【技术实现步骤摘要】
本专利技术涉及一种基于多专家模型的电力负荷中短期预测方法，属于电力负荷预测。
技术介绍
1、电力系统负荷预测是电力系统运行和规划中的关键技术之一，其预测精度直接影响着电网调度、发电计划、需求侧管理和新能源消纳等多个环节。中短期电力负荷预测，特别是未来几小时至几周的电力需求预测，对于电力系统的稳定性和经济性至关重要。随着能源需求的快速增长，电力负荷预测面临着越来越复杂的挑战，包括气候变化、社会经济因素的波动以及新能源的大规模接入等。这些不确定性和复杂性促使传统的负荷预测方法在应对多变量和非线性问题时表现出局限性。
2、传统的电力负荷预测方法通常包括时间序列分析、回归分析和神经网络等。时间序列方法例如arima模型，虽然在某些情况下可以有效地捕捉电力负荷的时间依赖特征，但其对长周期、非线性负荷特性的预测能力有限。此外，简单的回归方法虽然能够考虑多个外部因素的影响，但它们在处理复杂的多维数据集和非线性关系时也存在一定局限性。而神经网络方法虽然具备强大的非线性映射能力，但单一模型容易出现过拟合问题，难以充分解析负荷数据中存在的多层次、周期性特征。因此，传统方法在实际应用中，尤其是在复杂多变的电力系统中，无法保证预测的高精度和可靠性。
3、多专家模型的核心思想是引入多个领域的“专家”，每个专家针对某一类特定问题进行建模，并通过一定的规则或算法对这些专家的输出结果进行综合评估和决策。这种方法能够有效克服单一模型的局限性，提高预测结果的精度和鲁棒性。特别是在电力负荷预测中，不同的专家可以分别针对不同的周期性、趋势性特征
4、在现代电力系统中，准确的中短期负荷预测对于优化能源资源配置、提高电网运行效率至关重要。而基于多专家模型的预测方法，不仅能够有效整合多种预测模型的优势，还能够充分利用海量数据和外部影响因素的信息，为电力系统的安全、经济运行提供重要支持。因此，开发一种创新、高效的基于多专家模型的电力负荷中短期预测方法，具有重要的技术意义和应用价值。
技术实现思路
1、本专利技术的目的在于提供一种基于多专家模型的电力负荷中短期预测方法，使用多专家模型，克服单一模型的局限性，不同的“专家”可以分别针对不同的周期性、趋势性特征进行建模，提高电力负荷预测的准确度和鲁棒性。
2、本专利技术的目的通过以下技术方案予以实现：
3、一种基于多专家模型的电力负荷中短期预测方法，包括以下步骤：
4、步骤一、训练数据准备
5、将历史电力负荷数据分为小时周期、日周期、周周期、月周期四组，对于当前预测点，将其前α小时的数据作为小时周期特征、前β日的数据作为日周期特征、前γ周的数据作为周周期特征、前δ月的数据作为月周期特征，小时周期特征按小时间隔提取，日周期特征按天间隔提取，周周期特征按周间隔提取，月周期特征按月间隔提取，不同周期数据的输入分别为：
6、
7、式中，xh是小时周期特征，xt是当前预测点，xt-α是前α小时的数据，xt-α+1是前α-1小时的数据；xd是日周期特征，xt-β*24是前β日的数据，xt-(β-1)*24是前β-1日的数据；xw是周周期特征，xt-γ*24*7是前γ周的数据，xt-(γ-1)*24*7是前γ-1周的数据；xm是月周期特征xt-δ*24*30是前δ月的数据，xt-(δ-1)*24*30是前δ-1月的数据；
8、步骤二、tcn网络构建
9、tcn网络由多个残差块网络构成，每个残差块中有两个扩张因果卷积，每个扩张因果卷积后都进行权重归一化，并使用relu非线性激活函数f(x)＝max(0,x)和dropout正则化，同时每两层扩张因果卷积进行一次残差连接；
10、步骤三、mlp网络构建
11、一个mlp网络由两层网络构成，第一层由两个线性层组成，第二层是一个线性层网络：
12、
13、式中，是逐元素相乘，silu是非线性激活函数，linear是线性层函数，silu和linear的公式如下：
14、
15、式中，w是权重参数，b是偏重向量参数，sigmoid公式如下：
16、
17、步骤四、sigmoid门控网络构建
18、sigmoid网络控制上一层网络对下一层网络贡献的权重，sigmoid门控分支控制tcn网络的权重大小，sigmoid门控分支由mlp网络和sigmoid激活函数构成：
19、
20、式中，g(x)是门控网络，是逐元素相乘，sigmoid是激活函数，mlp和tcn分别对应mlp网络和tcn网络；
21、步骤五、多专家负荷预测模型构建
22、多专家负荷预测模型由tcn网络、mlp网络、sigmoid门控网络共同构成，由4个不同的tcn网络分别接收小时周期特征xh、日周期特征xd、周周期特征xw、月周期特征xm的输入后得到4个tcn网络的输出，tcn网络的输出经过各自的sigmoid门控网络后，得到小时周期特征、日周期特征、周周期特征、月周期特征所对应的门控网络输出，将4组门控网络输出拼接在一起，得到门控网络输出；门控网络输出经过一层线性层和softmax计算后，根据softmax结果选取topk的专家索引，根据索引选取被选中的mlp网络参与计算，将门控网络输出作为输入传递给被选中的mlp网络，和上述softmax计算出来的权重累乘后累加得到多专家网络的输出；
23、在训练数据准备过程中，输入数据被分为了小时周期、日周期、周周期、月周期共四组，每一组输入数据各自经过不同的tcn网络和sigmoid门控网络，得到四组门控网络的输出如下：
24、
25、式中，xh是小时周期输入，xd是日周期数据，xw是周周期数据，xm是月周期数据，gh、gd、gw、gm是对应周期数据的门控网络输出；
26、四组周期特征的门控网络输出结果被拼接在一起后，经过不同的mlp专家网络，每个mlp专家网络建模不同的输入特征，只选取topk的专家参与网络计算，得到最终的预测结果：
27、g＝concat(gh,gd,gw,gm)
28、weight,index＝topk(softmax(wg+b))
29、式中，concat是矩阵拼接计算，w是线性层的权重参数，b是线性层的偏置向量，topk是计算softmax结果中最大的k个数，最大的k个数值结果用weight向量来表示，对应的索引值用index向量来表示，index的值即被选中的专家索引，其中softmax计算公式如下：
30、
31、式中，x是一组向量，xi是向量中的第i个值；
32、算出被选中的专家索引和对应的权重后，使用选中的专家mlp网络进行计算，将各个专家网络的结果求和得到最终结果：
33、
34、式中，本文档来自技高网...
【技术保护点】
1.一种基于多专家模型的电力负荷中短期预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多专家模型的电力负荷中短期预测方法，其特征在于，所述TCN网络替换为LSTM或CNN网络。
3.如权利要求1所述的一种基于多专家模型的电力负荷中短期预测方法，其特征在于，步骤六多专家模型训练和评测的误差函数选用均方根误差RMSE和平均绝对误差MAE，误差函数公式如下：
【技术特征摘要】
1.一种基于多专家模型的电力负荷中短期预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多专家模型的电力负荷中短期预测方法，其特征在于，所述tcn网络替换为lstm或cn...
【专利技术属性】
技术研发人员：巴宇，蒋濛，张月，徐丁吉，端木子昂，宗书怡，仲慧，陈泰名，刘京易，戴毅，
申请(专利权)人：国网江苏省电力有限公司镇江供电分公司，
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。