基于自适应优化构造区间的电力负荷区间预测方法与流程

1.本发明属于电力负荷区间预测领域，涉及一种基于自适应优化构造区间的电力负荷区间预测方法。


背景技术：

2.准确的电力负荷预测在现代电力系统经济和安全运行中至关重要。近年来，在能源互联网的大背景下，负荷影响因素更加多元化，负荷特性也呈现出新的特点和趋势。同时，电力系统高效经济运行对负荷预测精度的要求逐步提高，传统的点预测方法越来越难以满足实际需求。负荷区间预测能够量化预测结果的不确定，可以给电力工作人员带来更多的参考信息，有利于制定各种科学合理的策略，因而越来越受到重视。
3.深度学习已成为近年来的研究热点，更复杂结构的神经网络具有更强的非线性映射能力，并且可以从数据中提取比传统机器学习模型更多的内在特征。代表性的深度学习模型包括卷积神经网络、堆叠式自动编码器和长短期记忆神经网络(long and short-term memory，lstm)。近年来，门控循环单元(gate recurrent unit，gru)被开发出，作为具有简化门控机制的lstm的扩展，具有与lstm类似的性能以及较低的计算负担。但这些模型很少应用于区间预测问题。基于以往的研究，已有研究人员提出了一种具有高学习能力的gru预测模型，可以直接生成预测区间，并采用高效的梯度下降算法进行模型训练，如均方根传递(root mean square prop，rmsprop)和自适应动量(adaptive momentum，adam)算法。基于梯度的性质，这些算法需要可微的代价函数进行监督学习，故其不能对cwc这类不可微的评估指标进行优化。为了解决这个问题，有学者提出了一种基于构造区间的自适应优化方法，为模型的监督学习建立高质量的训练标签。但该方法在应用时并未考虑预测区间宽度的优化，且每次训练得到的预测区间具有较大不确定性。


技术实现要素：

4.本发明为了克服现有技术的上述缺点，提供一种改进的基于自适应优化构造区间的电力负荷区间预测方法。
5.本发明的目的是通过以下技术方案实现的：一种基于自适应优化构造区间的电力负荷区间预测方法，该方法包括以下步骤：
6.(1)对电力负荷数据样本进行预处理，将电力负荷时间序列划分出特征和标签，构建训练集；
7.(2)构建gru(gate recurrent unit)区间预测模型，所述gru区间预测模型包括依次连接的gru循环输入层、全连接层和输出层，所述输出层包括两个神经元，分别输出预测区间的上界和下界；
8.(3)构造区间作为训练标签，定义如下：
9.10.其中和y分别为构造区间的上界和下界；du和d
l
分别为构造区间的上下界宽度，作为自适应优化的变量；y为步骤(1)划分出的标签；
11.(4)通过步骤(1)构建的训练集和步骤(3)构造的训练标签训练gru区间预测模型，基于每次训练得到的预测区间的picp(prediction interval coverage probability)和pinaw(prediction interval normalized average width)的一阶和二阶差分，优化构造区间宽度；
12.(5)基于训练好的gru区间预测模型，预测未来时间段的电力负荷区间。
13.进一步地，所述步骤(1)中，对电力负荷数据样本进行预处理，包括剔除异常数据、填充空值、对数据进行归一化，并通过划窗将电力负荷时间序列划分出特征和标签，将数据集划分为训练集、验证集和测试集。
14.进一步地，所述步骤(4)包括以下子步骤：
15.(4.1)将训练集样本特征代入到步骤(2)构建的gru区间预测模型中，采用adam深度学习优化算法以及步骤(3)构建的训练标签对模型进行训练；
16.(4.2)获取一个训练周期后预测区间的上下界，计算平均拟合误差；
17.(4.3)计算当前训练样本中预测区间的picp、pinaw，更新构建的上下界宽度du，d
l
；
18.(4.4)若达到最大的训练周期则退出训练并保存模型，否则重复步骤(3)-(4)。
19.进一步地，所述步骤(4.2)中，平均拟合误差的计算公式如下：
[0020][0021]
其中e
l
，eu分别为下界和上界的平均拟合误差，li，ui分别为模型的第i个输出下界和上界，n为训练集样本数，yi，分别为第i个样本的构造区间的下界和上界。
[0022]
进一步地，所述步骤(4.3)中，更新构建的上下界宽度du，d
l
的具体过程如下：
[0023]
(4.3.1)如果当前picp《pinc，按下式更新du，d
l
：
[0024][0025]
其中参数k1用于控制区间宽度的更新速度，参数α的更新策略如下：
[0026][0027]
其中picp(t)为当前时刻t的picp值，k
i1
，k
p1
，k
d1
分别为积分、比例、微分项控制的系数；
[0028]
(4.3.2)如果当前picp≥pinc，则按下式更新du，d
l
：
[0029][0030]
其中参数k3用于控制区间宽度的更新速度，参数α更新策略同步骤(4.3.1)，参数β的更新策略如下：
[0031][0032]
其中pinaw(t)为当前时刻t的pinaw值，k
i2
，k
p2
，k
d2
分别为积分、比例、微分项控制的系数。
[0033]
进一步地，所述步骤(5)中，针对验证集的cwc(coverage width criterion)指标结果，选出cwc指标最小的模型用于预测未来时间段的电力负荷区间。
[0034]
本发明的有益技术效果为：本发明结合当前主流的gru深度学习算法，对基于构造区间的自适应优化方法加以改进，在优化过程中引入区间平均宽度，采用基于pid思想的闭环自适应调节策略提高了预测效果，同时应用验证集的训练指标选出最好的训练模型，提高了预测的稳定性。
附图说明
[0035]
图1本发明实施例提供的gru区间预测模型结构图；
[0036]
图2本发明实施例提供的预测方法流程图；
[0037]
图3本发明实施例提供的模型训练过程图；
[0038]
图4本发明实施例提供的区间预测结果图。
具体实施方式
[0039]
为了更好的理解本技术的技术方案，下面结合附图对本技术实施例进行详细描述。
[0040]
应当明确，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0041]
在本技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0042]
如图1为gru区间预测模型结构图，在该模型中，gru循环输入层用于时间序列的特征提取，再通过全连接层对特征进一步处理，输出预测区间上下界。具体解释如下：第一层为gru循环输入层，基于输入序列x＝{x1,
…
,xn}完成特征向量h
t
的提取，时间序列长度为n，其中每个xi为第i时刻的负荷值，最后一个gru单元的输出为提取的特征向量，输入至其后
的全连接层。全连接层包括若干隐藏层，并连接输出层，输出层包括两个神经元，分别输出预测区间的上界和下界。
[0043]
基于构造区间的自适应优化方法具体描述如下：针对给定的区间预测置信度pinc(prediction interval nominal confidence)，通过人工构造上下界的方法直接获得训练标签。对于训练集中一系列训练标签y＝[y1,y2,
…
,yn]，其中n是训练集样本数，构造区间定义如下：
[0044][0045]
其中和y分别为构造区间的上界和下界；du和d
l
分别为构造区间的上下界宽度，作为自适应优化的变量，由此可构建基于均方误差的代价函数：
[0046][0047]
其中li，ui分别为模型的第i个输出下界和上界，因为每个训练样本的f
cost
可导，因此adam算法可以使用该函数来计算神经网络中每个权重和偏差的梯度。
[0048]
针对梯度下降算法不能像柔性启发式算法那样优化宽度的问题，提出了一种自适应宽度优化方法。在每个训练周期之后，模型输出的预测区间将逐渐接近构建的训练区间，并且两者之间会产生拟合误差。平均拟合误差定义如下：
[0049][0050]
其中e
l
，eu分别为下界和上界的平均拟合误差，因为拟合误差是逐渐优化并最终趋于稳定的，我们期望构建的区间能够跟随输出的预测区间。根据上述假设，在每个训练周期后，若e
l
上升，需要增加构造的区间宽度d
l
；若eu上升，则需要减少构造的区间宽度du。同时引入参数α用于在每个训练周期后对picp进行优化，在picp＜pinc时，增大参数α从而增加区间宽度du，d
l
。具体调整过程如下：
[0051][0052]
其中参数k1用于控制区间宽度的更新速度，参数α的更新策略如式(5)所示。
[0053][0054]
其中picp(t)为当前时刻t的picp值，k
i1
，k
p1
，k
d1
分别为积分、比例、微分项控制的系数。积分项用于确保picp随着训练过程的迭代，最终收敛于pinc附近；比例项根据v(t)的变化趋势来调节α，若v(t)＜v(t-1)且picp(t)＜pinc，表明v(t)有变差的趋势，即picp呈现下降趋势，通过减小δα使得α进一步增加，从而增大区间宽度，阻碍picp的下降；微分项通
过进一步考虑v(t)-v(t-1)的变化趋势来调节α，提高训练过程收敛的速度，并减少震荡。
[0055]
为了在训练过程中考虑picp的同时兼顾pinaw，增加参数β用于在每个训练周期后对pinaw进行优化，调整原理与优化picp类似。其具体调整过程如下：
[0056][0057]
其中α和β根据式(5)和(7)进行调整：
[0058][0059]
其中参数k3用于控制区间宽度的更新速度。由于训练过程中picp与pinaw的优化存在一定的矛盾，故在训练样本的picp未达到给定的置信度时，暂不考虑优化pinaw，按照式(4)更新构造的区间宽度。在训练样本的picp达到给定的置信度时，我们期望pinaw越小越好，故预设pinaw的训练指标为0，并按照式(6)更新构造的区间宽度。
[0060]
如图2所示，本发明方法具体实施步骤如下：
[0061]
步骤1：对电力负荷数据样本进行预处理，主要包括剔除异常数据、填充空值、对数据进行归一化，并通过划窗将电力负荷时间序列划分出特征和标签，将数据集按8:1:1的比例划分为训练集、验证集和测试集。
[0062]
步骤2：初始化gru区间预测模型参数，包括：
[0063]
步骤2.1：初始化gru模型参数，预设pid参数k
i1
，k
p1
，k
d1
，k
i2
，k
p2
，k
d2
；
[0064]
步骤2.2：初始设定构造区间宽度du，d
l
以及优化参数α，β为0，令其在训练过程中进行自适应优化。
[0065]
步骤3：训练gru区间预测模型，包括：
[0066]
步骤3.1：根据式(1)，采用当前的构造du，d
l
以及标签y构建训练区间，将训练集样本代入到gru模型中；
[0067]
步骤3.2：采用adam深度学习优化算法以及式(2)的代价函数计算梯度，并以小批量的形式更新权重和偏差；
[0068]
步骤3.3：根据式(3)计算平均拟合误差，计算当前训练样本中预测区间的picp、pinaw，根据式(5)和式(7)对α，β进行更新，若picp《pinc按照式(4)更新du，d
l
，否则按照式(6)更新du，d
l
；
[0069]
步骤3.4：计算验证集中预测区间的cwc；
[0070]
步骤3.5：若达到最大的训练周期则退出训练并保存模型，否则重复步骤3.1-3.4。
[0071]
步骤4：取出cwc指标最小的模型用于预测。
[0072]
如上所述，本发明以澳大利亚新南威尔士aemo(2006年-2010年)的历史电力负荷数据为例进行验证，设定置信水平为93％，训练过程中picp及pinaw的变化如图3所示，可以看出，picp能够快速的达到设定的置信水平，且达到设定的置信水平后变化趋势平稳，
pinaw在picp稳定后也呈现出下降的趋势，验证了方法的有效性。训练后的区间预测模型对测试集的区间预测结果如图4所示，由图可以看到预测区间在保持区间覆盖水平较高的同时，具有较窄的区间宽度。考虑到深度学习算法在多次训练结果上会呈现不一致的情况，采用该算法训练10次，取pinc为0.93，记录其区间预测结果指标如下表所示。
[0073]
次数picppinawcwc10.93540.15690.156920.93700.19200.192030.94270.18380.183840.92870.17370.173750.93940.16950.169560.91210.15150.151570.92900.15880.158880.92930.17240.172490.92090.15650.1565100.92770.15510.1551最大值0.94260.19200.1920最小值0.91210.15150.1515平均值0.93020.16700.1670
[0074]
可以看出算法训练后得到的10个模型预测结果接近，表明其具有较强的一致性。
[0075]
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。