2023-04-21 | 2023-04-21 | 一种校园多步概率电力负荷预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310453690.5A CN116646917A (zh) | 2023-04-21 | 2023-04-21 | 一种校园多步概率电力负荷预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116646917A true CN116646917A (zh) | 2023-08-25 |
Family
ID=87638894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310453690.5A Pending CN116646917A (zh) | 2023-04-21 | 2023-04-21 | 一种校园多步概率电力负荷预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116646917A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977584A (zh) * | 2024-04-02 | 2024-05-03 | 山东大学 | 电力负荷概率预测方法、***、介质、设备及程序产品 |
-
2023
- 2023-04-21 CN CN202310453690.5A patent/CN116646917A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977584A (zh) * | 2024-04-02 | 2024-05-03 | 山东大学 | 电力负荷概率预测方法、***、介质、设备及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009140B (zh) | 一种日电力负荷预测方法及预测装置 | |
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| Lu et al. | A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110989044B (zh) | 空气质量分指数级别概率预报方法、装置、设备及存储介质 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
| CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及*** | |
| CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
| CN117977587B (zh) | 基于深度神经网络的电力负荷预测***及方法 | |
| CN112348287A (zh) | 基于lstm分位数回归的电力***短期负荷概率密度预测方法 | |
| CN115496603A (zh) | 基于人工智能技术的电力市场新能源日前交易决策方法 | |
| Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
| Mey et al. | Prediction of energy consumption for variable customer portfolios including aleatoric uncertainty estimation | |
| Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
| Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
| Grandón et al. | Electricity demand forecasting with hybrid classical statistical and machine learning algorithms: Case study of Ukraine | |
| CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
| Abolghasemi et al. | How to predict and optimise with asymmetric error metrics | |
| CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、*** | |
| Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
| CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
| Mokilane et al. | Bayesian structural time-series approach to a long-term electricity demand forecasting | |
| CN114418168A (zh) | 一种区域火力发电量中长期预测方法和*** |
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 |