基于生成对抗网络的用户负荷率预测方法及系统技术方案

本发明专利技术涉及一种基于生成对抗网络的用户负荷率预测方法及系统，采集同一电压等级下终端电力用户数据，计算负荷率；建立生成对抗网络（Generative Adversarial Network,GAN)模型，引入Wasserstein距离与梯度惩罚函数；使用终端电力用户负荷率数据对GAN模型进行训练，并采用RMSprop算法优化GAN的网络参数；通过训练后的GAN模型生成若干用户负荷率生成数据样本，补充样本数量；对生成数据样本进行聚类分析，计算每簇聚类的子系统负荷率与子系统同时率，并采用线性回归方法绘制BARY曲线，实现用户子系统负荷率的预测。本发明专利技术有效提高用户负荷率预测效率及可靠性，进一步提高电网运行效率。率。率。

【技术实现步骤摘要】
基于生成对抗网络的用户负荷率预测方法及系统


[0001]本专利技术涉及电力预测领域，具体涉及一种基于生成对抗网络的用户负荷率预测方法及系统。

技术介绍

[0002]电价改革是电力体制改革的重要组成部分，科学合理、实际可行的电价机制是电力体制改革顺利进行的重要因素之一，因此需要研究适应我国电力市场发展要求的电价机制。可选择电价机制是基于机制设计理论和电价管理实践而产生的一种新的电价机制，通过给用户提供多种电价标准，允许用户根据自身负荷特性自由选择，在国内外得到了广泛的应用。通过输配电成本分摊方法对不同用户类别所需承担的电网输配电成本进行分析，有助于电力市场交易的公平公正、电力用户的权责对等，实现电价的公共事业功能，提高电网运行效率，满足“双碳”目标下新型电力系统的建设要求。
[0003]而现在急需一种用户负荷率预测的方案，实现对用户负荷率的准确预测，并进一步用于输配电成本分配或输配电分配，提高电网运行效率。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于生成对抗网络的用户负荷率预测方法及系统，有效提高用户负荷率预测效率及可靠性，进一步提高电网运行效率。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于生成对抗网络的用户负荷率预测方法，包括以下步骤：
[0007]步骤S1：采集供电范围内的同一电压等级下终端电力用户数据，并计算该电压等级下终端电力用户的负荷率数据x；
[0008]步骤S2:构建GAN模型；
[0009]步骤S3:引入Wasserstein距离与梯度惩罚函数到GAN模型；
[0010]步骤S4:将一组随机噪声数据z输入GAN模型的生成器，输出为用户负荷率生成数据样本G(z)；
[0011]步骤S5:将终端电力用户的负荷率数据x与用户负荷率生成数据样本G(z)输入GAN模型的判别器，判别器输出对终端电力用户的负荷率数据样本x和用户负荷率生成数据样本G(z)的判别值；
[0012]步骤S6:计算生成器和判别器的损失函数，采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新；
[0013]步骤S7:当训练结束后，保留GAN中的生成器模型，输入若干组随机噪声数据z，生成器输出若干组用户负荷率生成数据样本；
[0014]步骤S8:对终端电力用户的负荷率数据样本x，与若干组用户负荷率生成数据样本进行聚类分析，并对聚类分析K值进行判定；
[0015]步骤S9：基于用户负荷率生成数据样本聚类分析结果，计算每个簇样本用户的子
系统负荷率和子系统同时率，并采用线性回归方法绘制BARY曲线，实现用户子系统负荷率的预测。
[0016]进一步的，终端电力用户在某一时间段负荷率的计算公式为：
[0017]LF＝LD
ave
/LD
max (1)
[0018]式中，LD
ave
表示终端电力用户在该时段的平均负荷；LD
max
表示终端电力用户在该时段的最大负荷。
[0019]进一步的，所述步骤S2具体为：
[0020]定义终端电力用户的负荷率数据为x，定义一组随机噪声数据z作为生成器的输入，以p
z
(z)表示z的概率分布，同时以p
data
(x)表示终端电力用户的负荷率数据x的概率分布，生成器的输出为用户负荷率生成数据样本G(z)，概率分布为p
G
(z)；
[0021]根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数L
G
和L
D
如下：
[0022][0023][0024]根据和判别器的损失函数L
G
和L
D
，将式(1)和式(2)相结合，得到GAN训练过程中的目标函数：
[0025][0026]进一步的，Wasserstein距离的定义如下：
[0027][0028]式中，Ω(p
data
,p
G
)是以p
data
和p
G
为边缘分布的联合概率分布γ的集合；W(p
data
,p
G
)为(u,v)～γ期望的下确界，表示将生成分布p
G
拟合成真实分布p
data
，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的终端电力用户的负荷率数据样本与生成样本；
[0029]采用其Kantorovich
‑
Rubinstein对偶形式来描述生成样本与真实样本之间的距离：
[0030][0031]式中||f
D
||L≤K表明判别器函数D(x)满足K
‑
Lipschitz连续，即函数梯度的绝对值上限为K；
[0032]对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数，GAN的目标函数转化为：
[0033][0034]进一步的，GAN模型的生成器结构如下所示：
[0035]卷积层1：32个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0036]卷积层2：64个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0037]卷积层3：4个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数ReLU。
[0038]进一步的，GAN模型的判别器结构如下所示：
[0039]输入层：64个卷积核，每个卷积核尺寸为3；步幅为1；
[0040]卷积层1：128个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0041]卷积层2：256个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0042]卷积层3：512个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0043]卷积层4：128个卷积核，每个卷积核尺寸为3；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0044]卷积层5：512个卷积核，每个卷积核尺寸为1；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
[0045]输出层：稠密层结构，包含1024个神经网络单元，1个样本作为输出。
[0046]进一步的，RMSprop优化算法的公式如下：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的用户负荷率预测方法，其特征在于，包括以下步骤：步骤S1：采集供电范围内的同一电压等级下终端电力用户数据，并计算该电压等级下终端电力用户的负荷率数据x；步骤S2:构建GAN模型；步骤S3:引入Wasserstein距离与梯度惩罚函数到GAN模型；步骤S4:将一组随机噪声数据z输入GAN模型的生成器，输出为用户负荷率生成数据样本G(z)；步骤S5:将终端电力用户的负荷率数据x与用户负荷率生成数据样本G(z)输入GAN模型的判别器，判别器输出对终端电力用户的负荷率数据样本x和用户负荷率生成数据样本G(z)的判别值；步骤S6:计算生成器和判别器的损失函数，采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新；步骤S7:当训练结束后，保留GAN中的生成器模型，输入若干组随机噪声数据z，生成器输出若干组用户负荷率生成数据样本；步骤S8:对终端电力用户的负荷率数据样本x，与若干组用户负荷率生成数据样本进行聚类分析，并对聚类分析K值进行判定；步骤S9：基于用户负荷率生成数据样本聚类分析结果，计算每个簇样本用户的子系统负荷率和子系统同时率，并采用线性回归方法绘制BARY曲线，实现用户子系统负荷率的预测。2.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法，其特征在于，终端电力用户在某一时间段负荷率的计算公式为：LF＝LD
ave
/LD
max (1)式中，LD
ave
表示终端电力用户在该时段的平均负荷；LD
max
表示终端电力用户在该时段的最大负荷。3.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法，其特征在于，所述步骤S2具体为：定义终端电力用户的负荷率数据为x，定义一组随机噪声数据z作为生成器的输入，以p
z
(z)表示z的概率分布，同时以p
data
(x)表示终端电力用户的负荷率数据x的概率分布，生成器的输出为用户负荷率生成数据样本G(z)，概率分布为p
G
(z)；根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数L
G
和L
D
如下：如下：根据和判别器的损失函数L
G
和L
D
，将式(1)和式(2)相结合，得到GAN训练过程中的目标函数：
4.根据权利要求1所述的基于生成对抗网络的用户负荷率预测方法，其特征在于，Wasserstein距离的定义如下：式中，Ω(p
data
,p
G
)是以p
data
和p
G
为边缘分布的联合概率分布γ的集合；W(p
data
,p
G
)为(u,v)～γ期望的下确界，表示将生成分布p
G
拟合成真实分布p
data
，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的终端电力用户的负荷率数据样本与生成样本；采用其Kantorovich
‑
Rubinstein对偶形式来描述生成样本与真实样本之间的距离：式中||f
D
||L≤K表明判别器函数D(x)满足K
‑
Lipschitz连续，即函数梯度的绝对值上限为K；对式(3)引入判别器函数D...

【专利技术属性】
技术研发人员：张承圣，叶颖津，韩雅儒，阮迪，张诗鸣，陈志铭，吴啟帆，朱雅芳，林诗媛，叶楠，林红阳，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：