一种电力负荷预测方法及终端与流程

1.本发明涉及电力负荷预测领域，尤其涉及一种电力负荷预测方法及终端。


背景技术：

2.随着电动汽车的大量接入和电力市场的逐步建设，负荷波动的随机性也越来越大，在此背景下如何进行准确的负荷预测是一个具有挑战性的问题。通常每小时电力负荷都在随时间变化而波动，波动的大小和方向也受到多种因素的影响，其中温度是显著影响电力负荷大小的一个变量。因此，目前基于电力负荷及温度历史数据的电力负荷预测已经得到广泛研究，其中以机器学习为代表的电力负荷预测方法由于预测精度高、泛化能力强受到了广泛关注。但通常只能结合单个时间点的数据进行预测，预测精度还有进一步的提升空间。


技术实现要素：

3.本发明所要解决的技术问题是：提供一种电力负荷预测方法及终端，实现对电力负荷预测精度的进一步提升。
4.为了解决上述技术问题，本发明采用的一种技术方案为：
5.一种电力负荷预测方法，包括步骤：
6.获取历史数据，所述历史数据包括电力负荷历史数据以及特征温度历史数据；
7.根据时间组合所述电力负荷历史数据以及特征温度历史数据，得到监督学习数据集；
8.通过特征提取神经网络获取所述监督学习数据集中的负荷非线性特征以及温度非线性特征；
9.通过所述负荷非线性特征以及温度非线性特征训练预备预测神经网络，得到负荷预测神经网络；
10.获取当前特征温度，根据所述特征提取网络以及所述负荷预测神经网络得到所述当前特征温度对应的当前负荷预测值。
11.为了解决上述技术问题，本发明采用的另一种技术方案为：
12.一种电力负荷预测终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
13.获取历史数据，所述历史数据包括电力负荷历史数据以及特征温度历史数据；
14.根据时间组合所述电力负荷历史数据以及特征温度历史数据，得到监督学习数据集；
15.通过特征提取神经网络获取所述监督学习数据集中的负荷非线性特征以及温度非线性特征；
16.通过所述负荷非线性特征以及温度非线性特征训练预备预测神经网络，得到负荷预测神经网络；
17.获取当前特征温度，根据所述特征提取网络以及所述负荷预测神经网络得到所述当前特征温度对应的当前负荷预测值。
18.本发明的有益效果在于：获取到包括电力负荷历史数据和特征温度历史数据的历史数据之后，将其根据时间特征组合在一起得到监督学习数据集，先通过特征提取神经网络提取出负荷非线性特征以及温度非线性特征，再通过提取出的非线性特征对预备预测神经网络进行训练得到负荷预测神经网络，最终通过特征提取神经网络和负荷预测神经网络共同完成根据温度预测对应的负荷的工作，引入时间特征，综合不同神经网络的特性提高了最终预测结果的精度。
附图说明
19.图1为本发明实施例的一种电力负荷预测方法的步骤流程图；
20.图2为本发明实施例的一种电力负荷预测终端的结构示意图；
21.标号说明：
22.1、一种电力负荷预测终端；2、处理器；3、存储器。
具体实施方式
23.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
24.请参照图1，一种电力负荷预测方法，包括步骤：
25.获取历史数据，所述历史数据包括电力负荷历史数据以及特征温度历史数据；
26.根据时间组合所述电力负荷历史数据以及特征温度历史数据，得到监督学习数据集；
27.通过特征提取神经网络获取所述监督学习数据集中的负荷非线性特征以及温度非线性特征；
28.通过所述负荷非线性特征以及温度非线性特征训练预备预测神经网络，得到负荷预测神经网络；
29.获取当前特征温度，根据所述特征提取网络以及所述负荷预测神经网络得到所述当前特征温度对应的当前负荷预测值。
30.从上述描述可知，本发明的有益效果在于：获取到包括电力负荷历史数据和特征温度历史数据的历史数据之后，将其根据时间特征组合在一起得到监督学习数据集，先通过特征提取神经网络提取出负荷非线性特征以及温度非线性特征，再通过提取出的非线性特征对预备预测神经网络进行训练得到负荷预测神经网络，最终通过特征提取神经网络和负荷预测神经网络共同完成根据温度预测对应的负荷的工作，引入时间特征，综合不同神经网络的特性提高了最终预测结果的精度。
31.进一步地，所述获取历史数据包括：
32.获取初始历史数据，根据预设时间间隔判断初始历史数据是否存在缺失值，若存在缺失历史数据的单个时间点，则获取所述单个时间点的前一时间点以及后一时间点的第一数据，并计算所述第一数据的平均值作为所述单个时间的填补值；
33.若存在缺失历史数据的连续时间点，则对所述连续时间点中的每一时间点获取未
缺失数据的其余日期中的相同时间点的第二数据，并计算所述第二数据的平均值作为所述缺失时间点的填补值；
34.将填补完所有缺失值的所述初始历史数据标记为历史数据。
35.由上述描述可知，存在预设时间间隔，则若在预设时间间隔点上没有对应的历史数据，说明出现了历史数据的缺失，若获取的初始历史数据存在缺失值，根据缺失值是否连续确定填补缺失值的方式，若缺失值的前后一个时间点都并未缺失历史数据，则根据前后时间点的平均值对缺失历史数据的单个点进行填补；若连续出现多个存在缺失的连续时间点，则获取其他日期同一时间点的数据计算平均值进行填补；对不同的缺失方式采用不同的缺失值填补方法，保证了原始数据集的准确性。
36.进一步地，所述获取历史数据还包括：
37.遍历历史数据，当遍历到目标历史数据时，获取所述目标历史数据中目标时间点的前一时间点的同类型历史数据；若所述目标历史数据与所述前一时间点的同类型历史数据之间的变化率大于预设值，则标记所述目标时间点为缺失数据的时间点。
38.由上述描述可知，获取到历史数据之后，将每一个历史数据都和其前一个时间点的进行比较，因电力负荷或是温度正常情况下都是平滑过渡的，不会出现值瞬间有落差较大的变化，则若变化率过大，说明该点的历史数据的值出现异常，将出现异常的时间点直接标记为缺失历史数据的时间点，通过填补缺失值的方法对异常点原来的历史数据进行替换，则使得最终的历史数据更加贴近真实值，保证了后续神经网络的训练效果。
39.进一步地，所述根据时间组合所述电力负荷历史数据以及特征温度历史数据，得到监督学习数据集包括：
40.将所述电力负荷历史数据以及特征温度历史数据按照时间点排序，得到电力负荷历史数据列以及特征温度历史数据列；
41.根据预设的所述监督学习数据集中的输入数据长度切分所述电力负荷历史数据列以及特征温度历史数据列分别得到负荷输入数据集以及温度输入数据集；
42.获取每一输入数据集中最晚一个历史数据的后一时间点对应的下一历史数据，将所述下一历史数据作为所述输入数据集对应的输出值，所述输入数据集为负荷输入数据集或温度输入数据集；
43.根据所述输入数据集以及每一所述输入数据集对应的输出值得到监督学习数据集。
44.由上述描述可知，利用获取到的历史数据，根据预设的输入数据长度将按时间顺序排列的历史数据进行切分得到输入数据集，再获取输入数据集对应的输出值，则形成了输入-输出的监督学习数据集，即能够根据此对神经网络进行训练，并对神经网络的预测结果的准确性进行判断。
45.进一步地，所述特征提取神经网络包括注意力机制神经网络以及卷积神经网络；
46.所述通过特征提取神经网络获取所述监督学习数据集中的负荷非线性特征以及温度非线性特征包括：
47.通过注意力机制神经网络获取所述输入数据集的注意力分数特征向量；
48.将所述注意力分数特征向量输入卷积神经网络得到电力负荷预测结果；
49.根据所述输出预测值与所述电力负荷预测结果的差判断所述卷积神经网络是否
训练完成；
50.若是，则将所述输入数据集重新输入所述注意力机制神经网络以及所述卷积神经网络，获取所述卷积神经网络提取的卷积特征向量作为非线性特征，所述非线性特征为所述负荷非线性特征或温度非线性特征。
51.由上述描述可知，先通过注意力机制神经网络获取注意力分数特征向量，再训练卷积神经网络，若卷积神经网络训练结果达到预设要求，则说明卷积神经网络在特征提取的过程中所提取到的特征的效果较好，此时重新将历史数据送入特征提取网络中获取对应的特征向量作为非线性特征，能够保证特征提取的精度，提高下一步符合预测神经网络的精度。
52.进一步地，所述通过注意力机制神经网络获取所述输入数据集的注意力分数特征向量包括：
53.q＝wqx，k＝wkx，v＝wvx；
54.其中，q、k以及v分别表示所述注意力机制神经网络的查询向量、回答向量以及价值向量；x表示所述输入数据集；wq、wk以及wv分表表示所述查询向量、回答向量以及价值向量对应的权重矩阵；
55.计算注意力分数特征向量a：
[0056][0057]
其中，att表示点积注意力分数计算函数，d表示q、k以及v三个向量的维度；t表示矩阵转置。
[0058]
由上述描述可知，先根据输入即输入数据集计算出注意力机制神经网络的查询向量、回答向量以及价值向量，再计算出注意力分数特征向量，能够进一步提高后续预测的精度。
[0059]
进一步地，所述将所述注意力分数特征向量输入卷积神经网络得到电力负荷预测结果；根据所述输出预测值与所述电力负荷预测结果的差判断所述卷积神经网络是否训练完成包括：
[0060]
将注意力分数特征向量通过卷积层和池化层得到卷积特征向量；
[0061]
将所述卷积特征向量通过全连接神经网络以及激活函数得到电力负荷预测结果y’：
[0062]y′
＝relu(w*x
′
b)；
[0063]
其中，relu为所述激活函数，x’表示所述卷积特征向量，w表示所述全连接神经网络的权重，b表示所述全连接神经网络的偏置项；
[0064]
根据损失函数判断所述卷积神经网络是否训练完成。
[0065]
由上述描述可知，将注意力分数特征向量顺序通过卷积层、池化层得到卷积特征向量，再通过全连接神经网络以及激活函数得到预测结果，最后通过预设的损失函数判断卷积神经网络是否训练完成，在卷积神经网络训练完成的情况下再次获取卷积特征向量作为非线性特征向量进行后续步骤，提高了最终预测得到的结果的准确性。
[0066]
进一步地，所述损失函数mse为：
[0067][0068]
其中，n表示一次训练中的样本总数，yi表示第i个样本对应的输出值，y
i’表示第i个样本对应的电力负荷预测结果。
[0069]
由上述描述可知，根据损失函数确认符合预测神经网络的预测精度是否达到需求精度，通过损失函数将预测的准确度进行量化，保证了获取出的卷积特征向量能够更好反应原始数据中的特征，从而提升最终预测的精度。
[0070]
进一步地，所述负荷预测神经网络为xgboost神经网络。
[0071]
由上述描述可知，负荷预测神经网络和特征提取神经网络采用不同的神经网络类型，能够综合不同类型神经网络的优势，实现最终预测精度的提升。
[0072]
一种电力负荷预测终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种电力负荷预测方法中的各个步骤。
[0073]
本发明上述一种电力负荷预测方法及终端能够适用于需要对电网中电力负荷进行预测的场景，特别是对于微电网等电力负荷对电网影响较大的场景中，以下通过具体实施方式进行说明。
[0074]
请参照图1，本发明的实施例一为：
[0075]
一种电力负荷预测方法，包括步骤：
[0076]
s1、获取历史数据，所述历史数据包括电力负荷历史数据以及特征温度历史数据，包括：
[0077]
s11、获取初始历史数据，根据预设时间间隔判断初始历史数据是否存在缺失值，若存在缺失历史数据的单个时间点，则执行s12；若存在缺失历史数据的连续时间点，则执行s13；
[0078]
s12、获取所述单个时间点的前一时间点以及后一时间点的第一数据，并计算所述第一数据的平均值作为所述单个时间的填补值；
[0079]
s13、对所述连续时间点中的每一时间点获取未缺失数据的其余日期中的相同时间点的第二数据，并计算所述第二数据的平均值作为所述缺失时间点的填补值；
[0080]
s14、将填补完所有缺失值的所述初始历史数据标记为历史数据；
[0081]
在一些实施例中，s11之前还包括步骤s10：遍历历史数据，当遍历到目标历史数据时，获取所述目标历史数据中目标时间点的前一时间点的同类型历史数据；若所述目标历史数据与所述前一时间点的同类型历史数据之间的变化率大于预设值，则标记所述目标时间点为缺失数据的时间点；即缺失数据的时间点包括不存在历史数据的时间点和历史数据异常的时间点；
[0082]
在一些实施例中，设置变化率为100％；
[0083]
s2、根据时间组合所述电力负荷历史数据以及特征温度历史数据，得到监督学习数据集，包括：
[0084]
s21、将所述电力负荷历史数据以及特征温度历史数据按照时间点排序，得到电力负荷历史数据列以及特征温度历史数据列；
[0085]
s22、根据预设的所述监督学习数据集中的输入数据长度切分所述电力负荷历史
数据列以及特征温度历史数据列分别得到负荷输入数据集以及温度输入数据集；
[0086]
在一些实施例中，通过设置步进长度控制切分的步进；具体的，s221、获取历史数据列(电力负荷历史数据列或特征温度历史数据列)中的目标历史数据；s222、从所述目标历史数据起获取数目为输入数据长度的目标历史数据作为一个输入数据集；并获取排列在目标历史数据后的第j个历史数据作为新的目标历史数据返回执行s221，其中j为步进长度；s223、若目标历史数据为历史数据列中的最后一个历史数据，则输出所有输入数据集；若首次执行s221，则获取历史数据列中的第一个历史数据；
[0087]
例如，输入数据长度为8，历史数据列包括0-23点的24个历史数据，设置步进长度为1，则第一个输入数据集为0-7点的数据，第二个输入数据集为1-8点的数据，以此类推直至历史数据列切分完毕；若设置步进长度为2，则第一个输入数据集为0-7点的数据，第二个输入数据集为2-9点的数据，以此类推直至历史数据列切分完毕；
[0088]
s23、获取每一输入数据集中最晚一个历史数据的后一时间点对应的下一历史数据，将所述下一历史数据作为所述输入数据集对应的输出值，所述输入数据集为负荷输入数据集或温度输入数据集；
[0089]
s24、根据所述输入数据集以及每一所述输入数据集对应的输出值得到监督学习数据集
[0090]
s3、通过特征提取神经网络获取所述监督学习数据集中的负荷非线性特征以及温度非线性特征；
[0091]
在一些实施例中，特征提取神经网络为acnn网络，包括：
[0092]
s31、通过注意力机制神经网络获取所述输入数据集的注意力分数特征向量；
[0093]
q＝wqx，k＝wkx，v＝wvx；
[0094]
其中，q、k以及v分别表示所述注意力机制神经网络的查询向量、回答向量以及价值向量；x表示所述输入数据集；wq、wk以及wv分表表示所述查询向量、回答向量以及价值向量对应的权重矩阵；
[0095]
计算注意力分数特征向量a：
[0096][0097]
其中，att表示点积注意力分数计算函数，d表示q、k以及v三个向量的维度；t表示矩阵转置；
[0098]
此处att为一种函数标识方式，例如常见的一次函数写法有y＝f(x)＝2*x 1；本实施例中att的含义与f相同，指代等式右边的计算方法，k，q，v为变量；
[0099]
其中，针对负荷非线性特征和温度非线性特征分别通过特征提取神经网络，即得到负荷非线性特征对应的注意力分数特征向量a1以及温度非线性特征对应的注意力分数特征向量a2；
[0100]
s32、将所述注意力分数特征向量输入卷积神经网络(例如cnn)得到电力负荷预测结果，包括：
[0101]
s321、将注意力分数特征向量通过卷积层和池化层得到卷积特征向量；
[0102]
卷积层计算公式为：
[0103][0104]
其中，式中，l代表第l个卷积层，代表该卷积层l中节点i的输出，代表卷积层l上一层卷积层中节点j的输出，和分别是该卷积层节点j的权重和偏置项，可在训练过程中调整，k代表该卷积层的节点个数，卷积层层数通常设定为1，也可根据实际需求进行调整；
[0105]
池化层公式为：
[0106][0107]
其中h()表示求取平均数；也可选择使用全局池化，在此不做限定；
[0108]
s322、将所述卷积特征向量通过全连接神经网络以及激活函数得到电力负荷预测结果y’：
[0109]y′
＝relu(w*x
′
b)；
[0110]
其中，relu为所述激活函数，x’表示所述卷积特征向量，w表示所述全连接神经网络的权重，b表示所述全连接神经网络的偏置项；
[0111]
s33、根据所述输出预测值与所述电力负荷预测结果的差判断所述卷积神经网络是否训练完成；若是，则执行s34；否则，调整所述卷积神经网络相应参数后返回执行s32；具体的：
[0112]
根据损失函数判断所述卷积神经网络是否训练完成，若是，则执行s34，否则，调整所述卷积神经网络相应参数后返回执行s32；
[0113]
损失函数mse为：
[0114][0115]
其中，n表示一次训练中的样本总数，yi表示第i个样本对应的输出值，y
i’表示第i个样本对应的电力负荷预测结果；其中，一个样本即为一个监督学习数据集；
[0116]
s34、将所述输入数据集重新输入所述注意力机制神经网络以及所述卷积神经网络，获取所述卷积神经网络提取的卷积特征向量作为非线性特征，所述非线性特征为所述负荷非线性特征或温度非线性特征；
[0117]
s4、通过所述负荷非线性特征以及温度非线性特征训练预备预测神经网络，得到负荷预测神经网络；
[0118]
s5、获取当前特征温度，根据所述特征提取网络以及所述负荷预测神经网络得到所述当前特征温度对应的当前负荷预测值；
[0119]
在一些实施例中，负荷预测神经网络为xgboost神经网络，则s5具体为：
[0120]
s51、确定xgboost神经网络使用的基本回归树模型：
[0121][0122]
其中，xi表示第i个输入样本，即将步骤s3中得到的负荷非线性特征以及温度非线性特征作为样本，表示第i个输入样本对应的回归树模型的输出即电力负荷预测值，k表
示回归树模型的总数量，fk表示第k个回归树模型；
[0123]
其中，fk的一种示例为：。
[0124]
r1(m，n)＝{xi|x
i(m)
≤w}(i＝1，2，...，n)；
[0125]
r2(m，n)＝{xi|x
i(m)
＞n}(i＝1，2，...，n)；
[0126][0127]
其中，m代表样本的第m个特征，n代表切分点，xi代表第i个样本的全部特征，x
i(m)
代表第i个样本的第m个特征，yi代表第i个样本的输出值，r1、r2代表两个子空间，c1、c2分别表示子空间r1上的输出y的均值、子空间r2上的输出y的均值；
[0128]
s52、根据迭代公式迭代回归树模型，包括：
[0129][0130]
其中，t代表迭代次数，代表t次迭代后预测模型的输出，f
t
代表第t次叠加添加的树模型；
[0131]
s53、根据目标函数判断是否迭代完成，目标函数为：
[0132][0133]
其中，表示预测值和输出值的差异，ω(fk)表示fk对应的正则化项，添加正则化项的目的是在正则化函数中添加惩罚项来减少预测模型的过拟合，提升模型的预测精度和计算效率；
[0134][0135]
式中，ωj代表叶子节点j的权重，λ是正则化惩罚系数，用于调节叶子节点的权重；t代表叶子节点的数量；γ也是正则化惩罚系数，用于避免叶子节点的数量太大。
[0136]
请参照图2，本发明的实施例二为：
[0137]
一种电力负荷预测终端1，包括处理器2、存储器3及存储在存储器3上并可在所述处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现实施例一中的各个步骤。
[0138]
综上所述，本发明提供了一种电力负荷预测方法及终端，首先收集电力负荷及其相关特征温度的历史数据，并完成数据清洗工作，根据缺失时间点是否连续采取不一样的填补方式；然后将电力负荷和温度时间序列数据集转换为监督学习数据集，使用特征提取神经网络例如acnn神经网络提取负荷和温度数据的非线性特征；最终将提取得到的非线性负荷特征输入负荷预测神经网络例如xgboost模型以进行负荷预测，得到最终的负荷预测结果，综合不同神经网络的优势，提高了最终预测的精度。
[0139]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发
明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。