一种长期负荷预测方法及系统与流程

1.本发明涉及一种长期负荷预测方法及系统，属于智能电网与机器学习交叉技术领域。


背景技术：

2.电力负荷预测是电力系统运行和规划的基础，准确的负荷预测可以保证电力系统的安全稳定运行，降低发电成本，提高经济效益。随着电力行业的发展，电力负荷预测工作显得愈发重要。电力负荷受天气变化、社会活动和节日类型等因素的影响，在时间序列上表现为非平稳随机过程。然而影响电力负荷的各个因素一般具有一定的周期性，如周周期性、月周期性和年周期性，从而为实现有效的电力负荷预测奠定了基础。
3.目前电力负荷预测技术主要可以分为三类。第一类是传统负荷预测法，采用诸如卡尔曼滤波法、负荷求导法、相似日法、指数平滑法、灰色预测法等。将卡尔曼滤波法应用于电力系统短期负荷预测中，并提出了修正方法，使其对天气的影响预测更为准确，不足之处是卡尔曼滤波法难以估计噪声的统计特性。第二类是经典负荷预测方法，主要包括时间序列法和回归分析法。2002年叶瑰昀、罗耀华等人，基于时间序列法构建arma模型预测电力负荷，该模型适用于负荷变化比较均匀的短期预测，但是对于不确定因素的考虑不足，如当遇到天气变化较大或节假日时，该模型的预测误差较大。第三类方法为智能预测法，主要采用的方法有人工神经网络、专家系统法、模糊预测法和综合模型预测法。现有技术的基于多级聚类分析和支持向量机的综合预测模型，克服了单一算法的不足，提高了预测精度，但是却导致计算速度降低，建模和应用难度增加。


技术实现要素：

4.本发明所要解决的技术问题是克服现有技术的缺陷，提供一种长期负荷预测方法及系统，能够综合利用气象和时间信息对电力负荷进行预测，而且通过对测量值数据深度特征的提取，能够提高离线学习效率，降低预测误差，具有实现简单，在线估计时间开销小等优点。
5.为解决上述技术问题，本发明提供一种长期负荷预测方法，包括：
6.获取待预测时间电力负荷的气象数据；
7.对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；
8.利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。
9.进一步的，所述预处理，包括：
10.利用中值滤波方法替换气象数据的异常值；
11.将替换异常值后的气象数据中的时间信息，利用编码的方法，转换成包括温度、湿度、风速、压强和时间的1*5维度的气象数据指纹。
12.进一步的，所述利用深度学习特征提取网络进行特征提取，包括：
13.利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空间，得到1*n维度的高维特征向量；
14.将1*n维度的高维特征向量转化为n*n的气象数据指纹矩阵，输入卷积神经网络，经过卷积层，池化层和全连接层处理后，得到深度特征，n＝n*n。
15.进一步的，得到所述离线训练好的基于电力负荷的回归学习模型，包括：
16.获取历史气象数据和对应时刻的电力负荷，根据历史气象数据构建训练数据；
17.对训练数据进行所述预处理，利用深度学习特征提取网络进行特征提取，得到训练数据的深度特征；
18.构建激活函数为linear函数、损失函数为均方根误差函数的回归学习模型；
19.利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为linear函数、损失函数为均方根误差函数的回归学习模型进行离线训练，得到离线训练好的基于电力负荷的回归学习模型。
20.一种长期负荷预测系统，包括：
21.获取模块，用于获取待预测时间电力负荷的气象数据；
22.预处理模块，用于对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；
23.模型处理模块，用于利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。
24.进一步的，所述预处理模块，
25.用于利用中值滤波方法替换气象数据的异常值；将替换异常值后的气象数据中的时间信息，利用编码的方法，转换成包括温度、湿度、风速、压强和时间的1*5维度的气象数据指纹。
26.进一步的，所述模型处理模块包括：
27.特征提取单元，用于利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空间，得到1*n维度的高维特征向量；将1*n维度的高维特征向量转化为n*n的气象数据指纹矩阵，输入卷积神经网络，经过卷积层，池化层和全连接层处理后，得到深度特征，n＝n*n。
28.进一步的，所述模型处理模块包括：
29.训练单元，用于获取历史气象数据和对应时刻的电力负荷，根据历史气象数据构建训练数据；对训练数据进行所述预处理，利用深度学习特征提取网络进行特征提取，得到训练数据的深度特征；构建激活函数为linear函数、损失函数为均方根误差函数的回归学习模型；利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为linear函数、损失函数为均方根误差函数的回归学习模型进行离线训练，得到离线训练好的基于电力负荷的回归学习模型。
30.本发明所达到的有益效果：
31.本发明通过预处理降低噪声对预测的影响，通过深度学习网络自动提取指纹的深度信息，从而能够获得更好的特征表示，提高离线阶段的学习效率，进而提高预测性能。
附图说明
32.图1为本发明的流程图；
33.图2为本发明方法的时间编码方法；
34.图3为本发明数据预处理后训练数据的格式；
35.图4为本发明基于全连接网络的数据升维过程示意图；
36.图5为relu曲线图；
37.图6为本发明训练数据指纹深度特征提取过程；
38.图7为本发明离线学习性能描述；
39.图8为本发明在线负荷预测性能描述。
具体实施方式
40.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。
41.如图1所示，一种长期负荷预测方法，包括离线阶段和在线阶段两部分。离线阶段首先利用中值滤波替换训练数据的异常值，将训练数据中的时间信息利用编码的方法，转换成训练数据的指纹信息。然后对训练数据进行特征提取，利用全连接网络对训练数据指纹进行数据升维后，使用卷积神经网络提取指纹的深度特征，送入建立的电力负荷的回归学习模型。最后对建立的深度学习特征提取网络和回归学习模型进行联合离线训练，得到特征提取网络和电力负荷回归模型的最优参数。在线阶段，将得到测量数据进行数据预处理后，利用优化后的特征提取网络和电力负荷回归预测模型，得到负荷估计结果。下面将详细说明各个步骤的具体实施方案。
42.(1)训练数据进行数据预处理
43.由于训练数据中的温度，湿度，压强和风速数值都是由相应的传感器测量得到，为了减少测量噪声引起的异常测量值，本方法首先利用中值滤波对上述的测量值进行处理。
44.中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。
45.对一个训练数据的传感器测量值序列xj(-∞《j《∞)，定义一个长度为奇数的l长窗口，l＝2q 1，q为正整数。设在某一个时刻k，窗口内的训练数据测量值样本为x(k-q)，
…
，x(k)，
…
，x(k q)。对这l个信号样本值按从小到大的顺序排列后，中值滤波的输出值y(k)表示为
46.y(k)＝med(x(k-q)，
…
，x(k)，
…
，x(k q))
ꢀꢀ
(1)
47.然后我们将训练数据中的时间信息通过编码的方式转化为训练数据中的指纹信息，在本实施中，训练样本的测量值是每天24小时记录，记录的时间间隔为15分钟。本发明方法的时间编码方法如图2所示，从每天的0时刻开始，每个小时对应一个编码输出。编码器的输出范围为[0,23]中的整数。
[0048]
经过上述的数据预处理后，得到训练数据的格式如图3所示，训练数据的指纹包括温度，湿度，风速，压强和时间，共5维。标签为负荷的绝对值。
[0049]
(2)深度学习网络特征提取
[0050]
首先利用全连接网络对训练数据的指纹进行数据升维。图4描述了基于全连接网络的数据升维过程示意图。定义第m个全连接层中的神经元数目λm,第一层神经元数目λ1等于初始的训练数据指纹维度，最后一层神经元数目λm等于经过升维后期望的指纹维度。每个全连接层的数据通过激活函数后传输到下一层，本实施案例选用的激活函数为relu函数。relu函数表示为
[0051]
f(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀ
(2)
[0052]
如果x＞0，则函数取x的值；如果x＜0，则函数等于0。它的曲线图如下图5所示。
[0053]
在本实施案例中，我们选择了2个全连接层，将训练数据指纹信息由5维提升到64维。
[0054]
然后利用卷积神经网络对升维后的指纹进行深度特征提取。图6描述了特征提取的处理过程，升维后的指纹依次经过多个卷积层和池化层后，然后再经过多个全连接层，获得指纹深度信息向量。在本实施方案中，我们把升维后1*64指纹向量变换成8*8的指纹矩阵作为卷积神经网络的输入，经过2个卷积层，1个池化层，2个全连接层后获得1*64维的深度特征。
[0055]
(3)电力负荷回归学习模型
[0056]
在本实施案例中，我们选择linear激活函数，电力负荷的回归学习模型表示为
[0057][0058]
其中，fi是指纹深度特征的第i个维度，wi是对应权重系数，b是偏差，η是指纹深度特征维度，y输出是负荷的预测值。
[0059]
(4)离线学习
[0060]
在离线学习中，我们将指纹深度特征提取网络和负荷回归模型进行联合训练，并选择均方误差(mse)作为损失函数。在本具体实施案例中，离线学习的电脑配置如下：cpu：intel(r)core(tm)i7-8750h，gpu：nvidia gtx 1050ti 4g，内存：8g
×
2。软件平台：pycharm(python 3.5) tensorflow 1.8.0 keras2.1.5。离线学习过程如图7所示，经过多次训练后，损失函数能够收敛。
[0061]
(5)负荷预测结果
[0062]
我们以苏州地区2015-2016年的逐年负荷数据和气象数据为实例，训练深度特征提取网络和负荷回归模型。图8描述了利用苏州地区2017年1月份的负荷预测和真实数据，我们可以看出本发明能够正确预测负荷。
[0063]
相应的本发明还提供一种长期负荷预测系统，包括：
[0064]
获取模块，用于获取待预测时间电力负荷的气象数据；
[0065]
预处理模块，用于对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；
[0066]
模型处理模块，用于利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。
[0067]
所述预处理模块，
[0068]
用于利用中值滤波方法替换气象数据的异常值；将替换异常值后的气象数据中的时间信息，利用编码的方法，转换成包括温度、湿度、风速、压强和时间的1*5维度的气象数
据指纹。
[0069]
所述模型处理模块包括：
[0070]
特征提取单元，用于利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空间，得到1*n维度的高维特征向量；将1*n维度的高维特征向量转化为n*n的气象数据指纹矩阵，输入卷积神经网络，经过卷积层，池化层和全连接层处理后，得到深度特征，n＝n*n。
[0071]
所述模型处理模块包括：
[0072]
训练单元，用于获取历史气象数据和对应时刻的电力负荷，根据历史气象数据构建训练数据；对训练数据进行所述预处理，利用深度学习特征提取网络进行特征提取，得到训练数据的深度特征；构建激活函数为linear函数、损失函数为均方根误差函数的回归学习模型；利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为linear函数、损失函数为均方根误差函数的回归学习模型进行离线训练，得到离线训练好的基于电力负荷的回归学习模型。
[0073]
综上所述，本发明利用中值滤波技术处理训练数据中的异常点，降低噪声对预测的影响。同时使用对时间信息的编码来构建训练数据的指纹，通过综合气象和时间数据，提供预测精度；
[0074]
本发明利用全连接层网络对低维的指纹信息进行升维，能够将指纹从低维的特征空间线性变换到高维特征空间。同时通过深度学习网络自动提取指纹的深度信息，从而能够获得更好的特征表示，提高离线学习效率；
[0075]
本发明将深度特征提取网络和负荷回归模型进行联合离线学习，能够提高离线阶段的学习效率，进而提高预测性能。
[0076]
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。
[0077]
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。
[0078]
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。
[0079]
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。
[0080]
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。