基于新型解耦思想的CNN-TCN日前负荷预测方法技术

本发明专利技术公开了一种基于新型解耦思想的CNN

【技术实现步骤摘要】
基于新型解耦思想的CNN
‑
TCN日前负荷预测方法


[0001]本专利技术涉及一种负荷预测方法，具体是一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，属于电网负荷预测


技术介绍

[0002]负荷预测对电网规划和电力系统运行有着重要意义，尤其是日前负荷预测对缓解电力供需不平衡、提高电站的运行效率和维护电网安全运行起到了重要作用。
[0003]如果负荷预测增加微小的误差，会造成极大的经济损失。因此，建立更精准的日前负荷预测模型是很有必要的，精确的日前负荷预测可以给电网带来可观的收益。
[0004]但是，现有的日前负荷预测方案的精准性有待提升：基于传统解耦思想的CNN
‑
TCN负荷预测模型没有对起点负荷对日平均负荷值进行校对，且没有对负荷标幺曲线进行旋转操作。

技术实现思路

[0005]为解决上述技术问题，本专利技术的目的在于提供一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，该方法旨在解决现有的日前负荷预测方案的精准性有待提升的问题。
[0006]为实现本专利技术的技术目的，本专利技术采取的技术方案为：一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，所述负荷预测方法包括：
[0007]1)将电力负荷数据解耦为旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷；
[0008]2)构建基于新型解耦思想的CNN
‑
TCN日前负荷预测模型，其中，所述预测模型包括卷积神经网络模块、时间卷积网络模块和全连接层；
[0009]3)通过所述卷积神经网络模块提取所述负荷标幺曲线的形状特征，通过所述时间卷积网络模块提取所述起点负荷以及所述日平均负荷的时序特征，以对所述预测模型进行训练；
[0010]4)将外部数据输入训练完成后的所述预测模型，以输出被预测日的负荷曲线。
[0011]优选的，所述步骤3)中包括：
[0012]31)将所述电力负荷数据中的实际负荷，以及所述实际负荷对应的由所述电力负荷数据解耦出的旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷作为数据集；
[0013]32)每次迭代开始时，重新将所述数据集随机平均分为第一数量组子样本，保留其中一组当作验证集，剩余子样本作为训练集；
[0014]33)进行第一数量次交叉验证，以使每个所述子样本作一次验证集；
[0015]34)当所有的所述子样本都验证结束后，训练进入下一次迭代；
[0016]35)迭代结束后，保存验证集平均损失最小的一代所训练出的所述预测模型，并标记为待测模型；
[0017]36)对所述待测模型进行测试，以得到测试结果，并基于所述测试结果计算平均绝对误差、平均绝对百分比误差和均方根误差各项评估指标。
[0018]优选的，所述步骤36)中包括：
[0019]361)基于所述测试结果，计算所述待测模型的平均绝对误差，
[0020]362)基于所述测试结果，计算所述待测模型的平均绝对百分比误差；
[0021]363)基于所述测试结果，计算所述待测模型的均方根误差；
[0022]364)基于所述待测模型的平均绝对误差、平均绝对百分比误差和均方根误差评价所述待测模型的性能，其中，平均绝对误差、平均绝对百分比误差和均方根误差和的计算公式分别为：
[0023][0024][0025][0026]其中，MAE为所述平均绝对误差，P
t
为t采样时刻的电力负荷实际值；为t采样时刻的电力负荷预测值；M为一天内负荷采样点的数量；MAPE为所述平均绝对百分比误差；RMSE为所述均方根误差。
[0027]优选的，所述步骤31)中还包括：
[0028]将所述数据集转换为无量纲数据，转换公式如下：
[0029][0030]式中，x
ij
表示原始的第i个样本的第j个变量的原始数据，x
ij
'表示原始的第i个样本的第j个变量的归一化数据；表示第j个变量的原始数据最大值，表示第j个变量的原始数据最小值。
[0031]优选的，所述步骤1)中包括：
[0032]将电力负荷被解耦为旋转对齐后的负荷标幺曲线、起点负荷以及日平均负荷，解耦公式为：
[0033][0034]式中，t为采样时刻，P
t
为t采样时刻的电力负荷实际值，单位为kW
·
h；P
rev,t
为t采样时刻的旋转对齐后的电力负荷标幺值；P
zero
为起点负荷值，单位为kW
·
h；P
ave
为日平均负荷，单位为kW
·
h；M为一天内负荷采样点的总数量。
[0035]优选的，所述步骤1)中还包括：
[0036]11)将电力负荷数据分解为多个负荷标幺曲线；
[0037]12)将多个负荷标幺曲线进行中心旋转，直至各负荷标幺曲线的第一个点值对齐
到1，以形成所述旋转对齐后的负荷标幺曲线；
[0038]13)将旋转对齐后的负荷标幺曲线解耦为旋转后的曲线形状和旋转量，其中，所述旋转量由被预测日的起点负荷值和日平均负荷表示。
[0039]优选的，所述步骤12)中还包括：
[0040]121)计算与被预测日的间隔不同时长的目标日对应的电力负荷值与预测日的电力负荷值之间的平均绝对误差，并将所有的所述平均绝对误差相加取平均值后作为总平均绝对误差，以评估曲线之间的相似性；
[0041]122)将所述总平均绝对误差取最小值时对应的目标日确定为相似日，其中，所述总平均绝对误差的计算公式为：
[0042][0043]其中，total MAE
g
表示为当间隔的时长为g天时，所对应的总平均绝对误差；N为测试样本数，即被预测日和目标日之间选取的电力负荷值的样本数；n表示第n天，为第n天t采样时刻的单位载荷值。
[0044]优选的，所述步骤4)中包括：
[0045]41)基于所述旋转对齐后的负荷标幺曲线获取与被预测日对应的相似日的日负荷标幺曲线，并标记为第一输入数据；
[0046]42)基于所述日平均负荷获取被预测日对应的前一个月的日平均负荷，并标记为第二输入数据；
[0047]43)基于所述起点负荷获取被预测日对应的前一日的实际负荷，并标记为第三输入数据；
[0048]44)将所述第一数据输入所述卷积神经网络模块，并将所述第二输入数据输入其中一个时间卷积网络模块，并将所述第三输入数据输入另一个时间卷积网络模块，以得到输出数据；
[0049]45)将所述输出数据经过铺平后，并与所述外部数据合并为一个矩阵，输入所述全连接层中，经过全连接层的特征融合，最终输出被预测日的负荷曲线。
[0050]优选的，所述步骤2)中，所述构建基于新型解耦思想的CNN
‑...

【技术保护点】

【技术特征摘要】
1.一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，其特征在于，所述负荷预测方法包括：1)将电力负荷数据解耦为旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷；2)构建基于新型解耦思想的CNN
‑
TCN日前负荷预测模型，其中，所述预测模型包括卷积神经网络模块、时间卷积网络模块和全连接层；3)通过所述卷积神经网络模块提取所述负荷标幺曲线的形状特征，通过所述时间卷积网络模块提取所述起点负荷以及所述日平均负荷的时序特征，以对所述预测模型进行训练；4)将外部数据输入训练完成后的所述预测模型，以输出被预测日的负荷曲线。2.根据权利要求1所述的一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，其特征在于，所述步骤3)中包括：31)将所述电力负荷数据中的实际负荷，以及所述实际负荷对应的由所述电力负荷数据解耦出的旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷作为数据集；32)每次迭代开始时，重新将所述数据集随机平均分为第一数量组子样本，保留其中一组当作验证集，剩余子样本作为训练集；33)进行第一数量次交叉验证，以使每个所述子样本作一次验证集；34)当所有的所述子样本都验证结束后，训练进入下一次迭代；35)迭代结束后，保存验证集平均损失最小的一代所训练出的所述预测模型，并标记为待测模型；36)对所述待测模型进行测试，以得到测试结果，并基于所述测试结果计算平均绝对误差、平均绝对百分比误差和均方根误差各项评估指标。3.根据权利要求2所述的一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，其特征在于，所述步骤36)中包括：361)基于所述测试结果，计算所述待测模型的平均绝对误差，362)基于所述测试结果，计算所述待测模型的平均绝对百分比误差；363)基于所述测试结果，计算所述待测模型的均方根误差；364)基于所述待测模型的平均绝对误差、平均绝对百分比误差和均方根误差评价所述待测模型的性能，其中，平均绝对误差、平均绝对百分比误差和均方根误差和的计算公式分别为：别为：别为：其中，MAE为所述平均绝对误差，P
t
为t采样时刻的电力负荷实际值；为t采样时刻的电力负荷预测值；M为一天内负荷采样点的数量；MAPE为所述平均绝对百分比误差；RMSE为所
述均方根误差。4.根据权利要求2所述的一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，其特征在于，所述步骤31)中还包括：将所述数据集转换为无量纲数据，转换公式如下：式中，x
ij
表示原始的第i个样本的第j个变量的原始数据，x
ij
'表示原始的第i个样本的第j个变量的归一化数据；表示第j个变量的原始数据最大值，表示第j个变量的原始数据最小值。5.根据权利要求1所述的一种基于新型解耦思想的CNN
‑
TCN日前负荷预测方法，其特征在于，所述步骤1)中包括：将电力负荷被解耦为旋转对齐后的负荷标幺曲线、起点负荷以及日平均负荷，解耦公式为：式中，t为采样时刻，P
t
为t采样时刻的电力负荷实际值，单位为kW
·
h；P
rev,t
为t采样时刻的旋转对齐...

【专利技术属性】
技术研发人员：张海涛，刘兴，严研，马旭，崔章顺，乔新辉，李雪锋，王涛，徐华秒，黎灿兵，
申请(专利权)人：北京洛斯达科技发展有限公司，
类型：发明
国别省市：