基于深度神经网络模型融合的电力负荷预测方法、装置制造方法及图纸

本发明专利技术涉及基于神经网络模型融合的日前电力负荷预测方法，包括如下步骤：获取需要预测的电力负荷日期之前电表的负荷数据，通过AP聚类算法对其进行聚类分组；分别构建CNN神经网络、LSTM神经网络及CNN‑LSTM相结合的神经网络，并对其进行训练；将三个深度神经网络的输出层丢弃，将输出层前一层的隐藏层的输出作为高级特征，并将隐藏层输出组合成融合之后的高级特征；冻结训练好的三个网络的网络权重，并添加多通道卷积层作为模型融合层，对融合层参数进行训练；将需要预测日期的前N天的负荷数据分别输入到融合模型，得到最终的日前电力负荷数据；本发明专利技术使用融合后的网络模型进行日前负荷预测，提高日前负荷预测的精度。

Power load forecasting method and device based on deep neural network model fusion

【技术实现步骤摘要】
基于深度神经网络模型融合的电力负荷预测方法、装置
本专利技术属于智能配用电
，尤其涉及基于深度神经网络模型融合的电力负荷预测方法、装置。
技术介绍
日前负荷预测其重要意义在于能指导电力公司优化发电机组的启停与检修计划，从而提高电力系统运行的经济性。目前，随着智能电网的发展，负荷预测问题遇到了新挑战。智能电表的广泛接入使得通过智能电表数据改进日前负荷预测精度成为可能。通过深度学习方法，基于收集得到大量智能电表数据信息，对信息和数据进行分析、处理和反馈，可以充分利用多源异构的海量数据，为传统物理建模方法难以处理的问题提供了新的解决思路。开展人工智能技术在负荷预测中的应用，促进智能电表大数据与人工智能技术的结合，满足智能配用电对负荷预测的新需求，对智能配用电的发展建设具有重要意义。基于智能电表数据开展日前负荷预测，其问题在于智能电表的采样频率较高，采集到的负荷曲线更为精细，所有用户组成的负荷曲线特征复杂，已有基于单个深度神经网络的负荷预测方法，难以充分学习该负荷曲线的变化趋势进而对其进行预测，并且对于不同的特征各神经网络各有优劣，使用单一神经网络进行预测无法充分发挥不同深度神经网络的效果；另外不同用户的用电特性不同，使用相同的深度神经网络进行建模，难以获得一致的预测结果。因此，考虑到这些问题，本专利技术提供一种基于智能电表分组预测及深度神经网络模型融合的日前负荷预测方法，首先通过AP聚类算法对用户进行分组，然后训练多个适用的深度神经网络进行预测，将深度神经网络的输出层截断，通过多通道卷积组合不同深度神经网络的高级特征，重复训练过程，实现不同网络模型的融合，从而提高日前负荷预测的精度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于智能电表分组预测及深度神经网络模型融合的日前负荷预测方法。首先通过AP聚类算法对用户进行分组，然后训练多个适用的深度神经网络进行预测。将深度神经网络的输出层截断，通过多通道卷积组合不同深度神经网络的高级特征，重复训练过程，实现不同网络模型的融合，从而提高日前负荷预测的精度。本专利技术解决其技术问题是采取以下技术方案实现的：基于神经网络模型融合的日前电力负荷预测方法，所述日前电力负荷预测方法包括如下步骤：S1、获取需要预测的电力负荷日期之前M天的智能电表的负荷数据，通过AP聚类算法对其进行聚类分组，将不同用电模式的用户进行了区分，使得各组用户均具有相似的用电模式；S2、分别构建CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络，并利用步骤S1中得到的分组数据对其进行训练；S3、将步骤S2中训练好的三个深度神经网络的输出层丢弃，将输出层前一层的隐藏层的输出作为高级特征，并将三个深度神经网络的隐藏层输出组合成一个新的特征向量，即得到三个深度神经网络的融合之后的高级特征；S4、冻结步骤S2训练好的三个网络的网络权重，并添加多通道卷积层作为模型融合层，利用步骤S1中得到的分组数据对融合层参数进行训练，即完成了三个神经网络的融合从而形成了新的融合模型；S5、根据步骤S1得到的各组用户负荷数据，将需要预测日期的前N天的各组智能电表的负荷数据分别输入到步骤S4中训练好的融合模型，融合模型对各组负荷数据进行预测，然后将各组预测值相加，即得到最终的日前电力负荷数据；其中，所述步骤S1及S5中，M与N均为自然数，且150≤M，3≤N≤10。进一步的，所述步骤S2中CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络的构建及训练均使用python编程语言中keras深度学习工具包。进一步的，所述步骤S2中CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络的训练方法为：将步骤S1中经过聚类的智能电表组分割为训练所用的样本集，具体的：将步骤S1中经过聚类的每组智能电表均分割成多个样本，每个样本由N+1天组成，使用前N天作为网络的输入，后一天作为网络的标签和评估模型时的参考值，在各样本集上分别训练步骤S2构建的三种深度神经网络，得到对应的深度神经网络模型。进一步的，所述步骤S4中融合层参数的训练方法为：将步骤S1中经过聚类的智能电表组分割为训练所用的样本集，具体的：将步骤S1中经过聚类的每组智能电表均分割成多个样本，每个样本由N+1天组成，使用前N天作为网络的输入，后一天作为网络的标签和评估模型时的参考值，在各样本集上分别训练S4中的融合层参数，得到对应的融合模型。进一步的，所述步骤S5中各组智能电表的负荷数据是指：将各组内所有用户的负荷数据相加，即可得到各组智能电表的负荷数据。基于神经网络模型融合的日前电力负荷预测装置，包括：智能电表负荷数据获取分组模块，用于获取需要预测的日前电力负荷日期之前M天的智能电表的负荷数据，通过AP聚类算法对其进行聚类分组，将不同用电模式的用户进行了区分，使得各组用户均具有相似的用电模式；深度神经网络构建及训练模块，用于分别构建CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络，并基于智能电表负荷数据获取分组模块中得到的分组数据对其进行训练；高级特征获取模块，用于将深度神经网络构建及训练模块中训练好的三个深度神经网络的输出层丢弃，将输出层前一层的隐藏层的输出作为高级特征，并将三个深度神经网络的隐藏层输出组合成一个新的特征向量，即得到三个深度神经网络的融合之后的高级特征；深度神经网络融合及训练模块，用于冻结高级特征获取模块训练好的三个网络的网络权重，并添加多通道卷积层作为模型融合层，利用智能电表负荷数据获取分组模块中得到的分组数据对融合层参数进行训练，即完成了上述三个神经网络的融合从而形成了新的融合模型；日前电力负荷数据预测获取模块，用于将需要预测日期的前N天的各组智能电表的负荷数据输入到深度神经网络融合及训练模块中训练好的融合模型，融合模型对各组负荷数据进行预测，然后将各组预测值相加，即得到最终的日前电力负荷数据。一种计算设备，包括：一个或多个处理单元；存储单元，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行上述的基于神经网络模型融合的日前电力负荷预测方法。一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现上述的基于神经网络模型融合的日前电力负荷预测方法的步骤。本专利技术的优点和积极效果是：本专利技术通过电表的负荷曲线，使用AP聚类算法对其进行聚类分组，然后利用聚类分组后的用户负荷数据训练多个适用的深度神经网络，将深度神经网络的输出层截断，通过多通道卷积组合不同深度神经网络的高级特征，冻结已训练过的网络权重，重复训练过程，从而实现不同网络模型的融合，使用融合后的网络模型进行日前负荷预测，提高日前负荷预测的精度。附图说明以下将结合附图和实施例来对本专利技术的技术方案作进一步的详细描述，但是应当知道本文档来自技高网...

【技术保护点】
1.基于神经网络模型融合的日前电力负荷预测方法，其特征在于：所述日前电力负荷预测方法包括如下步骤：/nS1、获取需要预测的电力负荷日期之前M天的智能电表的负荷数据，通过AP聚类算法对其进行聚类分组，将不同用电模式的用户进行了区分，使得各组用户均具有相似的用电模式；/nS2、分别构建CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络，并利用步骤S1中得到的分组数据对其进行训练；/nS3、将步骤S2中训练好的三个深度神经网络的输出层丢弃，将输出层前一层的隐藏层的输出作为高级特征，并将三个深度神经网络的隐藏层输出组合成一个新的特征向量，即得到三个深度神经网络的融合之后的高级特征；/nS4、冻结步骤S2训练好的三个网络的网络权重，并添加多通道卷积层作为模型融合层，利用步骤S1中得到的分组数据对融合层参数进行训练，即完成了三个神经网络的融合从而形成了新的融合模型；/nS5、根据步骤S1得到的各组用户负荷数据，将需要预测日期的前N天的各组智能电表的负荷数据分别输入到步骤S4中训练好的融合模型，融合模型对各组负荷数据进行预测，然后将各组预测值相加，即得到最终的日前电力负荷数据；/n其中，所述步骤S1及S5中，M与N均为自然数，且M＞N。。/n...

【技术特征摘要】
1.基于神经网络模型融合的日前电力负荷预测方法，其特征在于：所述日前电力负荷预测方法包括如下步骤：
S1、获取需要预测的电力负荷日期之前M天的智能电表的负荷数据，通过AP聚类算法对其进行聚类分组，将不同用电模式的用户进行了区分，使得各组用户均具有相似的用电模式；
S2、分别构建CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络，并利用步骤S1中得到的分组数据对其进行训练；
S3、将步骤S2中训练好的三个深度神经网络的输出层丢弃，将输出层前一层的隐藏层的输出作为高级特征，并将三个深度神经网络的隐藏层输出组合成一个新的特征向量，即得到三个深度神经网络的融合之后的高级特征；
S4、冻结步骤S2训练好的三个网络的网络权重，并添加多通道卷积层作为模型融合层，利用步骤S1中得到的分组数据对融合层参数进行训练，即完成了三个神经网络的融合从而形成了新的融合模型；
S5、根据步骤S1得到的各组用户负荷数据，将需要预测日期的前N天的各组智能电表的负荷数据分别输入到步骤S4中训练好的融合模型，融合模型对各组负荷数据进行预测，然后将各组预测值相加，即得到最终的日前电力负荷数据；
其中，所述步骤S1及S5中，M与N均为自然数，且M＞N。。


2.根据权利要求1所述的基于神经网络模型融合的日前电力负荷预测方法，其特征在于：所述步骤S2中CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络的构建及训练均使用python编程语言中keras深度学习工具包。


3.根据权利要求1所述的基于神经网络模型融合的日前电力负荷预测方法，其特征在于：所述步骤S2中CNN神经网络、LSTM神经网络及CNN-LSTM相结合的神经网络的训练方法为：
将步骤S1中经过聚类的智能电表组分割为训练所用的样本集，具体的：将步骤S1中经过聚类的每组智能电表均分割成多个样本，每个样本由N+1天组成，使用前N天作为网络的输入，后一天作为网络的标签和评估模型时的参考值，在各样本集上分别训练步骤S2构建的三种深度神经网络，得到对应的深度神经网络模型。


4.根据权利要求1所述的基于神经网络模型融合的日前电力负荷预测方法，其特征在于：所述步骤S4中融合层参数的训练方法为：
将步骤S1中经过聚类的智能电表组分割为训练所用的样本集，具体的：将步骤S1中经过聚类的每组智能电表均分割成多个样本，每个样本由N+1天组成，使用...

【专利技术属性】
技术研发人员：王守相，陈海文，蔡声霞，马琪，
申请(专利权)人：天津相和电气科技有限公司，国网天津市电力公司，天津大学，
类型：发明
国别省市：天津;12