一种考虑大量弹性负荷的并行短期负荷预测方法

技术领域

本发明涉及一种电力负荷预测方法。本发明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。属于电气工程技术领域。

背景技术

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。

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。

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。

发明内容

本发明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。

为了实现本发明的上述目的，本发明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。

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。

S2，使用

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。

本发明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。

在本发明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，

在本发明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。

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。

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。

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。

最后，根据叠加规则重构负荷预测。

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。

在残差块中，学习的是

(3)

通过叠加残差块来构建深度残差网络，如果叠加

(4)

其中，

(5)

其中，

在本发明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。

综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明能有对短期电力负荷进行快速准确的预测。

附图说明

图1是本发明的模型完整结构。

图2是本发明的一维卷积网络结构。

图3是本发明的深度残差网络的构建块。

图4是本发明的辍学层工作原理。

图5是本发明的集成策略示例。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并予以实施，但所举实施例不作为对本发明的限定。

本发明基于并行预测模型的电力负荷预测方法，按照如下详细步骤进行处理。

第一步，历史数据采集汇总，对其每小时的历史能耗数据进行采集汇总，包含每小时历史负荷信息，时间信息，天气信息。采集汇总后的数据样表如表1所示。

表1 采集汇总后的数据样表

第二步，使用

第三步，按照模型输入要求对电力负荷数据集进行整理。

第四步，对数据集进行线性变换归一化处理。线性变换归一化的计算方法为：

(6)

公式（6）为归一化计算公式，

第五步，对数据集进行神经网络模型训练。神经网络结构为：

该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，结构如图1所示。

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。结构如图2所示，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。

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。基本负荷( 即工业部分 )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。弹性负荷(即住宅部分 )预测部分的输入是时间信息、历史负荷信息和天气信息。最后，根据叠加规则重构负荷预测。

深度残差网络结构，由残差块组成，如图3所示。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。

在残差块中，学习的是

(7)

通过叠加残差块来构建深度残差网络，如果叠加

(8)

其中，

(9)

其中，

在神经网络模型中设置了辍学层和正则化来防止模型过拟合。

（1）辍学层：防止过拟合的一个解决方案，叫做“辍学”，是在训练过程中以一定比例从网络中删除神经网络节点。这种辍学原理如图4所示，将提高神经网络的泛化能力。

（2）正则化：使用了L2正则化，为损失函数增加了正则项：

(10)

其中，

对其求偏导后得到：

(11)

其中，

然后得到梯度下降的表达式：

(12)

(13)

其中，

第六步，对神经网络模型实施集成策略。集合策略(即多模型的集成)提升了模型的泛化能力。集成策略示例如图5所示。

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。

第七步，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。线性变换反归一化的计算方法为：

(14)

公式（14）为反归一化计算公式，

下面给出一个具体的实施例：

本发明是一种短期负荷预测方法。本发明对含大量弹性负荷的系统提出了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、深度残差网络结构。一维卷积网络结构首先对部分输入项进行特征提取。采用并行预测结构对基础负荷和弹性负荷进行模拟预测。采用深度残差网络结构提高模型的泛化能力，防止梯度消失。

现取新英格兰电力数据集进行实验分析，数据的时间跨度为2003年3月1日至2014年12月31日，分辨率为1小时。该数据集中的信息列于表2。在该数据集上进行了两个不同的训练和测试集，以验证模型的泛化能力。

表2 新英格兰电力数据集中的信息

第1组：采用2003年3月1日至2005年12月31日的负荷数据作为训练集，最后10 %的训练集作为验证集，2006年1月1日至2006年12月31日的负荷数据作为测试集；

第2组：以2003年3月1日至2009年12月31日的负荷数据作为训练集，最后10 %的训练集作为验证集，以2010年1月1日至2011年12月31日的负荷数据作为测试集。

使用平均绝对百分比误差作为评价指标：

(15)

其中，

在表3中给出了第1组的测试结果。测试结果包含2006年每个月的平均绝对百分比误差结果和全年的平均平均绝对百分比误差结果。从表3可以看出，本发明提出的模型优于其他四种模型。

表3 2006年新英格兰电力数据集上第1组推荐的模型和现有模型的平均绝对百分比误差( % )。SIWNN、WT-ELM-OLSR、WT-ELM-MABC、ResNetPlus表示为他人已经提出的四种负荷预测模型，Proposed model表示本发明提出的模型。

对第2组的数据进行了训练，并与现有模型进行了比较。表4显示了结果，同样表明本发明提出的模型优于其他四个模型。

表4 2010年和2011年新英格兰电力数据集上第2组推荐模型和现有模型的平均绝对百分比误差( % )。RBFN-ErrCorr original、RBFN-ErrCorr modified、WT-ELM-OLSR、ResNetPlus表示为他人已经提出的四种负荷预测模型，Proposed model表示本发明提出的模型。

本发明仅利用历史能耗数据、时间信息和天气信息来对未来时刻的负荷进行有效预测，不涉及具体的用能对象机理研究，无需相应的先验知识，而是通过卷积神经网络网络和残差网络构建数据模型的方式来完成负荷预测任务，整体方法流程简便可靠。同时，该模型在应用时，可以根据实际情况，灵活的调整数据预测步长，相对于传统的方法更加灵活，有利于实际负荷预测任务的准确性和实时性。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础.上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。