一种考虑大量弹性负荷的并行短期负荷预测方法技术

本发明专利技术为一种考虑大量弹性负荷的并行短期负荷预测方法，属于电气工程技术领域。针对含有高水平弹性负荷的系统，提出的一种电力负荷预测模型。该模型由3种结构组成：一维卷积网络结构、并行预测结构和深度残差网络结构。首先，1D卷积网络结构对一些输入项执行特征提取，减少了信息冗余。然后使用并行预测结构来模拟基本负荷和弹性负荷预测，解决了弹性载荷问题，使模型性能的进一步提高。最后采用深度残差网络结构来提高模型的泛化能力，防止梯度消失。所提出的模型在北美公用事业数据集、ISO

【技术实现步骤摘要】
一种考虑大量弹性负荷的并行短期负荷预测方法


[0001]本专利技术涉及一种电力负荷预测方法。本专利技术具体涉及一种针对系统中含大量弹性负荷的电力负荷预测模型。属于电气工程

[0002]
技术介绍

[0003]电力负荷的准确预测对于电力系统的经济调度和安全运行至关重要。近年来，随着电动汽车的普及、实时(去调控市场) /分时(调控市场)电价的推广和实施，以及储能设备的商业化运营，弹性负荷在电力负荷中的比重越来越大。这些易受电价、天气、节假日等因素影响的弹性负荷，使得负荷预测更加困难。对于弹性负荷比例较高的系统，提高负荷预测的准确性需要进一步研究。
[0004]直到今天，对电力负荷预测的研究还有大量，用于负荷预测的方法有自回归积分移动平均(ARIMA)模型、支持向量机(SVM)、模糊预测方法、小波分析预测方法、人工神经网络(ANN)等。随着人工智能的发展，ANN逐渐成为主流方法，出现了新的神经网络结构，如卷积神经网络(CNN)、递归神经网络(RNN)、长短时记忆网络(LSTM)、深度残差网络(ResNet) 等。在电力负荷预测中，许多研究者应用这些结构来建立各种神经网络框架来提高预测精度。
[0005]影响负荷预测的因素很多。研究人员倾向于设置许多输入项来考虑多个因素，从而产生信息冗余。为了区分输入的重要部分，减少信息的冗余，提高模型的泛化能力，通常采用降维技术。在机器学习中，降维技术一般分为特征提取和特征选择两部分。近年来，弹性荷载在系统中逐渐增大。大量的研究人员集中在弹性载荷下的负荷预测，提出了一种基于强化学习的Q学习技术的充电负荷预测方法，改进了传统神经网络的预测。采用蒙特卡罗算法对电动汽车出行方式概率分布和充电特性进行建模等方法对充电负荷进行预测。提出了一种等效温度模型，该模型推进了遗传算法初始解的生成方法，将等效温度作为输入特征，应用Elman神经网络进行负荷预测来实现对弹性负荷进行预测。

技术实现思路

[0006]本专利技术旨在解决现有技术中存在的技术问题，特别创新地提出了一种短期电力负荷预测方法。
[0007]为了实现本专利技术的上述目的，本专利技术提供了一种短期电力负荷预测方法，该预测方法包括以下步骤。
[0008]S1，获取历史电力负荷数据。使用比较常用且容易获得的信息，如历史负荷信息、时间信息、天气信息等，来实现电力负荷预测。
[0009]S2，使用、、、、、、、、、、, 11个输入项作为模型输入，是第二天第h小时之前最近的24小时的负荷，尺寸为24，是第二天
之前第4、8、12、16、20、24周的第h小时的负荷，尺寸为6，是第二天之前第1、2、3、4周的第h小时的负荷，尺寸为4，是第二天之一周每天的第h小时的负荷，尺寸为7，是第二天之前第4、8、12、16、20、24周的第h小时的温度，尺寸为6，是第二天之前第1、2、3、4周的第h小时的温度，尺寸为4，是第二天之一周每天的第h小时的温度，尺寸为7，为第二天第h小时的实际温度，尺寸为1，是季节的独热编码，尺寸为4，是区分工作日/周末的独热编码，尺寸为2，是区分节假日/非节假日的独热编码，尺寸为2。
[0010]S3，按照模型输入要求对电力负荷数据集进行整理。
[0011]S4，对数据集进行线性变换归一化处理。
[0012]S5，进行神经网络模型训练。
[0013]S6，对神经网络模型实施集成策略。
[0014]S7，将神经网络模型的输出值进行反归一化处理，得到电力负荷预测值。
[0015]本专利技术提出了一种用于电力负荷预测的并行预测模型，该模型由一维卷积神经网络结构、并行预测结构和深度残差网络结构组成。一维卷积网络结构对一些重要输入项执行特征提取，减少了信息冗余。并行预测结构解决了弹性载荷问题，阻止了模型性能的进一步提高。深度残差网络提高了模型的泛化能力，避免了梯度消失问题。
[0016]在本专利技术的一种优选实施方法中，在步骤S4和S7中，线性变换归一化和反归一化的计算方法为：(1)(2)公式（1）为归一化计算公式，公式（2）为反归一化计算公式，和分别表示数据中最大值和最小值，表示归一化后的数值。
[0017]在本专利技术的一种优选实施方法中，在步骤S5中，神经网络结构由一维卷积网络结构、并行预测结构和深度残差网络结构3种结构组成。
[0018]一维卷积网络结构，应用在输入项的部分后面，用于对这些输入进行特征提取。其结构具体如下：（1）一维卷积层：提取输入的不同特征；（2）一维平均池化层：池化层具有三个作用：特征不变性、特征降维和过拟合预防；（3）压平层：采用一维输入代替多维输入，结构更容易嵌入到后续结构中。
[0019]并行预测结构，由基本负荷预测部分和弹性负荷预测部分两部分组成。由于基本负荷(即工业部分)受天气因素的影响较小，因此该预测部分的输入包括负荷信息和时间信息，并排除温度信息。
[0020]相反，弹性负荷(即住宅部分)，受天气因素影响较大，随温度变化而波动。输入是时间信息、历史负荷信息和天气信息。
[0021]最后，根据叠加规则重构负荷预测。
[0022]深度残差结构由残差块组成。一个残差块由两个全连接层和一个加层组成，第一
个全连接层有20个节点，以"缩放指数线性单元"为激活函数；第二个全连接层有24个节点，以"线性函数"为激活函数。
[0023]在残差块中，学习的是到的映射，残差块的具体表示为：(3)通过叠加残差块来构建深度残差网络，如果叠加个残差块，这种结构的前向传播可以表达为(4)其中，为深度残差网络的输入,为深度残差网络的输出。表示第个残差块的权重。反向传播的误差可以计算得出：(5)其中，表示深度残差网络的总误差，表示深度残差网络的快捷方式连接，梯度可以完整传播。即使残差网络的梯度非常小，由于快捷方式连接的存在，梯度也不会消失，使训练深度神经网络成为可能。
[0024]在本专利技术的一种优选实施方法中，在步骤S6中，集合策略(即多模型的集成)提升了模型的泛化能力。集成策略的步骤如下所述：S61：将模型训练次数设置为1000；S62：当第500次训练时首次保存模型权重和偏置参数，在之后的训练，模型训练50次重新保存一次，直至模型训练结束；S63：对模型进行了5次重新初始化训练，从而得到了55组针对不同情况的权重和偏置参数，依次对输出进行平均，以得到最终的预测结果。
[0025]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术能有对短期电力负荷进行快速准确的预测。
[0026]附图说明
[0027]图1是本专利技术的模型完整结构。
[0028]图2是本专利技术的一维卷积网络结构。
[0029]图3是本专利技术的深度残差网络的构建块。
[0030]图4是本专利技术的辍学层工作原理。
[0031]图5是本专利技术的集成策略示例。
[0032]具体实施方式
[0033]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，包括如下步骤：S1：获取历史电力负荷数据；S2：使用、、、、、、、、、、,11个输入项作为模型输入；S3：按照模型输入要求对电力负荷数据集进行整理；S4：对数据集进行线性变换归一化处理；S5：进行神经网络模型训练；S6：对神经网络模型实施集成策略；S7：将神经网络模型的输出值进行反归一化处理，得到电力负荷预测值。2.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S2中，11个输入项分别是指：是第二天第h小时之前最近的24小时的负荷，尺寸为24，是第二天之前第4、8、12、16、20、24周的第h小时的负荷，尺寸为6，是第二天之前第1、2、3、4周的第h小时的负荷，尺寸为4，是第二天之一周每天的第h小时的负荷，尺寸为7，是第二天之前第4、8、12、16、20、24周的第h小时的温度，尺寸为6，是第二天之前第1、2、3、4周的第h小时的温度，尺寸为4，是第二天之一周每天的第h小时的温度，尺寸为7，为第二天第h小时的实际温度，尺寸为1，是季节的独热编码，尺寸为4，是区分工作日/周末的独热编码，尺寸为2，是区分节假日/非节假日的独热编码，尺寸为2。3.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S4中，线性变换归一化计算方法为：(1)其中，和分别表示数据中最大值和最小值，表示归一化后的数值。4.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S5中，神经网络模型由一维卷积网络结构、并行预测结构和深度残差网络结构3种结构组成：一维卷积网络结构，应用在输入项的部分后面，用于对这些输入进行特征提取，其结构具体如下：（1）一维卷积层：用于提取输入的不同特征；（2）一维平均池化层：池化层具有三个作用：特征不变性、特征降维和过拟合预防；（3）压平层：采用一维输入代替多维输入，结构更容易嵌入到后续结构中；并行预测结构，由基...

【专利技术属性】
技术研发人员：董吉哲，罗龙，李恪禹，陆哲勤，姜益文，张琪，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：