一种住宅负荷短期预测方法和系统

技术领域

本发明属于电网调度技术领域，更具体地，涉及一种住宅负荷短期预测方法和系统。

背景技术

在全球能源消耗中，建筑用电比重已经达到了40％，其中家庭住宅用电占据了很大一部分。由于家庭用电的用电模式多变，其在一天中的高峰用电时段不确定，可能会给电网的削峰填谷带来一定的难度。但是，如果能够对家庭住宅负荷有一个较为准确的预测，那么电网就可以针对高峰时段的用户制定一些激励性的需求响应计划，使用户主动将自己的用电时段与用电高峰期避开，就可以达到削峰填谷的作用，提高电网的稳定性，保证电网的经济运行。

家庭住宅负荷受多种因素的影响，如外部天气、节假日等，情况复杂多变，负荷曲线波动较大，非线性特征明显，给预测带来了很大的困难。而且，住宅用电的峰值和均值差异巨大，使得一般的预测模型对峰值的预测准确度很差。针对住宅负荷波动性较大的问题，可以通过负荷分解或归一化的方式减小其波动性。负荷分解就是将负荷序列分解成多个信号较为规律的子序列，子序列的和可以还原初始序列。子序列的数量可以根据波动性大小确定。对于波动性较大的负荷，分解成多个子序列能够有效缓解高频噪声的影响。但是，由于分解后的序列无法完全还原原序列，还原之后存在一定的误差，且处理时间和子序列数量正相关，所以不能无限分解，对于其中的某些子序列，仍然存在峰值和均值差异巨大的问题。直接将所有负荷序列归一化之后进行预测，峰值和均值的比例不变，并没有解决峰值和均值差异巨大的问题，反归一化之后对峰值的预测效果仍然较差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种住宅负荷短期预测方法和系统，其目的在于解决住宅用电的峰值和均值差异巨大，造成预测准确度差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种住宅负荷短期预测方法，包括：

S1.对经过数据清洗的历史负荷数据进行变分模态分解后，作为训练集；

S2.对经过数据清洗的历史负荷数据按照自然周进行初次分段，对初次分段的所有子序列求均值，再以天为单位对均值序列进行二次分段；

S4.将均值序列作为每天的典型负荷曲线，选择待预测日期前N天的负荷数据，以前N天的负荷数据与典型负荷曲线的相似度作为权值计算得到待预测日的基准负荷曲线；

S5.采用滑动窗口的方法从训练集中依次取数据输入预测网络进行迭代训练，得到训练好的预测模型；所述预测网络包括自注意力机制、外部注意力机制和时间卷积网络；

自注意力机制，用于对输入数据根据其内部的特征分配权重，使其内部关键特征权重增大，其他特征权重减小，帮助预测模型提取关键特征；

外部注意力机制，用于根据训练集中所有输入数据的特征为当前输入数据分配权重，使周期性相关的特征权重增大，其他特征权重减小；

时间卷积网络，用于对自注意力机制和外部注意力机制处理过的数据进行学习，通过误差反向传播改变内部参数的值，提取数据的周期性和时间依赖性，并输出预测结果；

S6.将被测日前N天的历史负荷数据输入训练好的预测模型，得到负荷预测结果，将负荷预测结果与基准负荷曲线叠加，得到未来一天的负荷预测值。

进一步地，数据清洗包括填充数据中的空值，以及去除负荷在设定时长内小于一定阈值的数据。

进一步地，基准负荷曲线计算公式为：

本发明还提供了一种住宅负荷短期预测系统，包括：

第一数据预处理模块，用于对经过数据清洗的历史负荷数据进行变分模态分解后，作为训练集；

第二数据预处理模块，用于对经过数据清洗的历史负荷数据按照自然周进行初次分段，对初次分段的所有子序列求均值，再以天为单位对均值序列进行二次分段；

基准符合曲线构建模块，用于将均值序列作为每天的典型负荷曲线，选择待预测日期前N天的负荷数据，以前N天的负荷数据与典型负荷曲线的相似度作为权值计算得到待预测日的基准负荷曲线；

预测模型训练模块，用于采用滑动窗口的方法从训练集中依次取数据输入预测网络进行迭代训练，得到训练好的预测模型；所述预测网络包括自注意力机制、外部注意力机制和时间卷积网络；

自注意力机制，用于对输入数据根据其内部的特征分配权重，使其内部关键特征权重增大，其他特征权重减小，帮助预测模型提取关键特征；

外部注意力机制，用于根据训练集中所有输入数据的特征为当前输入数据分配权重，使周期性相关的特征权重增大，其他特征权重减小；

时间卷积网络，用于对自注意力机制和外部注意力机制处理过的数据进行学习，通过误差反向传播改变内部参数的值，提取数据的周期性和时间依赖性，并输出预测结果；

短期负荷预测模块，用于将被测日前N天的历史负荷数据输入训练好的预测模型，得到负荷预测结果，将负荷预测结果与基准负荷曲线叠加，得到未来一天的负荷预测值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。

(1)本发明通过构造基准负荷曲线，将预测目标分解为实际负荷曲线和基准负荷曲线的差值，有效地减少了负荷峰值和均值的差异性，提高了预测准确率。

(2)本发明将自注意力机制和外部注意力机制结合，通过大数据训练之后，模型能够更加有效地提取时间序列特征。

附图说明

图1是住宅负荷短期预测的框架；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明针对住宅用电峰值和均值差异巨大的问题，将待预测的负荷值分解为基本负荷曲线和差值两部分；其中，基本负荷曲线的确定主要从两个方面考虑：一个是住宅的日负荷曲线的周期性，另外一个是负荷曲线的有效性。住宅用户在某个有限时间段内的用电模式是类似的，也就是说，在这个时间段内，住宅的负荷曲线会呈现出一定的自然周期性，周期通常是自然周，按此周期对用户的长时间内的负荷曲线分段后，可以得到在某个用电模式下的负荷序列集合。进一步地，对集合里的序列再以天为周期进行分段，得到一个更小的周期序列。根据序列的相似程度，可以预测出一条基准负荷曲线。

负荷曲线的有效性则是考虑负荷长时间处于一个较低水平的数据，长时间处于较低水平表明该时间段内住宅用电器处于一种待机的状态，并没有实际使用。此状态下，住宅的负荷曲线的值并不会为0，但是会对预测造成干扰，需要将此部分数据去掉。

(1)数据预处理

数据预处理包括两个部分：(i)数据清洗和变分模态分解，用于给预测模型提供输入数据；(ii)数据清洗并以周为周期进行分段，然后以天为周期再次分段得到7个日负荷序列子集，用于计算基准负荷曲线。

数据清洗主要有两个作用。一是填充数据中的空值。采用线性插值的方式，对数据中的空值进行填充，防止其对计算造成影响。二是去除数据中负荷长时间处于一个较低水平的数据。长时间处于较低水平表明该时间段内住宅的用电器均处于待机状态，并没有实际使用。此部分数据会对结果造成干扰，需要去除。

住宅用户的用电行为会以周为单位呈现出显著的周期性，负荷以周为周期划分可以利用其周期性。在一周内，其每天行为的顺序并不是固定的，因此想要预测未来一天的负荷，需要在以周分段的基础上再按照天进行分段。

(2)构建基准负荷曲线

首先，将步骤一中的7个日负荷子集设为S＝[s

M＝[m

其中，m

然后，选择待预测日期前N天的负荷数据作为输入用来构造基准负荷曲线。定义其为：

H＝[h

假设h

进而，通过余弦相似度，找出每个h对应的最相似的典型负荷曲线m。

计算过程如下所示。

式(3)中c

d

其中，d

其中，

(3)使用预测模型修正基准负荷曲线

基于残差的思想，本发明设计了一个预测模型来预测实际负荷与基准负荷曲线的差值，然后对基准负荷曲线进行修正之后得到最终的预测结果。

本发明设计了一个时间卷积网络结合双注意力机制的预测模型。自注意力机制和外部注意力机制的网络计算公式为：

r＝E

其中，n是x的维度。时间卷积网络的训练公式为：

h＝[h

s＝W·(h+(z+r)) (10)

其中，w是z+r的元素。f(·)是一个滤波器，k是其维度。d是扩张因子。

为了增加模型预测的稳定性和可靠性，降低其在最优结果处的灵敏度，本发明采用均方误差(MSE)作为准确性指标，并结合训练时间选择合适的N，以实现准确性和时间成本之间的平衡。其中，均方误差的计算方式如下：

(4)得到预测结果

以历史负荷数据作为训练集，采用滑动窗口的方法从历史负荷序列依次取数据输入网络进行训练，网络经过训练后，确定一个合适的长度的历史数据作为输入，即确定(2)式中的N。

获得训练好的网络之后，取被预测日前N天的历史负荷数据输入网络，得到输出，将输出和基准负荷曲线相加，即可得到未来一天的负荷预测值。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。