【技术实现步骤摘要】
本专利技术属于电力负荷预测，涉及一种电力负荷预测方法，尤其是一种基于小波变换与多任务学习深度融合的电力负荷预测方法。
技术介绍
1、随着化石能源价格的攀升以及其带来的环境问题，使得全球开始大力开发太阳能和风能等洁净能源，从而导致电力来源越来越多样化。此外，清洁能源受自然因素影响较大，波动性、间歇性较强，新能源汽车、分布式电源等随机性因素大量融入负荷侧，现代电力系统表现出发电与用电的双重不确定。
2、电能具有无法大量存储的特点，且电能的生产、输送、分配和使用具有同时性，即发电设备发电与用户消费完全同步，当供大于需时会造成大量的资源浪费，而供小于需时会导致电力用户的巨大经济损失。因此，电力系统要实现经济稳定运行，必须满足供需之间的动态平衡。近些年，电力行业大力发展智能电网和虚拟电厂以参与需求侧响应、接受电网调度指令，为电网提供辅助服务，而高精度的电力负荷预测能够为智能电网和虚拟电厂的优化协调运行等功能的实现提供有力的策略支撑，对提高清洁能源利用率、维持电力系统经济稳定运行具有重要意义。
3、随着电力物联网的大力推进与数据采集系统的不断完善，电力负荷数据量呈指数形式增长，为电力负荷预测方法的研究提供了新思路。
4、目前，电力负荷预测方法主要分为传统数据模型、人工智能方法和混合模型。传统数据模型如回归分析法、时间序列法、灰色模型、卡尔曼滤波法、小波变换等，需要建立负荷序列与目标样本的明确数学关系，具有训练速度快的特点，但优越的模型性能往往依赖于负荷数据的高度平稳性，在当前负荷成分复杂、精度要求高的场景
5、综上所述，构建高质量的特征数据和有效的深度学习模型是取得高精度负荷预测的关键。因此，本专利技术提出一种基于小波变换与多任务学习深度融合的电力负荷预测方法。
6、经检索，未发现与本专利技术相同或相似的现有技术中的文献。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出一种基于小波变换与多任务学习深度融合的电力负荷预测方法，通过离散小波变换深入挖掘负荷序列数据的频率特征，构建多任务学习模型充分学习不同频率负荷分量特征间的相关性，并对负荷分量预测值进行深度融合，得到负荷预测结果。
2、本专利技术解决其现实问题是采取以下技术方案实现的：
3、一种基于小波变换与多任务学习深度融合的电力负荷预测方法，包括以下步骤：
4、s1、获取m天的历史电力负荷数据及需要考虑的对电力负荷产生影响的影响因素特征，并对数据进行预处理；
5、s2、构建离散小波变换模型，对步骤s1得到的历史负荷数据进行离散小波变换，得到k个不同频率的历史负荷分量(p1,p2,…,pk)；
6、s3、对步骤s2得到的k个历史负荷分量(p1,p2,…,pk)和步骤s1得到的影响因素特征进行数据重构，形成适用于多任务学习神经网络模型训练的特征数据库与预测标签；
7、s4、构建基于硬共享机制的多任务学习负荷分量预测模型，确定多任务学习神经网络的网络结构与参数，使用步骤s3得到特征数据库与预测标签对多任务学习神经网络进行训练，并通过训练后的网络得到负荷分量预测结果；
8、s5、构建全连接神经网络预测模型，步骤s4得到负荷分量预测值输入全连接神经网络中并对其进行训练，融合不同频率负荷分量，修正前端模型误差，得到最终的电力负荷预测结果。
9、而且，所述步骤s1中需要考虑的对电力负荷产生影响的影响因素特征包括：气象影响因素特征和社会影响因素特征；
10、其中，气象影响因素特征包括：温度、湿度、气压和露点；社会影响因素特征包括：节假日特征、月特征、周特征。
11、而且，所述步骤s1中的对数据进行预处理的方法包括数据清洗、异常值处理、数据归一化。
12、而且，所述步骤s3中适用于多任务学习神经网络模型训练的特征数据库的形成方法为：
13、将m天的k个历史负荷分量(p1,p2,…,pk)以n天为单位进行滚动分割，组合成为历史负荷分量特征库(p1×n,p2×n,…,pk×n)，将滚动分割时下一个时间步的负荷分量作为预测标签(p1n+1,p2n+1,…,pkn+1)，将需要考虑的气象、社会因素以每天为单位进行分割组合成影响因素特征数据库。
14、而且，所述步骤s4中的基于硬共享机制的多任务学习负荷分量预测模型的构建方法为：
15、模型第一层或前几层设置共享隐藏层，用于输入并训练所有的特征数据；网络末端为子任务层，用于将共享特征传递到每个子任务中，并输入多个子任务的预测结果。
16、本专利技术的优点和有益效果：
17、1、本专利技术提出一种基于小波变换与多任务学习深度融合的电力负荷预测方法。首先获取历史电力负荷数据及相关影响因素特征，构建离散小波变换模型，对历史电力负荷数据进行离散小波变换，得到不同频率的负荷分量；其次对负荷分量和影响因素特征进行数据重构，形成适用于神经网络模型训练的特征数据库；接着构建多任务学习模型，将特征数据输入多任务学习神经网络，考虑多维特征间的相关性对神经网络进行训练，得到不同频率负荷分量的预测值；最后构建全连接神经网络，将负荷分量的预测值输入神经网络并对其进行训练，融合不同频率负荷分量，得到电力负荷预测结果。
18、2、本专利技术采用小波变换对原始负荷数据进行特征提取，并提出多任务学习模型对负荷分量进行预测，与以往采用单一模型分别预测各个分量的策略相比，本专利技术能够充分考虑不同频率分量特征的相关性，使神经网络充分拟合分量变化趋势，从而提升负荷分量预测精度。
19、3、本专利技术提出一种适用神经网络模型对负荷分量进行深度融合预测的方法，与以往直接将负荷分量相加得到负荷预测结果的模型相比，能够利用神经网络的非线性学习能力，更好地学习负荷分量与负荷预测结果的关系，从而修正前端模型误差，提升负荷预测精度。
本文档来自技高网...【技术保护点】
1.一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：所述步骤S1中需要考虑的对电力负荷产生影响的影响因素特征包括：气象影响因素特征和社会影响因素特征；
3.根据权利要求1所述的一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：所述步骤S1中的对数据进行预处理的方法包括数据清洗、异常值处理、数据归一化。
4.根据权利要求1所述的一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：所述步骤S3中适用于多任务学习神经网络模型训练的特征数据库的形成方法为：
5.根据权利要求1所述的一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：所述步骤S4中的基于硬共享机制的多任务学习负荷分量预测模型的构建方法为：
【技术特征摘要】
1.一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：所述步骤s1中需要考虑的对电力负荷产生影响的影响因素特征包括：气象影响因素特征和社会影响因素特征；
3.根据权利要求1所述的一种基于小波变换与多任务学习深度融合的电力负荷预测方法，其特征在于：所述步骤s1中的对...
【专利技术属性】
技术研发人员：邓欣宇，黄旭，张军，左鹏，祖国强，
申请(专利权)人：国网天津市电力公司，
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。