一种基于混合神经网络和生成对抗的小样本负荷预测方法技术

本发明专利技术公开了一种基于混合神经网络和生成对抗的小样本负荷预测方法。所述方法包括以下步骤：采集历史用户用电数据和对应天气、日期特征；构建负荷特征输入矩阵；提取历史用户和新增用户的高维负荷特征，送入负荷预测神经网络中进行预训练；固定源领域负荷特征提取器参数，并构造目标领域负荷特征提取器，更新目标领域特征提取器参数；将对抗训练得到的目标领域特征提取器G2与预训练的负荷预测神经网络进行连接，应用于目标领域新增用户负荷预测。本发明专利技术通过不同领域间知识的迁移，充分利用了源领域已有的大量历史负荷知识，有效解决了电力系统中新增用户用电数据不足时日前负荷预测精度不足的问题，充分发挥了历史负荷数据的价值。据的价值。据的价值。

【技术实现步骤摘要】
一种基于混合神经网络和生成对抗的小样本负荷预测方法


[0001]本专利技术涉及电力负荷预测
，尤其涉及一种基于混合神经网络和生成对抗的小样本负荷预测方法。

技术介绍

[0002]近些年来，随着国民经济的发展和社会生活水平的提高，各行各业对电能的需求正在不断提高。合理利用能源并维持电网与社会各行业的电力供需平衡是一项重大的民生问题。电力负荷的精准预测不仅仅是实现电网经济运行、合理进行调度的一项重要手段，也是电力系统管理中的一项重要内容。目前，得益于计算机算力的提高，各种基于人工智能的深度学习方法被应用于电力负荷预测当中，高精度的预测结果不但保障了电力系统的经济、安全运行，而且也为大量的工商业用户合理安排用电计划、优化节能提供了坚实的保障。虽然基于数据驱动的深度学习方法在电力负荷预测方面已经取得了良好的表现，尤其对在预测周期在几天到几周内的短期电力负荷预测，但是仍然有一些不足之处。原有的深度学习预测模型通常是对电力系统中已有用户信息进行大量训练而得到的，当系统中出现新增加的工商业用户时，由于运行时间短、可利用数据少，无法采用基于深度学习的方法进行负荷变化的预测。同时，新增用户不同的工作模式会导致不同的数据分布差异，这会使得原有深度预测模型的泛化能力降低，甚至出现大幅偏差。因此，如何对电力系统中新增用户进行原有预测知识的迁移，增强已有预测模型在不同用电模式下的泛化能力是一个亟待解决的问题。目前已有相关研究对类似问题做出了探索，如现有技术中的一种基于生成对抗网络的综合能源系统负荷场景生成方法(CN111950868A)通过生成对抗网络学习已有负荷时序数据的概率分布，生成不同的综合能源系统真实场景，以解决真实数据缺乏的问题。现有技术中的基于C
‑
GAN迁移学习的IES不完备数据负荷预测方法及系统(CN111191835A)针对综合能源系统中数据不完备的问题，通过一种C
‑
GAN(条件生成对抗网络)对样本进行了扩充。上述方法均着重于迁移学习模型结构构造和小样本数据自身特点，并没有考虑不同领域之间样本分布的特征差异性。

技术实现思路

[0003]本专利技术针对现有技术中的缺点与问题，同时考虑了不同领域间样本特征分布的相似性差异，提出了一种基于混合神经网络和生成对抗的小样本负荷预测方法，克服了传统人工智能方法在电力系统中出现新增工商业用户时的不足，解决了小样本新增用户不同用能模式下导致的数据特征分不同的问题，可以通过迁移学习的方法对已有模型进行再训练从而实现小样本下用户用电数据下的高精度负荷预测，为提高负荷预测模型的泛化能力提供了一种有效的解决思路。
[0004]本专利技术的目的至少通过如下技术方案之一实现。
[0005]一种基于混合神经网络和生成对抗的小样本负荷预测方法，包括以下步骤：
[0006]S1、确定与新增用户具有相似用电行为的历史用户，使用智能电表采集历史用户
用电数据和对应天气、日期特征；
[0007]S2、构建负荷特征输入矩阵，确定输入预测模型的源领域用户历史数据滞后长度；
[0008]S3、构造负荷特征提取器，利用负荷特征提取器提取历史用户和新增用户的高维负荷特征，将历史用户高维负荷特征送入负荷预测神经网络中进行预训练，直至负荷预测神经网络收敛；
[0009]S4、固定源领域负荷特征提取器G1参数，并构造目标领域负荷特征提取器G2，引入生成对抗网络对齐源领域负荷与目标领域负荷在高维空间的分布，计算源领域和目标领域分布间的wasserstein距离并以此更新目标领域特征提取器参数；
[0010]S5、将对抗训练得到的目标领域特征提取器G2与预训练的负荷预测神经网络进行连接，此时G2已学习到源领域和目标领域的一致性特征，且目标领域负荷特征总属于数据量充足的源领域负荷特征的子类别，因此可将对该类特征具有良好预测能力的预测网络应用于目标领域新增用户负荷预测。
[0011]进一步地，步骤S1中，确定与新增用户具有相似用电行为的历史用户所用方法为实序列编辑距离法(edit distane on real sequence,EDR)，与传统度量方法不同，实序列编辑距离方法可以对不同长度序列向量进行相似性度量，具体如下：
[0012]S1.1、将历史用户负荷数据设置为待选取的源领域数据，新增用户负荷数据设置为目标领域数据，假设待选取源领域和目标领域负荷特征数据分别为向量V
sou
、V
tar
，其维度分别为m和n，初始化生成一个大小为(m+1)
×
(n+1)大小的空矩阵Mat；
[0013]S1.2、初始化矩阵Mat的第一行和第一列，Mat[0][b]＝b，Mat[a][0]＝a，a＝0，1
…
m，b＝0，1
…
n；
[0014]S1.3、依次计算矩阵Mat中每个元素之间的距离其中v
sou
(c)表示源领域中第c个负荷特征元素的数值、v
tar
(e)表示目标领域中第e个负荷特征元素的数值；；
[0015]S1.4、若d(v
sou
(c),v
tar
(e))≤ε的令ρ＝1，否则ρ＝0，ε为阈值，ρ为惩罚因子；
[0016]S1.5、根据迭代公式Mat[a][b]＝min{Mat[a][b+1]+1,Mat[a+1][b]+1,Mat[a][b]+ρ}，填充矩阵Mat的元素值；
[0017]S1.6、将a，b分别增加1，并重复步骤S1.3
‑
S1.5，直至矩阵Mat中所有元素完成遍历；返回矩阵Mat中最后一个元素Mat[m][n]，则向量V
sou
和V
tar
之间的相似性为相似性γ(V
sou
,V
tar
)小于设定阈值的历史用户数据序列为源领域数据。
[0018]进一步地，步骤S1中，所述智能电表采集历史用户用电数据为有功功率数据，采样间隔为30min；
[0019]天气特征包括温度、光照强度、湿度、气压、风向、风速、能见度共7个维度气象特征，采样间隔为30min；
[0020]日期特征包括工作日和节假日。
[0021]进一步地，步骤S2中，构建负荷特征输入矩阵为d
×
k大小的二维特征矩阵，d为待确定的历史负荷天数，k为负荷特征维数，包括天气特征、日期特征共9维；
[0022]确定输入预测模型的源领域用户历史数据滞后长度所用方法包括灰色关联分析法。
[0023]进一步地，步骤S3中，构造负荷特征提取器为二维卷积神经网络，包括用于提取非线性特征的卷积层、对特征降维的池化层、激活函数、防止过拟合的批标准化层和随机失活层和全连接层；
[0024]高维负荷特征为负荷特征提取器的输出特征，负荷特征提取器包括顺次连接的第一卷积层Conv2d1、第一池化层Maxpool1、第二卷积层Conv2d2、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于，包括以下步骤：S1、确定与新增用户具有相似用电行为的历史用户，使用智能电表采集历史用户用电数据和对应天气、日期特征；S2、构建负荷特征输入矩阵，确定输入预测模型的源领域用户历史数据滞后长度；S3、构造负荷特征提取器，利用负荷特征提取器提取历史用户和新增用户的高维负荷特征，将历史用户高维负荷特征送入负荷预测神经网络中进行预训练，直至负荷预测神经网络收敛；S4、固定源领域负荷特征提取器G1参数，并构造目标领域负荷特征提取器G2，引入生成对抗网络对齐源领域负荷与目标领域负荷在高维空间的分布，计算源领域和目标领域分布间的wasserstein距离并以此更新目标领域特征提取器参数；S5、将对抗训练得到的目标领域特征提取器G2与预训练的负荷预测神经网络进行连接，应用于目标领域新增用户负荷预测。2.根据权利要求1所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：步骤S1中，确定与新增用户具有相似用电行为的历史用户所用方法为实序列编辑距离法，具体如下：S1.1、将历史用户负荷数据设置为待选取的源领域数据，新增用户负荷数据设置为目标领域数据，假设待选取源领域和目标领域负荷特征数据分别为向量V
sou
、V
tar
，其维度分别为m和n，初始化生成一个大小为(m+1)
×
(n+1)大小的空矩阵Mat；S1.2、初始化矩阵Mat的第一行和第一列，Mat[0][b]＝b，Mat[a][0]＝a，a＝0，1
…
m，b＝0，1
…
n；S1.3、依次计算矩阵Mat中每个元素之间的距离其中v
sou
(c)表示源领域中第c个负荷特征元素的数值、v
tar
(e)表示目标领域中第e个负荷特征元素的数值；；S1.4、若d(v
sou
(c),v
tar
(e))≤ε的令ρ＝1，否则ρ＝0，ε为阈值，ρ为惩罚因子；S1.5、根据迭代公式Mat[a][b]＝min{Mat[a][b+1]+1,Mat[a+1][b]+1,Mat[a][b]+ρ}，填充矩阵Mat的元素值；S1.6、将a，b分别增加1，并重复步骤S1.3
‑
S1.5，直至矩阵Mat中所有元素完成遍历；返回矩阵Mat中最后一个元素Mat[m][n]，则向量V
sou
和V
tar
之间的相似性为相似性γ(V
sou
,V
tar
)小于设定阈值的历史用户数据序列为源领域数据。3.根据权利要求1所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：步骤S1中，所述智能电表采集历史用户用电数据为有功功率数据，采样间隔为30min；天气特征包括温度、光照强度、湿度、气压、风向、风速、能见度共7个维度气象特征，采样间隔为30min；日期特征包括工作日和节假日。
4.根据权利要求1所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：步骤S2中，构建负荷特征输入矩阵为d
×
k大小的二维特征矩阵，d为待确定的历史负荷天数，k为负荷特征维数，包括天气特征、日期特征共9维；确定输入预测模型的源领域用户历史数据滞后长度所用方法包括灰色关联分析法。5.根据权利要求1所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：步骤S3中，构造负荷特征提取器为二维卷积神经网络，包括用于提取非线性特征的卷积层、对特征降维的池化层、激活函数、防止过拟合的批标准化层和随机失活层和全连接层；高维负荷特征为负荷特征提取器的输出特征，负荷特征提取器包括顺次连接的第一卷积层Conv2d1、第一池化层Maxpool1、第二卷积层Conv2d2、第二池化层Maxpool2、第三卷积层Conv2d3、第一全连接层Dense1和第二全连接层Dense2。6.根据权利要求5所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：负荷预测神经网络为长短期记忆(LSTM)网络，其内部结构包括2层LSTM层，2层LSTM层后拼接两个全连接层将输出维度变为所需维度，LSTM网络能够对时间序列的历史信息进行记忆，避免了序列信息丢失的问题；预训练为将源领域用户80％划分为训练集，20％划分为测试集，依照构造的d
×
k大小的特征输入矩阵输入负荷特征提取器中，并与负荷预测神经网络相连接，输出标签为待预测日48点电负荷，单位为kW；并通过随机梯度更新法更新负荷特征提取器和负荷预测神经网络的参数。7.根据权利要求5所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：步骤S4中，目标领域负荷特征提取器G2与源领域负荷特征提取器G1的结构与步骤S3中构造的负荷特征提取器的结构相同，但权重参数初始化为均值为0，方差为1的正态分布。8.根据权利要求1～7任一项所述的一种基于混合神经网络和生成对抗的小样本负荷预测方法，其特征在于：步骤S4中，所述生成对抗网络的对齐训练过程具体如下：S4.1、分别获得源领域和目标领域的负荷特征矩阵F
sou
和F
tar
，分别输入源领域负荷特征提取器G1和目标领域负荷特征提取器G2，分别得到非线性高维特征H
sou
＝G1(x
sou
；θ
sou
)和H
tar
＝G2(...

【专利技术属性】
技术研发人员：刘俊峰，卢俊菠，曾君，陈渊睿，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：