一种短期电力负荷预测方法、系统、存储介质及计算设备技术方案

本发明专利技术公开了一种短期电力负荷预测方法、系统、存储介质及计算设备，本发明专利技术采用电力负荷预测模型进行负荷预测，在电力负荷预测模型中，对输入数据进行多维度特征提取，从而获得增强的特征，对增强的特征进行一般性时序信息挖掘和周期性时序信息挖掘，从而得到全面的历史数据表征，即挖掘了数据各维度特征，也考虑了电力负荷变化的周期性规律，相较于传统的方法，预测准确度高。预测准确度高。预测准确度高。

【技术实现步骤摘要】
一种短期电力负荷预测方法、系统、存储介质及计算设备


[0001]本专利技术涉及一种短期电力负荷预测方法、系统、存储介质及计算设备，属于负荷预测领域。

技术介绍

[0002]电力能源是重要的能源之一，准确的电力负荷预测对于电力生产部门制定合理的发电计划、提高电力系统运行的安全稳定性等具有重要意义。短期电力负荷预测是对未来日或周的负荷进行预测。该预测任务是电力系统中进行生产调度调整的主要依据，具有重要的研究应用价值。
[0003]传统的短期电力负荷预测方法主要分为两大类：基于统计理论的方法和基于机器学习的方法。其中，基于统计理论的方法主要包括多元线性回归(MLR)、自回归移动平均值法(ARMA)、差分整合移动平均自回归(ARIMA)等，这类方法虽然模型简单、运行效率高，但是对非线性数据特征的拟合能力较弱，在实际应用中难以取得良好的效果；而基于机器学习的方法主要包括人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)等，该类方法虽然可以建模电力负荷数据中的时序性特征和其他非线性因素，但仍然存在诸多弊端，例如只适用于数据规模较小的情况，训练时间较长，对原始数据的平稳性要求较高等。
[0004]近年来，随着深度学习方法的发展，越来越多的研究人员尝试利用深度学习方法来解决短期电力负荷预测任务，虽然现有工作已经取得了一定的进展，但他们都存在以下局限：由于缺乏对数据各维度特征挖掘、忽略了电力负荷变化的周期性规律，从而导致预测准确度低。

技术实现思路

[0005]本专利技术提供了一种短期电力负荷预测方法、系统、存储介质及计算设备，解决了现有预测方法准确度低的问题。
[0006]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0007]一种短期电力负荷预测方法，包括：
[0008]获取预设历史时段的电力负荷数据和天气数据；
[0009]将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；该步骤包括，
[0010]在电力负荷预测模型中，对输入数据进行多层特征提取，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘；
[0011]根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据；
[0012]在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合。
[0013]在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合，包括：
[0014]采用一维卷积神经网络，对上一层特征提取的输出进行静态特征提取；
[0015]采用门控循环单元网络，对上一层特征提取的输出进行时序特征提取
[0016]将提取的静态特征和时序特征进行级联，并通过全连接层进行特征融合。
[0017]在提取出静态特征后，还对静态特征进行压缩和激励，采用压缩和激励后的静态特征进行级联。
[0018]对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：
[0019]采用门控循环单元网络，对多层特征提取的输出进行一般性时序编码，并用最后一个时刻对应的隐藏状态表征一般性时序信息；
[0020]采用跳跃门控循环单元对多层特征提取的输出进行周期性时序编码，并用最后预设数量个时刻对应的隐藏状态表征周期性时序信息；
[0021]根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据。
[0022]根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：
[0023]根据一般性时序信息和周期性时序信息，采用注意力机制，获得最终的周期性时序信息；
[0024]将一般性时序信息和最终的周期性时序信息进行级联，并利用全连接层进行预设未来时段的电力负荷数据预设。
[0025]电力负荷预测模型采用均方误差作为损失函数；
[0026]在电力负荷预测模型训练时，利用L2正则化项对模型参数进行约束。
[0027]一种短期电力负荷预测系统，包括：
[0028]数据获取模块，获取预设历史时段的电力负荷数据和天气数据；
[0029]预测模块，将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；其中，在电力负荷预测模型中，对输入数据进行多层特征提取，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据；在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合。
[0030]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行短期电力负荷预测方法。
[0031]一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行短期电力负荷预测方法的指令。
[0032]本专利技术所达到的有益效果：本专利技术采用电力负荷预测模型进行负荷预测，在电力负荷预测模型中，对输入数据进行多维度特征提取，从而获得增强的特征，对增强的特征进行一般性时序信息挖掘和周期性时序信息挖掘，从而得到全面的历史数据表征，即挖掘了数据各维度特征，也考虑了电力负荷变化的周期性规律，相较于传统的方法，预测准确度高。
附图说明
[0033]图1为本专利技术方法的流程图；
[0034]图2为本专利技术方法的原理框图。
具体实施方式
[0035]下面结合附图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。
[0036]如图1所示，一种短期电力负荷预测方法，包括以下步骤：
[0037]步骤1，获取预设历史时段的电力负荷数据和天气数据；
[0038]步骤2，将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；；该步骤包括，
[0039]在电力负荷预测模型中，对输入数据进行多层特征提取，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘；
[0040]根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据；
[0041]在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合。
[0042]上述方法采用电力负荷预测模型进行负荷预测，在电力负荷预测模型中，对输入数据进行多维度特征提取，从而获得增强的特征，对增强的特征进行一般性时序信息挖掘和周期性时序信息挖掘，从而得到全面的历史数据表征，即挖掘了数据各维度特征，也考虑了电力负荷变化的周期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期电力负荷预测方法，其特征在于，包括：获取预设历史时段的电力负荷数据和天气数据；将电力负荷数据和天气数据输入预先训练的电力负荷预测模型，获得预设未来时段的电力负荷数据；该步骤包括，在电力负荷预测模型中，对输入数据进行多层特征提取，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘；根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据；在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合。2.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，在每一层特征提取中，对上一层特征提取的输出进行多个维度特征提取，并将多个维度的特征进行融合，包括：采用一维卷积神经网络，对上一层特征提取的输出进行静态特征提取；采用门控循环单元网络，对上一层特征提取的输出进行时序特征提取将提取的静态特征和时序特征进行级联，并通过全连接层进行特征融合。3.根据权利要求2所述的一种短期电力负荷预测方法，其特征在于，在提取出静态特征后，还对静态特征进行压缩和激励，采用压缩和激励后的静态特征进行级联。4.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，对多层特征提取输出的特征进行一般性时序信息挖掘和周期性时序信息挖掘，根据一般性时序信息和周期性时序信息，预测预设未来时段的电力负荷数据，包括：采用门控循环单元网络，对多层特征提取的输出进行一般性时序编码，并用最后一个时刻对应的隐藏状态表征一般性时序信息；采用跳跃门控循环单元对多层特征提取的输出进行周期性时序编码，并用最后预设数量个时刻对应的隐藏状态表征周期性时序信息；根据一般性时序信息和周期性时序信息，预测预设未来...

【专利技术属性】
技术研发人员：苏伟，肖小龙，史明明，袁晓冬，杨景刚，朱卫平，孙健，杨雄，郭佳豪，
申请(专利权)人：国网江苏省电力有限公司江苏省电力试验研究院有限公司，
类型：发明
国别省市：