一种基于状态频率记忆网络的家庭短期负荷预测方法与流程

1.本发明涉及数据挖掘、时间序列分析等领域，特别涉及一种基于状态频率记忆(sfm)网络的家庭短期负荷预测方法。


背景技术：

2.负荷预测是智能电网技术中最重要的研究课题之一，因为负荷预测的准确性极大地影响着智能电网系统的可靠性。现有的负荷预测方法可以分为统计方法和基于人工智能的方法。
3.过去，负荷预测是通过时间序列分析和线性回归等分析技术进行，但是这些传统方法很难准确预测波动性很强的家庭负荷；近年来，随着深度学习技术的飞速发展，越来越多的深度学习方法被用到了负荷预测领域，如卷积神经网络、长短期记忆网络等，研究者利用深度学习技术取得了很多研究成果。
4.家庭的能源消耗通常受到多种因素的影响，包括内部因素(习惯、态度、价值观等)、外部因素(激励、惩罚等)和人际因素(社会规范等)，这些因素导致了用户不同频率的用电模式。频率反映了负荷数据的波动性，但现有方法很少运用数学模型将用电模式明确分解为各种频率成分，并将发现的多频模式应用到负荷预测中。因此，本发明提出了一种基于sfm神经网络进行家庭短期负荷预测模型。


技术实现要素：

5.本发明提出一种基于sfm网络的家庭短期负荷预测方法，该方法不仅可以提取时序信息，还可以提取用电模式的频率信息，有效的提高了预测精度。
6.基于sfm网络的家庭短期负荷预测方法，实现包括以下步骤：
7.步骤一：从数据库中获取某地区用户两年的日用电量历史数据；
8.步骤二：对于连续n天用电量为0的用户进行剔除；
9.步骤三：对步骤二处理后的数据进行k均值聚类，通过肘部法则和轮廓系数两个指标共同确定聚类数；
10.步骤四：采用小波去噪技术，对步骤三处理后的数据进行去噪处理；
11.步骤五：将步骤四处理后的数据进行归一化处理；
12.步骤六：构建sfm网络模型；
13.所述的sfm网络由三个门单元和一个记忆单元组成，其中记忆状态被分解成一组k个离散频率，使模型获得了在不同频率下的学习能力；
14.①
遗忘门
15.遗忘门由状态遗忘门和频率遗忘门f
tfre
组成，以分别调节多状态和多频率的信息。
[0016][0017]
f
tfre
＝sigmoid(w
fre
x
t
u
fre
h
t
‑1 b
fre
)
[0018]
其中，x
t
为当前时刻的输入数据，h
t
‑1为上一时刻的输出数据，w
ste
、u
ste
、w
fre
、u
fre
为权重，b
ste
、b
fre
为偏置；状态
‑
频率遗忘门f
t
被定义为状态遗忘门与频率遗忘门f
tfre
之间的外积，以共同调节状态和频率信息，并控制流入存储单元的信息。
[0019][0020]
②
输入门
[0021]
输入门决定了在当前时刻能够保存多少输入信息到存储单元，计算公式为：
[0022]
i
t
＝sigmoid(w
i
x
t
u
i
h
t
‑1 b
i
)
[0023][0024]
其中w
i
、w
c
、u
i
、u
c
为权重，b
i
、b
c
为偏置；
[0025]
③
状态更新
[0026]
为了实现跨不同频率学习模式的能力，sfm模型的记忆状态被分解成一组k个离散频率
[0027]
这k个频率在[0，2π]上均匀分布。
[0028][0029]
其中，为当前时刻输入门的输出被分解成的k个离散频率，s
t
为t时刻的记忆状态矩阵，f
t
为遗忘门的输出，s
t
‑1为上一时刻的记忆状态矩阵，i
t
为输入门，为输入调制，表示矩阵对应元素相乘。
[0030]
记忆状态矩阵s
t
表示为实部和虚部两部分：
[0031][0032][0033]
计算记忆状态矩阵s
t
的振幅a
t
和相位∠s
t
：
[0034][0035][0036]
振幅将被用于计算当前时刻输出的隐藏状态c
t
，相角则被忽略；
[0037]
c
t
＝tanh(a
t
u
a
b
a
)
[0038]
其中u
a
、b
a
为偏置；
[0039]
④
输出门
[0040]
输出门决定了在当前时刻，能够保存多少信息流出神经元。
[0041]
o
t
＝sigmoid(w
o
x
t
u
o
h
t
‑1 b
o
)
[0042][0043]
w
o
、u
o
表示权重，b
o
为偏置；
[0044]
步骤七：确定模型的损失函数、优化器以及各项超参数；
[0045]
步骤八：将步骤五的数据拆分为训练集和测试集，拆分比例为9:1。
[0046]
步骤九：训练sfm模型。
[0047]
步骤十：将测试数据输入训练好的模型，得到预测的精度。
[0048]
作为优选，所述的n设为20。
[0049]
作为优选，步骤四中采用db8小波进行小波去噪。
[0050]
本发明相对于现有技术具有的有益效果：
[0051]
1、本发明把预测的粒度精确到每个家庭用户，该模型可以同时进行大量家庭的负荷预测。
[0052]
2、本发明提出的模型属于单变量预测模型，只用到了家庭的历史负荷数据，无需其他额外的数据支持。
[0053]
3、本发明不仅考虑了时序信息，而且引入了频率信息，对于用户负荷这种受多种不确定因素影响的时间序列数据，预测效果显著提升。
附图说明
[0054]
图1为某一用户连续两年日用电量图；
[0055]
图2为肘部法则图；
[0056]
图3为轮廓系数图；
[0057]
图4为sfm网络结构图；
[0058]
图5为小波去噪图
[0059]
图6(a)为用户两种网络预测对比图；
[0060]
图6(b)为用户两种网络预测对比图；
[0061]
图6(c)为用户两种网络预测对比图；
[0062]
图6(d)为用户两种网络预测对比图；
[0063]
图7为模型整体流程图；
具体实施方式
[0064]
下面结合附图详细说明本发明的具体实施步骤。
[0065]
获取某地区用户的历史负荷数据，进行处理、训练。为了更具体地描述本发明，模型整体流程如图7所示；
[0066]
步骤1、编写sql脚本语句从数据库中获取负荷数据，并对数据进行预处理，图1展示了某一用户两年的负荷数据；
[0067]
步骤1.1、对于一些连续n天用电量为0的用户进行剔除，本发明经过数据分析，最终选择n为20；
[0068]
步骤1.2、根据用户的负荷特性曲线进行聚类；
[0069]
家庭负荷预测的关键挑战在于负荷曲线的高度波动性和不确定性，而对客户用电负荷数据进行聚类可以有效降低这些问题带来的影响，提高预测精度。由于聚类是一个无监督的学习过程，给定数据集的最优聚类数是未知的，如图2所示，所以选择肘部法则和轮廓系数两个指标共同确定聚类数，具体如图3、4所示，本发明确定的聚类数为4，每类占比如表下：
[0070]
表1：各类别数量
[0071]
a类b类c类d类593(11.6％)2353(45％)1921(36.7％)354(6.7％)
[0072]
步骤1.3、对数据进行去噪处理，本文采用的是db8小波，去噪前后对比如图5所示；
[0073]
步骤1.4、对数据进行min
‑
max归一化处理；
[0074]
本模型采用的是min
‑
max归一化，其公式为：x
i
′
表示归一化后的值，x为原始数据，x
min
为每个用户数据的最小值，x
max
为每个用户数据的最大值。
[0075]
步骤2、将聚类后的数据划分成训练集和测试集；
[0076]
步骤2.1、对于四类数据，都采用相同的划分方式，将每个家庭负荷数据中的前90％作为训练数据，后10％作为测试数据。具体数据数量如下：
[0077]
表2：用于训练、测试的具体天数
[0078]
训练数据测试数据总数据量65873731
[0079]
步骤3、将训练数据输入构建好的sfm网络，开始模型训练；
[0080]
步骤3.1、对sfm模型进行初始化，并将训练数据进行随机化处理；
[0081]
步骤3.2、模型采用sigmoid函数和tanh函数作为激活函数；
[0082]
步骤3.3、损失函数采用的是均方误差函数，公式为：
[0083][0084]
其中x
i
是每个家庭的预测值，y
i
是每个家庭的真实值。
[0085]
步骤3.4、选择adam优化算法，adam算法结合了动量算法和rmsprop算法的优点，使用动量来累积梯度，并且对梯度计算了微分平方加权平均数，消除了梯度在收敛过程中大的摆动，使得各个维度的摆动都较小，同时还加快了收敛速度；
[0086]
步骤3.5、设置模型的状态数为50，频率数为20；
[0087]
步骤4、训练模型并寻找合适的超参数；
[0088]
步骤4.1、模型达到收敛时即可终止训练，经过多次实验，最终选择模型训练轮数为2000轮，学习率为0.001，并分别进行了未来1天预测(一步预测)、未来3天预测(三步预测)和未来5天预测(五步预测)，具体结果如表3、4、5所示；
[0089]
步骤5、将测试数据输入sfm网络，计算模型的mse、rmse、mae指标；
[0090]
步骤6、进行长短期记忆网络的对比实验；
[0091]
步骤6.1、考虑各个模型的收敛特性，将对比实验的训练轮数设为2000轮。
[0092]
步骤6.2、这里展示了d类354个家庭的平均预测结果，以及随机选择的两个用户的两种网络预测对比图，如图6(a)、6(c)为lstm网络预测示意图，如图6(b)、6(d)为sfm网络预测示意图。
[0093]
表3：一步预测
[0094] msermsemaelstm网络6.472.541.27sfm网络5.092.251.10
[0095]
表4：三步预测
[0096] msermsemaelstm网络14.173.762.12sfm网络11.423.382.00
[0097]
表5：五步预测
[0098] msermsemaelstm网络22.114.702.72sfm网络16.954.112.45
[0099]
可以发现，在一步、三步、五步预测中，sfm网络在三种指标上均低于lstm网络，充分显示了模型的有效性。