【技术实现步骤摘要】
本专利技术涉及电力负荷预测领域，尤其涉及一种基于残差网络的长期电力负荷预测方法、装置及电子设备。
技术介绍
1、目前，主流的电力负荷预测方法包括统计方法、机器学习方法、深度学习方法。统计方法依靠分析历史数据的趋势完成预测，缺乏对复杂的非线性关系及市场波动要素的处理；机器学习方法利用模型训练、学习历史电力负荷数据，存在过度拟合历史电力负荷数据的可能性，对为爱潜在变化适用能力不足；深度学习方法主要侧重于循环神经网络及former网络结构，容易出现完整的网络模型结构冗长的问题，所需调整的参数和梯度传播长度过高。
2、因此，提出一种基于残差网络的长期电力负荷预测方法、装置及电子设备。
技术实现思路
1、本说明书提供基于残差网络的长期电力负荷预测方法、装置及电子设备，采用基于残差网络的多特征组合式预测网络结构，可以自动地将各项有效信息拼接并预测出未来的负荷数据。
2、本说明书提供一种基于残差网络的长期电力负荷预测方法，包括：
3、获取电力负荷源数据；
4、对所述电力负荷源数据预处理，确定历史负荷量、动态协变量、静态协变量；
5、将所述历史负荷量、动态协变量、静态协变量进行拼接，得到拼接变量；
6、将所述拼接变量输入至一次残差网络中，得到第一级负荷预测量；
7、将所述第一级负荷预测量、降维动态协变量堆叠处理，得到堆叠处理后的变量；
8、将所述堆叠处理后的变量输入至二次残差网络，得到第二级负荷预测量；
9、将所述历史负荷量、第二级负荷预测量输入至线性网络中，得到长期电力负荷预测结果。
10、可选的，所述对所述电力负荷源数据预处理，确定历史负荷量、动态协变量、静态协变量，包括：
11、所述电力负荷源数据包括历史负荷量、天气特征、发电所需能源占比、供需指数、时间序列；
12、将所述天气特征、发电所需能源占比、供需指数统一时间尺度后作为动态协变量；
13、将所述时间序列作为静态协变量。
14、可选的，所述将所述历史负荷量、动态协变量、静态协变量进行拼接，得到拼接变量，包括：
15、将所述动态协变量进行降维处理，得到降维动态协变量；
16、将所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量。
17、可选的，所述将所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量，包括：
18、利用多层感知机将步长均为l的所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量。
19、可选的，所述获取电力负荷源数据，包括：
20、按照记录时间生成时间序列，将所述电力负荷源数据按照所述时间序列划分为测试集和验证集；
21、利用所述测试集训练一次残差网络、二次残差网络，并用验证集验证训练后的一次残差网络、二次残差网络的预测精度。
22、本说明书提供一种基于残差网络的长期电力负荷预测装置，包括：
23、获取模块，用于获取电力负荷源数据；
24、预处理模块，用于对所述电力负荷源数据预处理，确定历史负荷量、动态协变量、静态协变量；
25、拼接模块，用于将所述历史负荷量、动态协变量、静态协变量进行拼接，得到拼接变量；
26、第一级预测模块，用于将所述拼接变量输入至一次残差网络中，得到第一级负荷预测量；
27、堆叠模块，用于将所述第一级负荷预测量、降维动态协变量堆叠处理，得到堆叠处理后的变量；
28、第二级预测模块，用于将所述堆叠处理后的变量输入至二次残差网络，得到第二级负荷预测量；
29、预测模块，用于将所述历史负荷量、第二级负荷预测量输入至线性网络中，得到长期电力负荷预测结果。
30、可选的，所述预处理模块，包括：
31、所述电力负荷源数据包括历史负荷量、天气特征、发电所需能源占比、供需指数、时间序列；
32、将所述天气特征、发电所需能源占比、供需指数统一时间尺度后作为动态协变量；
33、将所述时间序列作为静态协变量。
34、可选的，所述拼接模块，包括：
35、将所述动态协变量进行降维处理，得到降维动态协变量；
36、将所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量。
37、可选的，所述将所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量，包括：
38、利用多层感知机将步长均为l的所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量。
39、可选的，所述获取模块，包括：
40、按照记录时间生成时间序列，将所述电力负荷源数据按照所述时间序列划分为测试集和验证集；
41、利用所述测试集训练一次残差网络、二次残差网络，并用验证集验证训练后的一次残差网络、二次残差网络的预测精度。
42、本说明书还提供一种电子设备，其中，该电子设备包括：
43、处理器；以及，存储处理器可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项所述的方法。
44、本说明书还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
45、在本专利技术中，采用基于残差网络的多特征组合式预测网络结构，可以自动地将各项有效信息拼接并预测出未来的负荷数据。相比于传统方法在特征挖掘能力，模型泛化能力上更加优秀和灵活，通过本专利技术实现负荷预测可以很好的降低长期负荷预测的预测误差，为电力机组运行调配提供反馈指导，保证电力系统的稳定运行。
本文档来自技高网...【技术保护点】
1.基于残差网络的长期电力负荷预测方法，其特征在于，包括：
2.如权利要求1所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述对所述电力负荷源数据预处理，确定历史负荷量、动态协变量、静态协变量，包括：
3.如权利要求1所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述将所述历史负荷量、动态协变量、静态协变量进行拼接，得到拼接变量，包括：
4.如权利要求3所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述将所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量，包括：
5.如权利要求1所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述获取电力负荷源数据，包括：
6.基于残差网络的长期电力负荷预测装置，其特征在于，包括：
7.如权利要求6所述的基于残差网络的长期电力负荷预测装置，其特征在于，所述预处理模块，包括：
8.如权利要求6所述的基于残差网络的长期电力负荷预测装置，其特征在于，所述拼接模块，包括：
9.一种电子设备，其中，该电子设备包括：p>
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-5中任一项所述的方法。
...【技术特征摘要】
1.基于残差网络的长期电力负荷预测方法，其特征在于，包括：
2.如权利要求1所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述对所述电力负荷源数据预处理，确定历史负荷量、动态协变量、静态协变量，包括：
3.如权利要求1所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述将所述历史负荷量、动态协变量、静态协变量进行拼接，得到拼接变量，包括：
4.如权利要求3所述的基于残差网络的长期电力负荷预测方法，其特征在于，所述将所述历史负荷量、降维动态协变量、静态协变量进行拼接，得到拼接变量，包括：
5.如权利要求1所述的基...
【专利技术属性】
技术研发人员：李秋玮，钱磊，朱卓敏，
申请(专利权)人：上海电享信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。