一种基于ForecastNet的短期电力负荷区间预测方法
文献发布时间:2023-06-19 13:46:35
技术领域
本发明属电力系统技术领域,具体涉及一种基于ForecastNet的短期电 力负荷区间预测模型建立方法。
背景技术
随着大量分布式新能源并网,主动式负荷种类增多,电力系统的不确定 性因素和非稳定性因素逐渐增多,给电力调度决策工作带来了更大程度的风 险和挑战。电力系统负荷预测能够为电力生产、电网规划、安全调度等提供 重要参考依据,对实现更有效的能源规划和调度,最大限度地减少能源浪费 具有重要意义。短期电力负荷预测是电力系统负荷预测的重要组成部分,也 是智能电网建设的基本环节之一。精确的短期电力负荷预测结果对电网的稳 定运行和合理规划具有重要意义,更高精度的负荷预测成为国内外学者的研究目标。
随着电网系统的延伸和完善,电力需求的不确定性需要在电力系统经济 安全调度中准确的体现出来。传统预测模型大多是确定性点预测模型,无法 提供更加全面的负荷信息以供电力决策者参考。与确定性预测不同,概率性 预测能够有效地反映出蕴含在确定性预测结果中的不确定性成分,有利于电 力系统的评估。作为一种概率性预测模型,高斯过程回归(GPR)在电力负荷预 测领域已经得到广泛应用。然而高斯过程回归模型在离线训练学习中,模型 的参数没有发生变化,不能准确地捕捉电力负荷的时变特性,因此随着时间 的推移,预测精度也会逐渐下降。另外,上述电力负荷预测研究大多基于多 变量数据集。实际数据采集中,数据种类的数量直接关乎采集工作的复杂度。 如果能以单一的历史电力负荷数据预测出未来短期内的电力需求量,可大大 降低数据采集工作量。
综上所述,针对单一变量负荷数据样本,提出了一种基于ForecastNet 的短期电力负荷区间预测方法。
发明内容
针对现有技术的不足,本发明提出了一种基于ForecastNet的短期电力 负荷区间预测方法。本发明利用深度前馈体系结构准确地捕捉电力负荷的时 变特性,确定性点预测结合概率性预测,量化预测结果的不确定性,以概率 区间形式输出电力负荷预测。能够单一变量历史负荷数据集上实现对短期电 力负荷数据的准确预测,旨在降低短期负荷预测误差率,从而为电网系统安 全调度提供数据支持。为电力生产、电网规划、安全调度等提供重要参考依 据。
1.一种基于ForecastNet的短期电力负荷区间预测方法,包括如下步 骤:
步骤1:获取电力负荷数据,数据预处理;
先进行空缺值填补,利用相邻两个时间点的数据均值对空缺值进行填 补;
之后进行数据归一化处理,将数据映射到[0,1]区间上;
步骤2:ForecastNet模型初始化,设置预测步长、隐藏层个数、学习 率;
步骤3:将数据集切分成训练集和测试集,采用K折交叉验证法将训 练集导入ForecastNet模型进行训练,以均方误差MSE作为损失函数;
步骤4:训练得到具有高斯混合密度输出的模型,之后将测试集导入 其中;
步骤5:从测试数据集中生成并绘制样本的预测,最后生成带有置信 区间的负荷预测。
进一步地,所述的ForecastNet模型采用卷积神经网络作为混合密度 输出,通过时间反向传播算法,反向计算每个ConvNet神经元输出值与真 实值的误差项,根据相应的误差项,计算每个权重的梯度,应用Adam优化 器更新权重。
进一步地,利用K折交叉验证法对ForecastNet模型进行训练,选出 最优模型超参数,之后从测试数据集中生成具有高斯混合密度分量输出的 模型;
对于给定的N个样本数据集,
将μ
进一步地,带有置信区间的负荷预测是假设时间序列数据集为
进一步地,所述的负荷数据集只包含时间线和电力负荷值,属于单变 量。
本发明相比现有技术突出且有益的技术效果是:本发明提出的基于 ForecastNet的短期电力负荷区间预测方法能够在单变量历史负荷数据集上 保证较高的预测准确度。这得益于ForecastNet模型的深度前馈体系结构, 采用卷积神经网络能够准确地捕捉电力负荷的时变特性。同时,特有的交错 输出特性大大缓解了深度学习中的梯度下降。
传统的确定性点预测模型无法提供更加全面的负荷信息,现有的概率区 间预测存在预测精度下降的缺点。本发明提出的ForecastNet的短期电力负 荷区间预测方法,确定性点预测结合概率性预测,量化预测结果的不确定性, 以概率区间形式输出电力负荷预测。
本发明提出的ForecastNet的短期电力负荷区间预测方法,利用K折交 叉验证在训练集上训练预测模型,得到最优模型参数。从测试集中随机选取 两个连续周期的历史负荷数据样本作为输入即可得到未来一个周期的负荷区 间预测。预测速度快,准确度高。
准确的短期负荷区间预测能够为电力生产、电网规划、安全调度等提供 重要参考依据,对实现更有效的能源规划和调度,最大限度地减少能源浪费 具有重要意义。提高电网供电可靠性,降低非计划停电的风险,促进国民经 济水平提高。
附图说明
图1为ForecastNet模型预测步骤图;
图2为本发明的ForecastNet深度神经网络简化图;
图3为本发明预测效果图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,对本发明实 施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本 发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普 通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应 当属于本发明保护的范围。
参考附图1-2,本发明公开一种基于ForecastNet的短期电力负荷区 间预测方法,应用在电力负荷数据上,完成短期电力负荷预测任务,包括 如下步骤:
步骤1:获取电力负荷数据,数据预处理;
先进行空缺值填补,利用相邻两个时间点的数据均值对空缺值进行填 补,确保电力负荷数据在时间线上的完整性;
之后进行数据归一化处理,将数据映射到[0,1]区间上;
步骤2:ForecastNet模型初始化,设置预测步长、隐藏层个数、学习 率等基本参数;
步骤3:将数据集切分成训练集和测试集,采用K折交叉验证法将训 练集导入ForecastNet模型进行训练,以均方误差MSE作为损失函数;
步骤4:将测试集导入训练好的预测模型中,采用Monte Carlo预测 得到具有高斯混合密度输出的模型,均值加减标准差作为置信区间上下限; 训练得到具有高斯混合密度输出的模型,之后将测试集导入其中;
步骤5:从测试数据集中生成并绘制样本的预测,最后生成带有置信 区间的负荷预测。
进一步地,所述的ForecastNet模型采用卷积神经网络作为混合密度 输出,能够准确地捕捉电力负荷的时变特性。通过时间反向传播算法(back-propagation throughtime,BBTT),反向计算每个ConvNet神经元 输出值与真实值的误差项,根据相应的误差项,计算每个权重的梯度,应 用Adam优化器更新权重。
进一步地,利用K折交叉验证法对ForecastNet模型进行训练,选出 最优模型超参数,之后从测试数据集中生成具有高斯混合密度分量输出的 模型;
对于给定的N个样本数据集,
将μ
进一步地,带有置信区间的负荷预测是假设时间序列数据集为
进一步地,所述的负荷数据集只包含时间线和电力负荷值,属于单变 量。
从测试集中选取输入两个连续的周期样本数据,生成并绘制未来一个周 期的预测,最后生成带有置信区间的负荷预测,预测效果图如附图3所示。
上述实施例仅为本发明的较佳实施例,并非依此限制本发明的保护范围, 故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的 保护范围之内。除非另有定义,本文所使用的所有的技术和科学术语与属于 本发明的技术领域的技术人员通常理解的含义相同。在本发明说明中所使用 的术语,只是为了描述具体得实施方式的目的,不是旨在于限制本发明。
- 一种基于ForecastNet的短期电力负荷区间预测方法
- 一种电力负荷短期区间预测方法、装置、设备及介质