基于深度学习的电网负荷预测方法、系统、设备及介质技术方案

本发明专利技术公开了一种基于深度学习的电网负荷预测方法、系统、设备及介质，所述预测方法包括：获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；对所述基准数据进行预处理；将预处理后的基准数据划分为训练集及测试集；将所述训练集输入神经网络模型，以优化所述神经网络模型；将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。本发明专利技术还公开了一种基于深度学习的电网负荷预测系统、一种计算机设备及一种计算机可读存储介质。采用本发明专利技术，可通过深度学习增强了模型的拟合程度和泛化能力，提高预测结果的准确性。果的准确性。果的准确性。

【技术实现步骤摘要】
基于深度学习的电网负荷预测方法、系统、设备及介质


[0001]本专利技术涉及电网
，尤其涉及一种基于深度学习的电网负荷预测方法、一种基于深度学习的电网负荷预测系统、一种计算机设备及一种计算机可读存储介质。

技术介绍

[0002]我国经济的高速发展带动了我国电网的建设，高科技时代也让人们在生活和工作中对电能的稳定持续供应的需求增强。电能是不能够进行储存的，其生产、传输以及销售使用等环节都是在统一时间进行的，因此，保持电能在从生产到供应使用的各个阶段能够稳定地满足人们任何时刻的需要是至关重要的。但是，电能的需求也是根据时间、季节、天气等原因随时都在变化，若能够对电能的需求进行预测，就能够根据预测结果调整供电计划，保证人们日常生活和生产的需求，使得电能的供应以及需求可以达到一个平衡的状态，这样才能够确保电力供应的质量。
[0003]目前，针对电能的需求普遍采用以下三种预测方法：一、回归分析法。对电力负荷的历史数据进行影响因素分析，通过分析影响因素和负荷的关系来搭建预测模型。但是，该方法中若采用线性回归方式，则拟合程度低，预测精度较低；若采用非线性回归方式，则过程复杂，开销较大。
[0004]二、指数平滑法进行预测。使用电荷的历史数据进行计算，然后通过电力负荷时间的顺序来完成对未来值的直接预测。但是，该方法中若使用简单的全期平均法，则对时间数列的过去数据一个不漏地全部加以同等利用;若使用移动平均法，则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重。
[0005]三、专家预测法。从实践中提取电力专家在电力系统事故处理中获得的主观认知，创建完善的专家数据库，并对数据库进行实时更新，达到模拟专家思维的效果。但是，该方法主要依据专家个人的判断，容易受专家的知识面、知识深度、占有资料是否充分以及对预测问题有无兴趣所左右，难免带有片面性。
[0006]由此，研发一种新的电网负荷预测方法，以全面、精准、快捷地实现电网负荷预测已成为亟待解决的问题。

技术实现思路

[0007]本专利技术所要解决的技术问题在于，提供一种基于深度学习的电网负荷预测方法、系统、计算机设备及计算机可读存储介质，可通过深度学习增强了模型的拟合程度和泛化能力，提高预测结果的准确性。
[0008]为了解决上述技术问题，本专利技术提供了一种基于深度学习的电网负荷预测方法，包括：获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；对所述基准数据进行预处理；将预处理后的基准数据划分为训练集及测试集；将所述训练集输入神经网络模型，以优化所述神经网络模型；将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；将获取的目标数据输入通过性能验证
的神经网络模型，以预测电网负荷。因此，本专利技术将历史发生的用电负荷数据与天气数据、节假日数据、节气数据及经济数据相结合，以对电网负荷需求量进行预测，大大地降低个人主观经验评判对预测的影响，增强预测模型的客观性及拟合真实情况的能力。
[0009]作为上述方案的改进，所述神经网络的损失函数为：其中，为预设的Huber Loss的参数，为电荷的真实值，为预测值。因此，可通过Huber Loss损失函数，反向传播误差来优化神经网络模型的参数。
[0010]作为上述方案的改进，所述神经网络的损失函数为Smooth L1损失函数，收敛得更快，对离群点、异常值不敏感，梯度变化相对更小，训练时不容易跑飞。
[0011]作为上述方案的改进，所述神经网络模型为递归神经网络模型；所述递归神经网络模型包括多个重复的神经网络模块，每一神经网络模块均包括依次设置的第一隐藏层、第二隐藏层、第三隐藏层及第四隐藏层；所述第一隐藏层、第二隐藏层及第四隐藏层的激活函数均为sigmoid函数，所述第三隐藏层的激活函数为tanh函数。本专利技术通过深度学习迭代增强了模型的拟合程度和泛化能力，提高预测结果的准确性。
[0012]作为上述方案的改进，所述神经网络模型为Transform神经网络模型。解决了梯度消失的问题，还解决了LSTM的不能并行计算的问题，计算时并没有依赖的条件，完全可以同时计算（也就是并行计算），比神经网络更具有可解释性。
[0013]作为上述方案的改进，所述获取基准数据的步骤包括：通过爬虫技术爬取用电负荷数据；通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；通过爬虫技术爬取每一历史节假日的节假日数据；通过爬虫技术爬取每一农历节气的节气信息；通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。本专利技术通过爬虫技术对数据进行获取，快速提取出用户感兴趣、有价值的内容。
[0014]作为上述方案的改进，所述对基准数据进行预处理的步骤包括：补齐缺失的基准数据；修正基准数据中的随机误差及偏差；用平均值代替基准数据中的异常值，或删除基准数据中的异常值；将文本类型的基准数据进行哑编码处理。进一步去除了基准数据中异常数据，保证基准数据的可靠性。
[0015]作为上述方案的改进，所述将预处理后的基准数据划分为训练集及测试集的步骤包括：在预处理后的基准数据中提取70%的基准数据作为训练集；在预处理后的基准数据中提取30%的基准数据作为测试集。大大地提高了测试集的占比，提升后续的验证准确性。
[0016]相应地，本专利技术还提供了一种基于深度学习的电网负荷预测系统，其包括：获取模块，用于获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；预处理模块，用于对所述基准数据进行预处理；划分模块，用于将预处理后的基准数据划分为训练集及测试集；优化模块，用于将所述训练集输入神经网络模型，以优化所述神经网络模型；验证模块，用于将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；预测模块，用于将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。因此，本专利技术将历史发生的用电负荷数据与天气数据、节假日数
据、节气数据及经济数据相结合，以对电网负荷需求量进行预测，大大地降低个人主观经验评判对预测的影响，增强预测模型的客观性及拟合真实情况的能力。
[0017]作为上述方案的改进，所述获取模块包括：负荷数据获取单元，用于通过爬虫技术爬取用电负荷数据；天气数据获取单元，用于通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；节假日数据获取单元，用于通过爬虫技术爬取每一历史节假日的节假日数据；节气信息获取单元，用于通过爬虫技术爬取每一农历节气的节气信息；经济数据获取单元，用于通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。因此，通过爬虫技术对数据进行获取，快速提取出用户感兴趣、有价值的内容。
[0018]作为上述方案的改进，所述预处理模块包括：补缺单元，用于补齐缺失的基准数据；修正单元，用于修正基准数据中的随机误差及偏差；异常处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电网负荷预测方法，其特征在于，包括：获取基准数据，所述基准数据包括用电负荷数据、天气数据、节假日数据、节气数据及经济数据；对所述基准数据进行预处理；将预处理后的基准数据划分为训练集及测试集；将所述训练集输入神经网络模型，以优化所述神经网络模型；将所述测试集输入优化后的神经网络模型，以验证优化后的神经网络模型的性能；将获取的目标数据输入通过性能验证的神经网络模型，以预测电网负荷。2.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络的损失函数为：其中，为预设的Huber Loss的参数，为电荷的真实值，为预测值。3.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络的损失函数为Smooth L1损失函数。4.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络模型为递归神经网络模型；所述递归神经网络模型包括多个重复的神经网络模块，每一神经网络模块均包括依次设置的第一隐藏层、第二隐藏层、第三隐藏层及第四隐藏层；所述第一隐藏层、第二隐藏层及第四隐藏层的激活函数均为sigmoid函数，所述第三隐藏层的激活函数为tanh函数。5.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述神经网络模型为Transform神经网络模型。6.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述获取基准数据的步骤包括：通过爬虫技术爬取用电负荷数据；通过爬虫技术在天气网站中爬取每小时内的天气数据，所述天气数据包括温度信息、湿度信息、风力信息、有雾程度信息及雨量信息；通过爬虫技术爬取每一历史节假日的节假日数据；通过爬虫技术爬取每一农历节气的节气信息；通过爬虫技术爬取全国每年的经济数据，所述经济数据为GDP数据。7.如权利要求1所述的基于深度学习的电网负荷预测方法，其特征在于，所述对所述基准数据进行预处理的步骤包括：补齐缺失的基准数据；修正基准数据中的随机误差及偏差；用平均值代替基准数据中的异常值，或删除基准数据中的异常值；将文本类型的基准数据进行哑编码处理。
8.如权...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：成都数联云算科技有限公司，
类型：发明
国别省市：