一种基于生成式对抗网络的电网负荷序列预测方法及系统技术方案

本发明专利技术提出一种基于生成式对抗网络的电力负荷序列预测方法及系统，该方法通过对影响电网负荷的气象温湿度和经济数据以及电力负荷数据进行lstm编码，并使生成式对抗网络以纯数据驱动的方式学习相关因素之间的耦合作用，最后使用LSTM解码器输出未来序列预测值。本发明专利技术能够准确进行电网负荷预测效果，解决了电网负荷预测序列单一，时间步长短，精度低等问题。精度低等问题。精度低等问题。

【技术实现步骤摘要】
一种基于生成式对抗网络的电网负荷序列预测方法及系统


[0001]本专利技术涉及一种基于生成式对抗网络的电力负荷序列预测方法及系统，属于电网负荷序列预测


技术介绍

[0002]可靠的和准确的负荷预测有助于实现智能建筑和智能电网的动态规划，实施有针对性的需求响应策略和电力设施投资。提高负荷预测的精度多年来一直是人们研究的重点。由于负荷特性容易受多种因素影响，且其变化并不呈现明显的规律性，传统的负荷特性分析方法只是选取了一种因素对负荷特征的影响，针对单个因素与负荷特性之间的单一映射分析，没有考虑用电负荷与主要影响因素之间的联系，导致负荷特性的分析不够准确，准确性较低，对负荷预测以及用电计划的制定造成影响。
[0003]深度学习方法能够更好的处理负荷数据的波动性、随机性等问题，在一定程度上提高了对电网负荷预测的精度。但目前负荷预测应用多在构建模型之前对预测样本进行筛选，利用相似性筛选出训练样本，导致未被选中样本所包含信息的丢失；预测结果的精度以带受所筛选样本的影响，当筛选样本不准确时，导致预测精度的下降，对分布变化较快的负荷数据，无法满足负荷预测要求。

技术实现思路

[0004]本专利技术的目的在于提供一种基于生成式对抗网络的电力负荷序列预测方法及系统，解决电网负荷预测序列单一，时间步长短，精度低等问题。
[0005]为实现上述目的，本专利技术采用的技术方案是：
[0006]本专利技术提供一种基于生成式对抗网络的电力负荷序列预测方法，包括：
[0007]以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值；
[0008]对未来序列的预测值进行筛选得到最佳预测序列。
[0009]进一步的，所述以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值，包括：
[0010]采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量
[0011]将得到的向量进行LSTM编码，得到：
[0012][0013]对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量P
i
；
[0014]对和P
i
进行解码得到未来序列的预测值：
[0015][0016][0017][0018][0019]其中，φ(.)是具有非线性的嵌入函数，分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，W
ee
和W
ed
均为嵌入权重，W
encoder
为LSTM权重，N为样本个数。
[0020]进一步的，还包括：
[0021]以未来序列的预测值和样本数据构成的真实序列为输入输入至生成式对抗网络的鉴别器，基于判别结果对生成式对抗网络各权重参数进行更新调整。
[0022]进一步的，所述对未来序列的预测值进行筛选得到最佳预测序列，包括：
[0023]基于如下多样性损失函数得到最佳预测序列：
[0024][0025]其中，Y
i
表示真实序列，为预测序列，k表示随机抽样得到的k个输出预测值。
[0026]本专利技术还提供一种基于生成式对抗网络的电力负荷序列预测系统，包括生成式对抗网络和输出模块，
[0027]所述生成式对抗网络包括生成器和鉴别器；
[0028]所述生成器包括编码器，统筹层和解码器；
[0029]所述编码器用于基于LSTM单元对气象温湿度、经济数据和电力负荷数据进行编码；
[0030]所述统筹层用于对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量；
[0031]所述解码器用于对LSTM编码数据和集合张量进行解码，输出未来序列的预测值；
[0032]所述鉴别器用于基于所述生成器输出未来序列的预测值和样本数据构成的真实序列进行判别，优化调整生成式对抗网络的各权重参数；
[0033]所述输出模块用于对未来序列的预测值进行筛选得到最佳预测序列。
[0034]进一步的，所述编码器具体用于，
[0035]采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量
[0036]将得到的向量输入至LSTM单元，得到：
[0037][0038]其中，φ(.)是具有非线性的嵌入函数，分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，W
ee
为嵌入权重，W
encoder
为LSTM权重。
[0039]进一步的，所述解码器具体用于，
[0040]对和集合张量进行解码如下：
[0041][0042][0043][0044][0045]其中，为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，P
i
为第i个样本的集合张量，W
ed
为嵌入权重，N为样本个数。
[0046]进一步的，所述输出模块具体用于，
[0047]基于如下多样性损失函数得到最佳预测序列：
[0048][0049]其中，Y
i
表示真实序列，为预测序列，k表示随机抽样得到的k个输出预测值。
[0050]本专利技术的有益效果为：
[0051]本专利技术提供一种基于生成式对抗网络的电力负荷序列预测方法，对影响电网负荷的气象温湿度，经济数据和电力负荷进行lstm编码，并在生成式对抗网络隐空间内提出一种新的交互模型，使网络能够准确表达气象温湿度、经济数据与电力负荷之间的映射关系，从而准确进行电网负荷预测效果。解决了电网负荷预测序列单一，时间步长短，精度低等问题。
附图说明
[0052]图1为本专利技术提出的生成式对抗网络网络结构图；
[0053]图2为本专利技术实施例提供的一种基于生成式对抗网络的电力负荷序列预测方法流程图。
具体实施方式
[0054]下面对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0055]本专利技术提供一种基于生成式对抗网络的电力负荷序列预测方法，通过对影响负荷的相关因素之间的交互作用进行建模，以及联合预测样本中所有预测单元的序列，提出一种基于生成式对抗网络GAN的编码
‑
解码架构，对影响电网负荷的气象温湿度，经济数据和电力负荷进行lstm编码，并在隐空间内提出一种新的交互模型，最后使用LSTM解码器得到电网负荷预测结果作为GAN网络判别器的输入。通过纯数据驱动的方式训练网络学习相关因素之间的耦合作用，使网络能够准确表达气象温湿度、经济数据与电力负荷之间的映射关系，从而准确进行电网负荷预测效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，包括：以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值；对未来序列的预测值进行筛选得到最佳预测序列。2.根据权利要求1所述的一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，所述以当前时刻之前的气象温湿度、经济数据和电力负荷数据构成的真实序列为输入输入至构建的生成式对抗网络，得到未来序列的预测值，包括：采用单层感知器嵌入当前时刻之前由气象温湿度、经济数据和电力负荷数据构成的样本数据，得到一个固定长度的向量将得到的向量进行LSTM编码，得到：对气象温湿度、经济数据和电力负荷数据之间的交互影响进行学习，得到样本数据的集合张量P
i
；对和P
i
进行解码得到未来序列的预测值：进行解码得到未来序列的预测值：进行解码得到未来序列的预测值：进行解码得到未来序列的预测值：其中，φ(.)是具有非线性的嵌入函数，分别为t时刻第i个样本的气象温湿度、经济数据和电力负荷数据，为未来序列的预测值，γ(.)是具有ReLU非线性的多层感知器，W
ee
和W
ed
均为嵌入权重，W
encoder
为LSTM权重，N为样本个数。3.根据权利要求2所述的一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，还包括：以未来序列的预测值和样本数据构成的真实序列为输入输入至生成式对抗网络的鉴别器，基于判别结果对生成式对抗网络各权重参数进行更新调整。4.根据权利要求1所述的一种基于生成式对抗网络的电力负荷序列预测方法，其特征在于，所述对未来序列的预测值进行筛选得到最佳预测序列，包括：基于如下多样性损失函数得到最佳预测序列：其中，Y
i
表示真实序列，为预测序列，k表示随机抽样得到的k个输出预测值。5.一种基于生...

【专利技术属性】
技术研发人员：陈雄杰，徐春生，张春平，叶志刚，陈文龙，房洪甲，
申请(专利权)人：南京南瑞信息通信科技有限公司，
类型：发明
国别省市：