一种智能电网用电端短期能耗预测系统的制作方法

1.本发明属于智能电网用电端能耗测试领域，具体涉及一种智能电网用电端短期能耗预测系统。


背景技术：

2.智能电网用电侧短期能耗极值预测，是当下研究的重点内容。极值预测是否能够准确地预测影响着生活中的方方面面。尤其在电力行业，高精度的预测分析不仅可以优化发电，输电。还可以在用户用电过程中起到预警的效果。从而有效地提高电网用电端的安全性，经济性，大大改善用电效益和供电质量。
3.在实际应用中，时间序列预测工具方法可以归结为三大类：一类是基于业务场景理解的因子预测模型，一类是传统时间序列预测模型，比如自回归模型、自回归滑动平均模型、滑动平均模型模型等，还有一类是机器学习模型，比如支持向量机(svm)、树模型(比如xgboost、lightgbm)、神经网络模型(比如cnn、lstm、gru)等。


技术实现要素：

4.针对现有技术的不足，本发明的目的在于提供一种智能电网用电端短期能耗预测系统，为智能电网用电端短期能耗预测提供一种高精确率的方案。
5.本发明的目的可以通过以下技术方案实现：
6.一种智能电网用电端短期能耗预测系统由数据清洗模块、特征提取模块以及数据预测模块组成；
7.进一步地，所述数据清洗模块先将特征向量进行划分，再讲划分好的数据通过卡尔曼滤波方法进行数据清洗，之后将清洗后的数据传递至特征提取模块；
8.进一步地，所述特征提取模块由resnet残差网络和lstm特征提取模块组成，数据先进入resnet残差网络内进行卷积运算，再进入lstm特殊提取模块内进行卷积运算；
9.进一步地，所述数据预测模块主要由一个batchnormalization标准化函数、一个dropout函数、一个dense函数和一个输出接口构成，数据经过batchnormalization标准化函数实现标准化，再经过dropout函数，减少函数过拟合，最后通过dense全连接层，将数据输出。
10.进一步地，所述特征向量包括k个时间步长的电力负荷量、楼房号以及房间号。
11.进一步地，所述特征向量按照时间节点划分为1/2的训练集、1/4的测试集和1/4的验证集。
12.进一步地，所述resnet残差网络由两层bilstm和一层一维卷积(conv1d)构成，所述数据先进入由双层bilstm的卷积模块(layer1)，得到特征数据x1，接着将特征数据x1放入一维卷积层(conv1d)，得到特征数据x2，之后将所述特征向量和特征数据x1，特征数据x2同时放入concatenate函数组成新的特征数据x3；而后，将组合好的特征数据x3放入一维卷积层(conv1d)进行卷积运算，得到结合后的特征数据x4；最后，将经过resnet处理后的特征数
据x4放入lstm网络中进行卷积运算，提取出最终的特征x4'。
13.进一步地，所述特征提取模块中结合加权损失函数来调整每个运算阶段的损失值。
14.进一步地，所述加权损失为：
15.对输入的原始负荷电力数据p按照时间顺序和值的大小赋予响应的权值。首先找到负荷电力数据的最大值和最小值根据最大值和最小值得到每个区间范围region_num,region_num:根据负荷电力数据的大小来划分对应的权重，具体计算公式如下：
[0016][0017]
将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值，具体计算如下所示：
[0018][0019]
进一步地，所述数据预测模块中输出的数据通过r2_peak来评估峰值预测的结果；r2_peak由r2
score
和ts指标共同构成，r2
score
和ts的计算公式如下所示:
[0020][0021]
ts＝hits/(hits falsealarms misses)
[0022]
其中，hits表示预测结果和真实结果中共有的部分，falsealarms表示预测结果除去hits中的成分，misses表示真实结果除去hits中的成分。但是倘若预测结果高于真实结果ts依旧会将其归为“命中”，即该区域的hits依旧会被赋值，考虑到该原因，提出的评判指标r2_peak，将r2
score
和ts指标有效地合并，在保证了准确率的情况下判断峰值的准确性，具体公式如下所示:
[0023]
r2_peak＝θ
·
r2
score
(1-θ)
·
ts
[0024]
其中θ表示权重参数，一般取值在0.4至0.6之间。
[0025]
本发明的有益效果：本发明型框架结构简单，技术先进，将残差网络和lstm神经网络框架相结合；同时结合了加权损失的方法来对智能电网用电端短期能耗中的极值做出更好的预测；最后根据提出的峰值评判指标来分析各类模型的预测准确性。
附图说明
[0026]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来
讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]
图1是本发明的整体系统结构框图；
[0028]
图2是本发明的四类模型的预测值相比真实值的效果对比图；
[0029]
图3是本发明的w_restnet_lstm，restnet_lstm针对一个月的预测值相比真实值的对比图；
[0030]
图4是本发明的w_restnet_lstm，lstm针对一个月的预测值相比真实值的对比图；
[0031]
图5是本发明的w_restnet_lstm，cnn_lstm针对一个月的预测值相比真实值的对比图结构示意图
[0032]
图6是本发明的三类评判指标来细化对比图。
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0034]
如图1所示，一种智能电网用电端短期能耗预测系统由数据清洗清洗模块、特征提取模块和预测模块组成；
[0035]
数据清洗模块首先对输入的特征向量进行合理的划分，将整个数据集(k个时间步长的电力负荷量，楼房号以及房间号)按照时间节点划分为1/2的训练集，1/4的测试集和1/4的验证集；之后将划分好的数据通过卡尔曼滤波方法完成数据清洗；最后将清洗后的数据传输至特征提取模块进行特征提取。
[0036]
特征提取模块由resnet残差网络和lstm特征提取模块交替组成。经过数据清洗模块清洗的数据首先进入resnet残差网络，该网络由两层bilstm和一层一维卷积(conv1d)构成。k个时间步长的电力负荷量，楼房号以及房间号等特征数据(input1)，先进入由双层bilstm的卷积模块(layer1),得到特征数据x1。接着将特征数据x1放入一维卷积层(conv1d)，得到特征数据x2。最后将输入特征input1和特征数据x1，特征数据x2同时放入concatenate函数组成新的特征数据x3。最后，将组合好的特征数据x3放入一维卷积层(conv1d)进行卷积运算，得到结合后的特征数据x4。之后将经过resnet处理后的特征数据x4放入lstm网络中进行卷积运算，提取出最终的特征x4'。同时结合加权损失函数来调整每个阶段的损失值，从而达到提高预测峰值准确率的目的。如下是加权损失的详细定义：
[0037]
对输入的原始负荷电力数据p按照时间顺序和值的大小赋予响应的权值。首先找到负荷电力数据的最大值和最小值根据最大值和最小值得到每个区间范围region_num,region_num:根据负荷电力数据的大小来划分对应的权重，具体计算公式如下:
[0038][0039]
将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值，具体计算如下所示:
[0040][0041]
所述的数据预测模块主要由一个batchnormalization标准化函数，一个dropout函数，一个dense函数和一个输出接口构成；在完成对k个时间步长的电力负荷量，楼房号以及房间号的特征提取后，数据经过batchnormalization标准化函数实现标准化，再经过dropout函数，减少函数过拟合，最后通过dense全连接层，将数据输出。
[0042]
对于输出的数据本专利重新设计了一个评判指标r2_peak来评估峰值预测的结果。r2_peak由r2
score
和ts指标共同构成，r2
score
和ts的计算公式如下所示:
[0043][0044]
ts＝hits/(hits falsealarms misses)
[0045]
其中，hits表示预测结果和真实结果中共有的部分，falsealarms表示预测结果除去hits中的成分，misses表示真实结果除去hits中的成分。但是倘若预测结果高于真实结果ts依旧会将其归为“命中”，即该区域的hits依旧会被赋值，考虑到该原因，提出的评判指标r2_peak，将r2
score
和ts指标有效地合并，在保证了准确率的情况下判断峰值的准确性，具体公式如下所示:
[0046]
r2_peak＝θ
·
r2
score
(1-θ)
·
ts
[0047]
其中θ表示权重参数，一般取值在0.4至0.6之间。
[0048]
同时，在收集的数据集上进行实验，对比了lstm网络，cnn_lstm网络对于一个月的预测结果，实验结果如图2-5所示；
[0049]
同时，采用决定系数(r2-score)，风险评分(ts)，峰值得分(r2_peak)三类评判指标来细化对比结果，效果图如图6所示，各类指标值如表1所示。详细的来说，所提出的resnet_lstm在决定系数(r2-score)上分别比cnn_lstm以及lstm提高了16％以及28％。在风险评分(ts)上分别比cnn_lstm以及lstm提高了36％以及36％。在峰值得分(r2_peak)上分别比cnn_lstm以及lstm提高了30％以及35％。同时resnet_lstm相比加权损失resnet_lstm(w_resnet_lstm)，在决定系数(r2-score)上，resnet_lstm比w_resnet_lstm提高了4％。在风险评分(ts)上，resnet_lstm比w_resnet_lstm降低了29％。在峰值得分(r2_peak)上，resnet_lstm比w_resnet_lstm降低了15％。这很好的说明了结合加权损失resnet_lstm网络模型在保证决定系数(r2-score)的基础上，提高了极值的准确率，从而有效的预测出
潜在的隐患。
[0050]
模型r2-scoretsr2_peaklstm0.60365123200.181095cnn-lstm0.76890879400.230673resnet_lstm0.9235642710.3617021280.530261w_resnet_lst0881346320.6551223510.684404
[0051]
表1三类评判指标数值表
[0052]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0053]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。