基于神经网络的配电网络流量预测方法、系统、装置及存储介质与流程

1.本发明涉及一种基于神经网络的配电网络流量预测方法、系统、装置及存储介质，属于智能电网技术领域。


背景技术：

2.电力通信网在近些年越来越受到国家的重视，稳健的电力通信网对于确保智能电网安全可靠运行具有非常重要意义。随着国家智能电网的大力发展，配电网的流量数据增长非常快，使得配电网络有时非常拥堵，因而对于网络的优化控制十分必要。为了能够对网络进行提前部署控制、较好地改善网络服务水平，对配电网网络流量进行精确的预测就显得非常重要。
3.网络流量预测方法分为线性和非线性方法。由于配电网情况复杂，线性的方法，如arima模型等，对于非线性特征的流量，所预测的性能较差。为了捕捉网络流量系列中的非线性特征，研究人员已将注意力转向适用于复杂和非线性数据的模型，而深度学习凭借强大的大规模数据自动特征提取和预处理能力成为热门话题。现阶段非线性的预测方法，如svm模型、lstm模型的方法等不能有效描述复杂时序数据的高阶特征，预测精度有待提高，同时并没有考虑配电网实际特征，为了解决上述问题，本技术提出了一种基于神经网络的配电网络流量预测方法、系统、装置及存储介质。


技术实现要素：

4.本发明的目的在于克服现有技术中的不足，提供一种基于神经网络的配电网络流量预测方法、系统、装置及存储介质，解决现有的技术手段对配电网络流量预测精度不高的问题。
5.为达到上述目的，本发明是采用下述技术方案实现的：
6.第一方面，本发明提供了一种基于神经网络的配电网络流量预测方法，包括：
7.获取电力负荷消耗的影响因素以及当前的配电网络流量信号，并输入预构建的优化后的深度网络模型，得到配电网络流量的预测值；
8.其中，所述深度网络模型包括去噪模块、卷积神经网络模块、记忆网络模块和全连接神经网络模块，所述去噪模块、卷积神经网络模块、记忆网络模块对当前的配电网络流量的信号数据进行依次处理，然后将处理后的信号数据和电力负荷消耗的影响因素输入进全连接神经网络获得配电网络流量的预测值。
9.可选的，所述影响因素为：
10.x＝(h,d,ty,hu,te)
11.其中，h为一天中的任一小时，记为h∈{1,2,
…
,24}；d为一年中的任一天，记为d∈{1,2,
…
,365}；ty为天的类型，ty＝1为工作日，ty＝0为休息日；hu为当前时刻的湿度，te为当前时刻的温度。
12.可选的，所述去噪模块采用sg滤波器，所述sg滤波器为：
[0013][0014]
其中，n为整数自变量，[-m,m]为整数自变量n的范围，k为sg滤波器的阶数；a
l
为sg滤波器第l个系数，系数a
l
通过最小二乘法以最小化误差为目标获取，最小化误差为：
[0015][0016]
其中，x[n]为sg滤波器的输入信号数据。
[0017]
可选的，所述卷积神经网络模块包括第一残差块和第二残差块，所述第一个残差块包括两个核大小为5、膨胀因子为1的膨胀卷积网络，所述第二残差块包括两个核大小为5、膨胀因子为2的膨胀卷积网络，所述卷积神经网络模块的表达式为：
[0018]
d＝rb(e,5,1)
[0019][0020]
其中，rb(
·
)为残差块函数，d为第一残差块的输出，为第二残差块的输出，e为第一残差块的输入。
[0021]
可选的，所述记忆网络模块包括若干依次首尾连接的gru元胞，每个所述gru元胞包括更新门和重置门，所述更新门的表达式为：
[0022]rt
＝sigmoid(wr·
[h
t-1
,x
t
])
[0023]
其中，r
t
为更新门的输出，h
t-1
和x
t
为更新门的输入，wr为参数矩阵，sigmoid(
·
)为sigmoid函数；
[0024]
所述重置门的表达式为：
[0025]zt
＝sigmoid(wz·
[h
t-1
,x
t
])
[0026]
其中，z
t
为重置门的输出，h
t-1
和x
t
为重置门的输入，wz为参数矩阵；
[0027]
基于更新门和重置门的输出获取gru元胞的输出，其表达式为：
[0028][0029][0030]
其中，tanh(
·
)为tanh函数，wh为参数矩阵。
[0031]
可选的，所述配电网络流量的预测值为：
[0032][0033]
其中，relu(
·
)为relu函数，wf和b均为参数矩阵，h
t
为经过去噪模块、卷积神经网络模块、记忆网络模块依次处理过的当前的配电网络流量的信号数据，x为影响因素。
[0034]
可选的，所述深度网络模型优化包括：
[0035]
确定优化目标函数：
[0036]
[0037]
其中，w＝[wr,wz,wh,wf]，wr、wz和wh分别为记忆网络模块的参数矩阵，wf为全连接神经网络的参数矩阵；‖
·
‖f为矩阵frobenius范数，‖
·
‖2为2范数，λ1、λ2为正则化变量，f
loss
为均方根对数误差，其表达式为：
[0038][0039]
其中，n为训练样本数量，yi为配电网络流量样本值，为配电网络流量预测值；
[0040]
基于优化目标函数，结合adam优化算法进行参数优化，获取优化后的w和b参数。
[0041]
第二方面，本发明提供了一种基于神经网络的配电网络流量预测系统，其特征在于，所述系统包括预测模块，所述预测模块用于获取电力负荷消耗的影响因素以及当前的配电网络流量信号，并输入预构建的优化后的深度网络模型，得到配电网络流量的预测值；
[0042]
其中，所述深度网络模型包括去噪模块、卷积神经网络模块、记忆网络模块和全连接神经网络模块，所述去噪模块、卷积神经网络模块、记忆网络模块对当前的配电网络流量的信号数据进行依次处理，然后将处理后的信号数据和电力负荷消耗的影响因素输入进全连接神经网络获得配电网络流量的预测值。
[0043]
第三方面，本发明提供了一种基于神经网络的配电网络流量预测装置，包括处理器及存储介质；
[0044]
所述存储介质用于存储指令；
[0045]
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
[0046]
第四方面，本发明提供了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任一项所述方法的步骤。
[0047]
与现有技术相比，本发明所达到的有益效果：
[0048]
本发明提供了一种基于神经网络的配电网络流量预测方法、系统、装置及存储介质，根据去噪模块更好的对网络流量的信号数据进行预处理，从而提升预测精度；同时引入残差块的卷积神经网络模块进行特征提取，引入配电网络流量的影响因素，从而提供更为准去的流量预测。
附图说明
[0049]
图1是本发明实施例提供的深度网络模型的结构示意图；
[0050]
图2是本发明实施例提供的深度网络模型的预测性能对比示意图。
具体实施方式
[0051]
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。
[0052]
实施例一：
[0053]
本发明实施例提供了一种基于神经网络的配电网络流量预测方法，包括：
[0054]
获取电力负荷消耗的影响因素以及当前的配电网络流量信号，并输入预构建的优化后的深度网络模型，得到配电网络流量的预测值；
[0055]
如图1所示，深度网络模型包括去噪模块、卷积神经网络模块、记忆网络模块和全连接神经网络模块，去噪模块、卷积神经网络模块、记忆网络模块对当前的配电网络流量的信号数据进行依次处理，然后将处理后的信号数据和电力负荷消耗的影响因素输入进全连接神经网络获得配电网络流量的预测值。
[0056]
在实际配电网中，网络流量主要包括用户用电量、电网监控数据和配电网自动化业务数据等信息。实现发现配电网路的流量数据是一个与时间有关的序列数据，因此时序模型是网络流量预测主要模型之一；同时，电力网络流量受一些因素的影响较大。通过对配电网网络流量的分析，本文提取电力网络流量的因素除了与以往的流量数据有关外，还受到表1所示的特征因素影响。根据表1中的特征因素分析，网络流量的影响因素为：
[0057]
x＝(h,d,ty,hu,te)
[0058]
其中，h为一天中的任一小时，记为h∈{1,2,
…
,24}；d为一年中的任一天，记为d∈{1,2,
…
,365}；ty为天的类型，ty＝1为工作日，ty＝0为休息日；hu为当前时刻的湿度，te为当前时刻的温度。
[0059]
对于电网流量序列而言，其受到了噪声等无用信息的影响，为了更好地对流量进行分析，需要对流量数据进行预处理。对于流量的时间序列而言，平滑和去噪过程能够对时间序列进行处理，并获得更好地预测精度。由于sg滤波器在处理平滑和去噪的过程中，能够使数据的形状和宽度保持不变，因而本文采用sg滤波器对流量数据进行预处理。sg滤波器对时间序列的处理过程如下，假设有一个宽度为n＝2m 1的时间序列，
[0060]
{y
s-m
,
…
,ys,
…
,y
s m
},s∈[m 1,t-m]
[0061]
适应于窗口内数据的k阶多项式可以表述为
[0062][0063]
其中，n为整数自变量，[-m,m]为整数自变量n的范围，k为sg滤波器的阶数；a
l
为sg滤波器第l个系数，系数a
l
通过最小二乘法以最小化误差为目标获取，最小化误差为：
[0064][0065]
其中，x[n]为sg滤波器的输入信号数据。
[0066]
为了更好地分析预处理后的数据，将预处理后的数据通过卷积神经网络模块，卷积神经网络模块包括第一残差块和第二残差块，第一个残差块包括两个核大小为5、膨胀因子为1的膨胀卷积网络，第二残差块包括两个核大小为5、膨胀因子为2的膨胀卷积网络，卷积神经网络模块的表达式为：
[0067]
d＝rb(e,5,1)
[0068][0069]
其中，rb(
·
)为残差块函数，d为第一残差块的输出，为第二残差块的输出，e为第一残差块的输入。
[0070]
在经过卷积神经网络模块以后，本文将卷积神经网络模块的输出作为记忆网络模
块的输入，通过记忆网络模块可以获得网络流量的长期时间相关性得到网络的输出；记忆网络模块包括若干依次首尾连接的gru元胞，每个gru元胞包括更新门和重置门，更新门的表达式为：
[0071]rt
＝sigmoid(wr·
[h
t-1
,x
t
])
[0072]
其中，r
t
为更新门的输出，h
t-1
和x
t
为更新门的输入，wr为参数矩阵，sigmoid(
·
)为sigmoid函数；
[0073]
重置门的表达式为：
[0074]zt
＝sigmoid(wz·
[h
t-1
,x
t
])
[0075]
其中，z
t
为重置门的输出，h
t-1
和x
t
为重置门的输入，wz为参数矩阵；
[0076]
基于更新门和重置门的输出获取gru元胞的输出，其表达式为：
[0077][0078][0079]
其中，tanh(
·
)为tanh函数，wh为参数矩阵。
[0080]
再与影响因素x一起输入一个全连接网络得到最后的网络流量预测值：
[0081][0082]
其中，relu(
·
)为relu函数，wf和b均为参数矩阵，h
t
为经过去噪模块、卷积神经网络模块、记忆网络模块依次处理过的当前的配电网络流量的信号数据，x为影响因素。
[0083]
经过如上的深度网络模型，配电网流量数据的负荷预测值与特征因素之间输出的值可以描述为：
[0084][0085]
此时，需要训练参数w,b以使模型的输出尽可能的精确。本文利用深度网络经典的adam(adaptive moment estimation)算法对模型中的各个参数进行优化，由于adam算法较常用，本文不做详细描述进行参数的优化。为了提升网络的预测精度，在设计代价函数时考虑均方根对数误差(root mean square logarithmic error,rmsle)，即
[0086][0087]
其中，n为训练样本数量，yi为配电网络流量样本值，为配电网络流量预测值；
[0088]
同时在训练过程中为了防止模型过拟合，设计代价函数时考虑正则化，此时，本文所设计的优化目标函数：
[0089][0090]
其中，w＝[wr,wz,wh,wf]，wr、wz和wh分别为记忆网络模块的参数矩阵，wf为全连接神经网络的参数矩阵；‖
·
‖f为矩阵frobenius范数，‖
·
‖2为2范数，λ1、λ2为正则化变量，f
loss
为均方根对数误差；
[0091]
最终通过基于优化目标函数，结合adam优化算法进行参数优化，获取优化后的w和
b参数，从而得到优化后的深度网络模型。
[0092]
利用某一个县的到主站的网络流量数据作为样本。利用tensorflow框架执行所提的深度网络模型。采用intel i7-8700处理器和nvidia geforce rtx 2080ti图形处理器，16gb内存。
[0093]
将所提的深度网络模型和常见的差分整合移动平均自回归模型(autoregressive integrated moving average mode，arima)和lstm两种模型进行对比。为了验证所提方案的有效性，采用rmsle和绝对误差均值mean absolute error(mae)为指标进行比较，rmsle所示mae计算为：
[0094][0095]
2020年6月和7月两个月的历史负荷数据为基础。采用的数据集经过数据预处理操作如有效性检测、缺失值插补，归一化等以保证数据质量。在该数据集中，记录了每一天每一个小时的网络流量数据。以6月1日到7月20日的历史网络流量数据为训练数据，对7月21日0到10小时的网络流量做出预测。
[0096]
7月21日0到10小时的预测结果。如图2所示，比较了深度网络模型(sg-cnn-gru)、arima以及lstm模型预测的中位数。与arima以及lstm模型相比，arima模型所预测出的网络流量更加接近于实际电荷值，lstm比arima模型具备更优的性能。由于深度网络模型利用sg滤波器对网络流量做了预处理，同时，引入了时间、温度等特征因素进行分析，从而能够提供比其他模型更加精确的预测结果，验证了sg-cnn-gru模型的有效性。
[0097]
为了更好地描述所提模型的有效性，附表1描述了深度网络模型、arima以及lstm模型所预测的电力负荷的误差统计，包括rmlse和mae。由表1可知，深度网络模型中的平均绝对误差为3.07％，其最大相对误差为4.58％，而lstm模型的rmlse为4.66％，其mae为6.83％；arima模型的rmlse和mae最大，分别为6.09％和9.46％。可以看出，深度网络模型具有最小的rmlse和mae，能够提供较高的预测精度，较其他模型具有更优越的预测性能。
[0098]
表1不同模型预测误差统计
[0099]
模型rmlsemaesg-cnn-gru3.89％15987lstm8.46％37244arima11.65％62453
[0100]
实施例二：
[0101]
本发明实施例提供了一种基于神经网络的配电网络流量预测系统，包括预测模块，预测模块用于获取电力负荷消耗的影响因素以及当前的配电网络流量信号，并输入预构建的优化后的深度网络模型，得到配电网络流量的预测值；
[0102]
其中，深度网络模型包括去噪模块、卷积神经网络模块、记忆网络模块和全连接神经网络模块，去噪模块、卷积神经网络模块、记忆网络模块对当前的配电网络流量的信号数据进行依次处理，然后将处理后的信号数据和电力负荷消耗的影响因素输入进全连接神经网络获得配电网络流量的预测值。
[0103]
实施例三：
[0104]
本发明实施例提供了一种基于神经网络的配电网络流量预测装置，包括处理器及存储介质；
[0105]
存储介质用于存储指令；
[0106]
处理器用于根据指令进行操作以执行根据上述任一项方法的步骤。
[0107]
实施例四：
[0108]
本发明实施例提供了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任一项方法的步骤。
[0109]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0110]
本技术是参照根据本技术实施例的方法、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。
[0111]
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。
[0112]
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。
[0113]
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。