一种正向有功总电量预测方法、装置及可读存储介质

技术领域

本发明涉及一种基于融合双向CNN-LSTM网络的正向有功总电量预测方法，属于电力测试技术领域。

背景技术

随着电力体制改革的不断深化、电力市场的蓬勃发展,发电企业为合理制定发电计划及市场竞价策略，对社会用电量，特别是作为可使用电能量的正向有功总电量(Positive Active Power，PAP)的预测提出了更精细化的需求。由于电能计量装置运行过程中，不可避免受到各种因素的影响，电网系统及其采集系统中会出现各种故障而产生异常的电能量数据，进而影响电网的安全稳定运行。因此，对电能量数据进行准确而有效地预测，以便及时修复异常，是提高正向有功总电量数据质量的重要措施。

电能量数据具有时序性和非线性的特点，围绕其特点，国内外一般对短期电能量预测的模型研究分为两类，一类是时间序列分析方法，另一类则是机器学习方法。其中，被用于语言模型、机器翻译、语音识别等领域的长短期记忆(Long Short-Term Memory，LSTM)网络是一种有效的非线性循环神经网络,由于兼顾数据的时序性和非线性关系,被逐渐运用在电能数据预测领域。LSTM网络模型虽然可以充分反映输入时间序列数据中的长期历史过程，但并不能挖掘非连续数据之间蕴含的有效信息和潜在关系，准确率和效率难以保证。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种增加预测正向有功总电量的准确性，提高预测的鲁棒性的基于融合双向CNN-LSTM网络的总电量预测方法，解决对特定时间点的正向有功总电量数据进行预测的技术问题。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种正向有功总电量预测方法，包括以下步骤：获取电能量数据，并对电能量数据进行标准化处理得到标准化电能量数据；利用预构建的融合双向CNN-LSTM网络模型处理所述标准化电能量数据从而得到正向有功总电量的预测值；其中，所述融合双向CNN-LSTM网络模型由CNN和LSTM网络整合而成。

进一步的，所述对电能量数据进行标准化处理的方法为z-score标准化，按公式(1)计算；

其中，z为标准化电能量数据，x为原电能量数据，μ为均值，b为标准差。

进一步的，所述利用预构建的融合双向CNN-LSTM网络模型处理所述标准化电能量数据的方法包括以下步骤：通过卷积层提取标准化电能量数据之间的正向有功特征；通过激励层把所述卷积层提取的正向有功特征转换为非线性关系并输出特征向量；通过LSTM网络层处理所述特征向量并将结果输出；通过激活层将LSTM网络层的输出结果映射到全连接层中；通过全连接层接收激活层的输出并输出正向有功总电量的预测值。

进一步的，所述LSTM网络层包括正向状态序列层和反向状态序列层；所述正向状态序列层，从1时刻到t时刻正向计算激励层的输出，得到并保存每个时刻向前的输出，反向状态序列层沿着时刻t到时刻1反向计算激励层的输出，得到并保存每个时刻向后的输出。

进一步的，所述根据融合双向CNN-LSTM网络模型进行正向有功总电量预测的方法包括以下步骤：对预测数据进行精度评价，所述精度评价使用的是平均绝对百分比MAPE值，按照公式(2)计算；

其中T

进一步的，所述融合双向CNN-LSTM网络模型的构建方法，包括：选取部分所述标准化电能量数据为训练数据；将所述训练数据输入CNN，得到特征向量；将所述特征向量输入融合双向CNN-LSTM模型，对所述融合双向CNN-LSTM模型进行学习训练，获得训练好的双向CNN-LSTM模型。

第二方面，本发明提供了一种正向有功总电量预测装置，所述装置包括：标准化模块：用于获取电能量数据，并对电能量数据进行标准化处理得到标准化电能量数据；融合双向CNN-LSTM网络模型：用于处理所述标准化电能量数据从而得到正向有功总电量的预测值，其中，所述融合双向CNN-LSTM网络模型由CNN和LSTM网络整合而成。

进一步的，所述融合双向CNN-LSTM网络模型包括：卷积层：用于提取标准化电能量数据之间的正向有功特征；激励层：用于把所述卷积层的提取的正向有功特征转换为非线性关系并输出特征向量；LSTM网络层：用于处理所述特征向量并将结果输出；激活层：用于将LSTM网络层的输出结果映射到全连接层中；全连接层：用于接收激活层的输出并输出正向有功总电量的预测值。

第三方面，本发明还提供一种正向有功总电量预测装置，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。

第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

1、本发明通过融合双向CNN-LSTM网络模型进行总电量的处理与预测，能够挖掘非连续数据之间蕴含的有效信息和潜在关系，可以有效增加预测总电量的准确性，提高预测的效率，使输出结果更加准确和全面；

2、对电能量数据的标准化处理有利于消除电能量数据中的异常值和噪音，从而提高预测的效率和准确性；

3、LSTM网络层包含多个网络层的线性堆叠，具有避免梯度消失、联想记忆的功能，提高了预测模型的准确度；双向LSTM同时处理输入数据及其反向序列，具有更强的时序数据处理能力，增强了预测模型的鲁棒性；CNN从输入数据中提取特征向量，使得LSTM网络接收到更为有效的数据，进一步提高了模型的预测能力；

4、双向LSTM突破了传统LSTM只能通过正向的时间步骤进行学习表示的局限性，可综合处理原本序列及其反向序列的数据，形成更为全面、准确的输出。

附图说明

图1是正向有功总电量预测技术架构；

图2是双向LSTM网络结构示意图；

图3是融合双向CNN-LSTM网络结构示意图；

图4是基于融合双向CNN-LSTM的正向有功总电量数据预测模型流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

本实施例提供一种正向有功总电量预测方法，包括：获取电能量数据，并对电能量数据进行标准化处理得到标准化电能量数据；利用预构建的融合双向CNN-LSTM网络模型处理所述标准化电能量数据从而得到预测的正向有功总电量；所述融合双向CNN-LSTM网络模型由CNN和LSTM网络整合而成。

正向有功总电量数据预测技术是基于历史正向有功总电量数据，对未来某一时间点的正向有功总电量数据进行预测的技术。其规则是对输入的正向有功总电量数据进行一定的处理(如特征提取)，随后建立模型估算规则，利用处理好的数据对模型进行训练后，对未来电能量进行预估，生成未来时间点的预测数据。本发明提出的基于融合双向CNN-LSTM模型的正向有功总电量预测方法中，所采集的电能量数据在进行标准化后，首先经过CNN模型进行特征向量的提取，再将提取好的特征向量送入双向LSTM模型进行训练，并用训练好的模型进行正向有功总电量的预测。流程图如图1所示。

本发明采用由CNN和LSTM网络整合而成的融合双向CNN-LSTM网络模型，以连贯地学习用于正向有功总电量预测的时空关系。其中，我们利用双向LSTM来代替传统的单向LSTM，它将隐含层分为正向状态序列层

式中：

双向LSTM的结构如图2所示，通过此结构，双向LSTM突破了传统LSTM只能通过正向的时间步骤进行学习表示的局限性，可综合处理原本序列及其反向序列的数据，形成更为全面、准确的输出。

在双向LSTM网络的基础上，通过融合CNN，便形成了本实施例所用的融合双向CNN-LSTM网络模型。

如图3所示，所述融合双向CNN-LSTM网络模型包括：

卷积层：用于提取标准化电能量数据之间的正向有功特征；

激励层：用于把所述卷积层的提取的正向有功特征转换为非线性关系并输出特征向量；

LSTM网络层：用于处理所述特征向量并将结果输出；所述LSTM网络层包括正向状态序列层和反向状态序列层；所述正向状态序列层，从1时刻到t时刻正向计算CNN激励层的输出，得到并保存每个时刻向前的输出，反向状态序列层沿着时刻t到时刻1反向计算CNN激励层的输出，得到并保存每个时刻向后的输出。

激活层：用于将LSTM网络层的输出结果映射到全连接层中；如图3所示，图中σ表示激活层，激活层的激活函数为Sigmod函数，所谓激活函数(Activation Function)，就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。

全连接层：用于接收激活层的输出并输出预测值。

在本融合双向CNN-LSTM网络模型中，利用预构建的融合双向CNN-LSTM网络模型处理所述标准化电能量数据的方法包括以下步骤：通过卷积层提取标准化电能量数据之间的正向有功特征；通过激励层把所述卷积层的提取的正向有功特征转换为非线性关系并输出特征向量；通过LSTM网络层处理所述特征向量并将结果输出；通过激活层将LSTM网络层的输出结果映射到全连接层中；通过全连接层接收激活层的输出并输出预测值。

具体地，在每个时间步骤t，有m个输入将输入到合成网络中，即X

其中，f(x)为预测值，y为真实值，δ为超参数，需要不断迭代训练得到。

融合双向CNN-LSTM网络模型的结构如图3所示，融合双向CNN-LSTM网络模型中，CNN及双向LSTM的参数及其含义分别如表1及表2所示。

表1 CNN参数及其含义

表2双向LSTM参数及其含义

以下结合附图对本发明做进一步详细介绍：

如图4所示，首先对电能量数据进行标准化，然后使用网络模型中的CNN部分提取特征向量，送入双向LSTM网络。再根据历史电能量数据集的时间、区域等特性，将送入双向LSTM网络的数据划分为训练和测试数据，训练双向LSTM网络，通过训练双向LSTM网络得出分析模型，随后利用训练后的双向LSTM网络构造融合双向CNN-LSTM网络模型并预测正向有功总电量，最后计算预测值和实际值的误差从而衡量预测准确度。

1、电能量数据的标准化；

当输入的电能量数据序列分布并不标准，或者变化幅度即标准差过大时，会减慢网络学习和收敛的速度，阻碍网络的学习效率。为了尽可能地消除电能量数据中的异常值和噪音，从而更好的使用CNN进行特征向量的提取，需要对原始数据进行标准化。标准化电能量数据集涉及重新调整值的分布，以便观察值的平均值为0，标准差为1。

z-score标准化公式如公式(3)：

其中，z为标准化电能量数据，x为原电能量数据，μ为均值，b为标准差。

2、CNN提取特征向量；

CNN可根据内核的大小,从输入的电能量数据中提取许多有用的特征,即CNN可通过将内核大小设置得更小或更大，来提取反映多变量时间序列数据的更窄或更宽时间段的特征。

CNN输入，包括线路ID，历史电量时序数据，处理框架如图3。CNN的卷积层和激励层用于学习不同线路之间依赖关系，其输出作为双向LSTM的输入。本实施例的CNN设计有2层卷积层，卷积核数目依次设为128和256，卷积核大小设为3×3。

3、训练双向LSTM网络；

在所使用的电能量数据中，选出一部分作为训练数据集，标准化并提取特征向量后送入双向LSTM网络进行训练，余下数据作为验证测试数据，在下一步中使用。训练的轮数为500，批大小为512。

在本模型中，每一个输入数据首先经过卷积层和激励层，来进行数据之间空间依赖性的学习；之后，进入双向LSTM网络，作为其正向状态序列层和反向状态序列层的输入；随后，通过激活函数进入全连接层，并得到最终输出，即预测的正向有功总电量值。

4、构造融合双向CNN-LSTM网络模型并预测正向有功总电量；

所述融合双向CNN-LSTM网络模型的构造方法，包括：选取部分所述标准化电能量数据为训练数据；将所述训练数据输入CNN，得到特征向量；将所述特征向量输入双向CNN-LSTM模型，对所述双向CNN-LSTM模型进行学习训练，获得训练好的双向CNN-LSTM模型。

训练双向LSTM网络完毕后，将CNN与双向LSTM网络结合，构建为融合双向CNN-LSTM网络模型，融合双向CNN-LSTM网络模型结构如图3所示，包括：卷积层：用于提取标准化电能量数据之间的正向有功特征；激励层：用于把所述卷积层的提取的正向有功特征转换为非线性关系并输出特征向量；LSTM网络层：用于处理所述特征向量并将结果输出；激活层：用于将LSTM网络层的输出结果映射到全连接层中；全连接层：用于接收激活层的输出并输出预测值。

本实施例所提出的融合双向CNN-LSTM网络模型包含了4层LSTM网络层，各层的神经元数量分别为4，8，16和32。在每层LSTM网络层间采用随机失活方法防止模型过拟合。最后通过全连接层(Dense)进行输出。

在融合双向CNN-LSTM网络模型中，首先通过卷积层提取标准化电能量数据之间的正向有功特征；之后，通过激励层把所述卷积层的提取的正向有功特征转换为非线性关系并输出特征向量；其次，通过LSTM网络层处理所述特征向量并将结果输出；然后，通过激活层将LSTM网络层的输出结果映射到全连接层中；最后，通过全连接层接收激活层的输出并输出预测值。

训练双向LSTM网络完毕后，将验证测试数据的前12个点进行标准化和特征向量提取，作为预测函数的输入，输出与剩余测试验证数据长度相同的预测数据。12个点只是一个设置的数，可变动。

5、精度评价；

在预测的时间节点后，将预测数据与真实数据进行比较，从而进行精度评价。本实施例在进行精度评价的时候使用的是平均绝对百分比MAPE值，按照公式(4)计算；

其中T

实施例二：

本实施例提供一种正向有功总电量预测装置，能够挖掘非连续数据之间蕴含的有效信息和潜在关系，可以有效增加预测总电量的准确性，提高预测的效率，使输出结果更加准确和全面，所述装置包括：

标准化模块：用于获取电能量数据，并对电能量数据进行标准化处理得到标准化电能量数据；

融合双向CNN-LSTM网络模型：用于处理所述标准化电能量数据从而得到正向有功总电量的预测值，其中，所述融合双向CNN-LSTM网络模型由CNN和LSTM网络整合而成。

所述融合双向CNN-LSTM网络模型包括：

卷积层：用于提取标准化电能量数据之间的正向有功特征；

激励层：用于把所述卷积层的提取的正向有功特征转换为非线性关系并输出特征向量；

LSTM网络层：用于处理所述特征向量并将结果输出；

激活层：用于将LSTM网络层的输出结果映射到全连接层中；

全连接层：用于接收激活层的输出并输出正向有功总电量的预测值。

实施例三：

本发明实施例还提供了一种基于融合双向CNN-LSTM网络的正向有功总电量预测装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令实现实施例一所述的方法步骤。

实施例四：

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述的方法步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。