居民短期电力负荷自动化预测方法

1.本发明属于电力技术领域，具体为一种居民短期电力负荷自动化预测方法。


背景技术：

2.中国电力工业进入新的发展阶段，节能减排、绿色发展作为电力工业发展的重要任务。随着计算机技术的飞速发展，国家不断推动电力工业向智能化、数字化、国际化发展。2009年，我国正式启动智能电网计划，确立了总体发展目标，及加快建设以特高压电网为骨干架、各级电网协调发展的坚强电网基础，利用先进的通信、信息和控制技术，构建以信息化、数字化、自动化、互动化为特征的自主创新、国际领先的坚强智能电网。2021-2026年，智能电表与用电信息采集系统建设将带来总计超过2000亿元的市场需求。用户用电采集系统通过采集用户的用电数据，来进行大数据分析，达到用电检查，负荷预测和节约用电成本等目的，所以行业中需要一种居民短期电力负荷自动化预测方法，以解决行业中面临的问题。


技术实现要素：

3.针对上述情况，为克服现有技术的缺陷，本发明提供一种居民短期电力负荷自动化预测方法，有效的解决了背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：居民短期电力负荷自动化预测方法，包括以下步骤：s1：模型建立：建立居民短期电力负荷自动化预测模型；s2：区域划分：利用k-means算法对一个大地区的各个居民家地理位置进行空间上的划分，划分为几个特点相关的区域；s3：数据收集：收集统计一个大地区过去两年的每个区域内的总用电量和气温数据；s4：数据划分：将步骤s3收集统计的一个大地区过去两年的每个区域内的总用电量和气温数据通过具有流量控制作用的滑动窗口法进行数据处理划分；s5：模型训练：将步骤s4中划分的数据输入到步骤s1建立的居民短期电力负荷自动化预测模型中进行数据训练；s6：结果预测：通过训练完成的网络自动化预测出当地未来天或者周维度的电力负荷大小；s7：制定方案：通过步骤s5预测的结果制定未来一段时间的用电指导方案。
5.优选的，所述步骤s1居民短期电力负荷自动化预测模型包括数据处理模块与网络预测模块。
6.优选的，所述步骤s2中k-means算法包括以下步骤：s21：从n个数据对象任意选择k个对象作为初始聚类中心；s22：根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；
s23：重新计算每个（有变化）聚类的均值（中心对象）；s24：计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止，如果条件不满足则回到步骤s22继续计算，直至满足一定条件。
7.优选的，所述步骤s4数据划分包括以下步骤：s41：把收集到的数据按7:1:2划分为训练集，验证集和测试集，对划分完的数据使用滑动窗口法划进行一个数据扩充；s42：对处理完的电力负荷数据使用经验模态分解为几个子序列，并计算这几个子序列与原始序列之间的相关系数。
8.优选的，所述步骤s5模型训练包括以下步骤：s51：把原始数据，相关系数最大的子序列和温度数据输入到步骤s1居民短期电力负荷自动化预测模型中利用时间卷积神经网络进行训练，每训练完10轮就使用验证集测试一次，计算验证集的均方误差，当验证集的均方误差连续3次不在下降时，停止训练；s52：模型超参数调整：对模型的可调参数（学习率、隐藏层数和批次大小）进行调整，得到一组在测试集上均方误差最小的参数，作为模型的最终参数。
9.优选的，所述步骤还包括：当步骤s41中当滑动窗口改变输入和输出窗口，再次进行步骤s42、s51与s52重新进行模型训练。
10.优选的，所述时间卷积神经网络采用一维卷积模块。
11.与现有技术相比，本发明的有益效果是：本发明方法通过预测居民短期电力负荷，可以为电力部门制定合理的电价；为保证电厂正常工作提供一个指导方案，例如，在负荷需求大时应提前打开备用容量，在负荷需求低时可以关闭一些发电设备进行检修；在不同地区内指导供电单位的供电线路规划；自动化预测，减少人员工作量。
附图说明
12.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
13.在附图中：图1是根据本发明实施例的居民短期电力负荷自动化预测方法的流程图；图2是根据本发明实施例的居民短期电力负荷自动化预测方法中k-means算法示意图；图3是根据本发明实施例的居民短期电力负荷自动化预测方法中滑动窗口法示意图；图4是根据本发明实施例的居民短期电力负荷自动化预测方法中时间卷积神经网络构架示意图；图5是根据本发明实施例的时间卷积神经网络中的残差网络示意图；图6是根据本发明实施例的居民短期电力负荷自动化预测方法中时间卷积神经网络示意图。
具体实施方式
14.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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.根据本发明的实施例，提供了居民短期电力负荷自动化预测方法，包括以下步骤：s1：模型建立：建立居民短期电力负荷自动化预测模型；s2：区域划分：利用k-means算法对一个大地区的各个居民家地理位置进行空间上的划分，划分为几个特点相关的区域；s3：数据收集：收集统计一个大地区过去两年的每个区域内的总用电量和气温数据；s4：数据划分：将步骤s3收集统计的一个大地区过去两年的每个区域内的总用电量和气温数据通过具有流量控制作用的滑动窗口法进行数据处理划分；s5：模型训练：将步骤s4中划分的数据输入到步骤s1建立的居民短期电力负荷自动化预测模型中进行数据训练；s6：结果预测：通过训练完成的网络自动化预测出当地未来天或者周维度的电力负荷大小；s7：制定方案：通过步骤s5预测的结果制定未来一段时间的用电指导方案。
16.在一个优选地实施方式中，步骤s1居民短期电力负荷自动化预测模型包括数据处理与网络预测。
17.在一个优选地实施方式中，步骤s2中k-means算法包括以下步骤：s21：从n个数据对象任意选择k个对象作为初始聚类中心；s22：根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；s23：重新计算每个（有变化）聚类的均值（中心对象）；s24：计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止，如果条件不满足则回到步骤s22继续计算，直至满足一定条件。
18.在一个优选地实施方式中，步骤s4数据划分包括以下步骤：s41：把收集到的数据按7:1:2划分为训练集，验证集和测试集，对划分完的数据使用滑动窗口法划进行一个数据扩充；s42：对处理完的电力负荷数据使用经验模态分解为几个子序列，并计算这几个子序列与原始序列之间的相关系数。
19.在一个优选地实施方式中，步骤s5模型训练包括以下步骤：s51：把原始数据，相关系数最大的子序列和温度数据输入到步骤s1居民短期电力负荷自动化预测模型中利用时间卷积神经网络进行训练，每训练完10轮就使用验证集测试一次，计算验证集的均方误差，当验证集的均方误差连续3次不在下降时，停止训练；s52：模型超参数调整：对模型的可调参数（学习率、隐藏层数和批次大小）进行调整，得到一组在测试集上均方误差最小的参数，作为模型的最终参数。
20.在一个优选地实施方式中，步骤还包括：当步骤s41中当滑动窗口改变输入和输出窗口，再次进行步骤s42、s51与s52重新进行模型训练。
21.在一个优选地实施方式中，时间卷积神经网络采用一维卷积模块。
22.为了方便理解本发明的上述技术方案，以下结合附图对本发明的上述方案的流程进行详细说明，具体如下：根据本发明的实施例，提供了居民短期电力负荷自动化预测方法。
23.如图1-6所示，在实际预测过程中，居民短期电力负荷自动化预测方法，包括以下步骤：s101：模型建立：建立居民短期电力负荷自动化预测模型；s103：区域划分：利用k-means算法对一个大地区的各个居民家地理位置进行空间上的划分，划分为几个特点相关的区域；s105：数据收集：收集统计一个大地区过去两年的每个区域内的总用电量和气温数据；s107：数据划分：将步骤s105收集统计的一个大地区过去两年的每个区域内的总用电量和气温数据通过具有流量控制作用的滑动窗口法进行数据处理划分；s109：模型训练：将步骤s107中划分的数据输入到步骤s101建立的居民短期电力负荷自动化预测模型中进行数据训练；s111：结果预测：通过训练完成的网络自动化预测出当地未来天或者周维度的电力负荷大小；s113：制定方案：通过步骤s109预测的结果制定未来一段时间的用电指导方案。
24.具体的，步骤s101居民短期电力负荷自动化预测模型包括数据处理与网络预测，数据处理分为两个部分：使用k-means算法进行地区区域划分、使用滑动窗口法进行电力负荷数据扩充；网络预测通过模型训练，首先搭建一个时间卷积神经网络，然后使用单一变量控制法进行模型的调参实验。
25.具体的，如图2所示，k-means算法中，图2右侧相当于一个大的地区， 上面的每小十字代表每一个电力用电，每个用户由于地理位置不同会对电力 消费有差异，例如，工业区和居民区，所以需要将其分开单独分析，这样更 符合实际情况，k-means算法就可以根据地理位置，帮助进行自动划分；滑动 窗口法如图3所示，以上21天的电力负荷数据，如果选择7天预测1天，不 使用滑动窗口法时，8天为一个单位，16小于21，所以最多只能划分出2个 序列来，而本方法使用滑动窗口法时，如图3所示，可以划分出14个序列， 大大的提高了数据的利用效率；时间卷积神经网络如图4以及图5所示，时 间卷积网络采用的是一维卷积模块，输入的数据维度为8，过滤器的维度为5， 卷积后输出的数据维度为8-5 1＝48-5 1＝4，如果过滤器数量仍为1，输入数 据的channel数量变为16，即输入数据维度为8
×
168
×
16，channel的概念 相当于自然语言处理中的embedding，而该输入数据代表8个单词，其中每个 单词的词向量维度大小为16，在这种情况下，过滤器的维度由55变为5
×
165
ꢀ×
16，最终输出的数据维度仍为44，如果过滤器数量为nn，那么输出的数据 维度就变为4
×
n。
26.具体的，利用k-means算法对一个大地区的各个居民家地理位置进行空间上的划分，划分为几个特点相关的区域，根据预测需求，统计过去两年的每个区域内的总用电量和气温数据（以小时为单位，以天为单位和以周为单位），把收集到的数据按7:1:2划分为训练集，验证集和测试集，对划分完的数据使用滑动窗口法划进行一个数据扩充，输入和预测输出窗口大小可自由设定，对处理完的电力负荷数据使用经验模态分解为几个子序列，并计算这几个子序列与原始序列之间的相关系数，把原始数据，相关系数最大的子序列和温度
数据输入到时间卷积神经网络中进行训练，每训练完10轮就使用验证集测试一次，计算验证集的均方误差，当验证集的均方误差连续3次不在下降时，停止训练，对模型的可调参数（学习率、隐藏层数和批次大小）进行调整，得到一组在测试集上均方误差最小的参数，作为模型的最终参数，例如，假设a，b两个参数需要进行调整，首先，根据经验为a，b两个参数选取5个预选值，然后固定b为其中一个预选值，对a的5个预选值依次进行步骤5，得到在验证集上均方误差最小的一个预选值，接着，a被固定为这个预选值，对b的5个预选值重复步骤s109，得到b的一个最好的预选值，最后，固定b的预选值，重新对a再次进行步骤s109，如果a参数的结果与之前相同，那调参结束，如果不同，重复操作，当滑动窗口改变输入和输出窗口，再次进行模型重新训练。
27.综上所述，借助于本发明的上述技术方案，本发明方法通过预测居民短期电力负荷，可以为电力部门制定合理的电价；为保证电厂正常工作提供一个指导方案，例如，在负荷需求大时应提前打开备用容量，在负荷需求低时可以关闭一些发电设备进行检修；在不同地区内指导供电单位的供电线路规划；自动化预测，减少人员工作量。
28.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
29.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。