基于神经网络和动态镜像下降的居民负荷预测方法及装置与流程

1.本发明属于负荷预测技术领域，尤其涉及基于神经网络和动态镜像下降的居民负荷预测方法及装置。


背景技术：

2.随着高等量测设施在现代电力系统中的广泛部署，尤其是智能电表，越来越多的居民用电数据得以大规模获取。如此巨大的数据量使电网公司能够通过各种需求响应计划激励居民用户积极参与需求侧管理，例如分时电价。作为需求侧管理的重要组成部分，居民负荷预测对于电网公司来说是一项非常重要而具有挑战性的任务，因为居民负荷具有很强的不规则性和不确定性。因此，解决居民负荷预测问题在电网公司与居民用户之间的互动、高效与经济的电网运营以及家庭能耗优化方面起着至关重要的作用。
3.居民负荷预测一般分为两类：用户集群预测和单一用户预测。目前，居民用户集群负荷预测获得了比较理想的预测精度水平，主要原因是大量居民用户的各种用电行为能够平滑其总体负荷曲线，从而产生易于识别的用电模式；然而，与居民用户集群负荷预测相比，单一居民负荷预测的精度水平仍然较低，有待进一步提高。近年来，深度神经网络由于其在提取复杂模式方面的优越能力，已被广泛应用于单一居民用户负荷预测。尽管现有的深度神经网络模型大多比许多传统的机器学习模型具有更高的预测精度，但是它们基本上是在有限的居民负荷数据上进行离线训练，然后应用于在线预测。因此，这些经过良好训练的离线模型在进行在线预测时可能会遇到许多未包含在训练中的居民负荷突变情况。这主要是因为单一居民用户的负荷可能极不稳定且不确定，从而会对深度神经网络模型的预测性能产生显著的负面影响。


技术实现要素：

4.本发明解决其技术问题是采取以下技术方案实现的：基于神经网络和动态镜像下降的居民负荷预测方法，包括如下步骤：获取待预测时刻之前的若干时刻的居民负荷相关数据集，并对居民负荷相关数据进行正则化处理，将正则化处理后的居民负荷相关数据集进行分割，获得测试集和训练集；构建深度长短期记忆神经网络模型，并用训练集对其进行训练，获得训练后的深度长短期记忆神经网络模型；利用改进动态镜像下降方法，获取误差调节变量，从而修正预测误差；利用测试集及训练后的深度长短期记忆神经网络模型获得居民用户未来的t时刻用电量的中间预测值，结合误差调节变量的更新值，获得居民用户未来t时刻的用电量的最终预测值：
ꢀꢀꢀꢀꢀꢀꢀꢀ
。
5.进一步的，所述深度长短期记忆神经网络模型包括3层lstm层和1层全连接层，
lstm层和全连接层的神经元数量均设为64， lstm层和全连接层的激活函数分别为tanh函数和线性函数，网络参数优化器为adam，损失函数采用均方根误差，批量尺寸设为128。
6.进一步的，利用改进动态镜像下降方法，获取误差调节变量，从而修正预测误差的方法为：其中，在t=1时刻，k1初始化为0；为步长常量，和分别为居民用户在t-1时刻的用电量的实际量测值和最终预测值。
7.进一步的，所述居民负荷相关数据包括居民用户的用电量、用电星期类型、用电节假日类型、用电时刻信息。
8.进一步的，利用min-max标准化方法对居民用户的用电量数据进行正则化处理，利用one-hot编码方法对居民用户的用电星期类型、用电节假日类型、用电时刻信息进行正则化处理。
9.基于神经网络和动态镜像下降的居民负荷预测装置，包括：数据集模块获取模块，用于获取待预测时刻之前的若干时刻的居民负荷相关数据集，并对居民负荷相关数据进行正则化处理，将正则化处理后的居民负荷相关数据集进行分割，获得测试集和训练集；深度长短期记忆神经网络模型构建及训练模块，用于构建深度长短期记忆神经网络模型，并用训练集对其进行训练，获得训练后的深度长短期记忆神经网络模型；预测误差获取模块，用于利用改进动态镜像下降方法，获取误差调节变量，从而修正预测误差；居民用电量预测模块，用于利用测试集及训练后的深度长短期记忆神经网络模型获得居民用户未来的t时刻用电量的中间预测值，结合误差调节变量的更新值，获得居民用户未来t时刻的用电量的最终预测值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于神经网络和动态镜像下降的居民负荷预测方法。
11.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于神经网络和动态镜像下降的居民负荷预测方法。
12.本发明的优点和积极效果是：本发明针对单一居民负荷的易变性问题，提出基于深度长短期记忆神经网络（long short term memory，lstm）和动态镜像下降（dynamic mirror descent，dmd）的单一居民负荷自适应预测方法，首先，设计综合的特征表达策略以详细描述每个时刻的负荷特征，从而构成预测模型的输入；其次，对原始的动态镜像下降算法进行改进，使其能够用于调整单一居民负荷预测；最后，融合深度长短期记忆神经网络和动态镜像下降算法，实现单一居民负荷自适应预测；本方法能够显著提高短期单一居民负荷预测精度，对需求侧管理
具有较大的实践应用价值和推广前景。
附图说明
13.以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
14.图1为本发明实施例提供的方案相比于基准方法的提升百分比统计；图2为本发明实施例提供的方案与基准方法的预测负荷曲线。
具体实施方式
15.首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，或者被显示或隐含在各附图中的任意单个技术特征，仍然可在这些技术特征( 或其等同物) 之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。
16.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
17.本实施例提供的基于神经网络和动态镜像下降的居民负荷预测方法，包括如下步骤：获取待预测时刻之前的若干时刻的居民负荷相关数据集，并对居民负荷相关数据进行正则化处理，将正则化处理后的居民负荷相关数据集进行分割，获得测试集和训练集；构建深度长短期记忆神经网络模型，并用训练集对其进行训练，获得训练后的深度长短期记忆神经网络模型；利用改进动态镜像下降方法，获取误差调节变量，从而修正预测误差；利用测试集及训练后的深度长短期记忆神经网络模型获得居民用户未来的t时刻用电量的中间预测值，结合误差调节变量的更新值，获得居民用户未来t时刻的用电量的最终预测值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
。
18.具体的，所述深度长短期记忆神经网络模型包括3层lstm层和1层全连接层，lstm层和全连接层的神经元数量均设为64， lstm层和全连接层的激活函数分别为tanh函数和线性函数，网络参数优化器为adam，损失函数采用均方根误差，批量尺寸设为128。
19.此外，利用改进动态镜像下降方法，获取误差调节变量，从而修正预测误差的方法为：其中，在t=1时刻，k1初始化为0；为步长常量，和分别为居民用户在t-1时刻的用电量的实际量测值和最终预测值；
所述居民负荷相关数据包括居民用户的用电量、用电星期类型、用电节假日类型、用电时刻信息；其中，用电星期类型代表居民负荷相关数据是取自于星期一至星期日之中的哪天，用电节假日类型是指获取的居民负荷相关数据是否取自于节假日，用电时刻信息是指获取的居民负荷相关数据是自于节哪个时刻；可以考虑，利用min-max标准化方法对居民用户的用电量数据进行正则化处理，利用one-hot编码方法对居民用户的用电星期类型、用电节假日类型、用电时刻信息进行正则化处理。
20.作为举例，在本实施例中，以爱尔兰公开数据集（smart metering electricity customer behaviour trials）为例，选取其中750个具有完整采样数据的居民用户，进一步说明本发明技术方案。其中，数据集的采样频率为每半小时一次，并且，针对每一个居民用户，90%的样本用于训练，而剩余10%的样本用于测试。下面结合附图1、2对本发明技术方案作进一步详细描述：步骤1：构建输入样本数据，包含居民用户的用电量、星期类型、节假日、时刻信息4种信息，具体表示如下：1）对于过去t个时刻，居民用电负荷序列表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，为在时刻t的居民用电量；2）对于过去t个时刻，时刻索引序列表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，为时刻t的索引，f为居民用电的采样频率，一般取值为24、48或96；3）对于过去t个时刻，星期类型序列表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，为时刻t的星期类型；4）对于过去t个时刻，节假日标志序列表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，h
t
为时刻t的节假日标志，取值为1或2，并且1表示非节假日而2表示节假日。
21.因此，对于某一时刻t，输入样本s
t
由以上4个序列组成，表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，e
tt
、d
tt
、w
tt
、h
tt
分别为e
t
、d
t
、w
t
、h
t
的转置矩阵。
22.步骤2：为加速预测模型训练速度和改进模型泛化能力，利用min-max标准化方法和one-hot编码方法，对原始输入样本s
t
进行正则化处理，使其每个元素均在范围内；具体地，应用min-max标准化方法对e
t
进行正则化处理，而应用one-hot编码方法对d
t
、w
t
、h
t
进行正则化处理。因此，正则化的输入样本表示为：其中，为的矩阵并且，、、、分别为e
tt
、d
tt
、w
tt
、h
tt
的正则化矩阵；所以，正则化的输入样本的每一行均表示对应时刻的详细特征。
23.步骤3：根据步骤1和2形成训练样本集，构建并训练短期单一居民负荷预测的深度
长短期记忆神经网络模型。其中，神经网络模型包含3层lstm层和1层全连接层，lstm层和全连接层的神经元数量均设为64，选择tanh函数和线性函数分别作为lstm层和全连接层的激活函数，选择adam作为网络参数优化器，学习率设为0.001，选择均方根误差（root mean squared error,rmse）作为损失函数，批量尺寸设为128，输入时长设为24。
24.步骤4：利用获取的单一居民用户的在线用电信息中的测试集，根据公式（1）-（6）生成正则化的输入样本，输入训练完成的深度长短期记忆神经网络模型，得到居民用户未来时刻t的用电量的中间预测值；步骤5：通过公式（7）改进动态镜像下降方法，更新误差调节变量（其中，在t=1时刻，k1初始化为0），修正预测误差，具体表达如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）式中，为步长常量，一般可取值为1.0
×
10-5
、1.0
×
10-4
、1.0
×
10-3
、1.0
×
10-2
、1.0
×
10-1
或1.0
×
100，和分别为居民用户在t-1时刻的用电量的实际量测值和最终预测值；步骤6：根据公式（8），融合居民用户未来时刻的用电量的中间预测值和误差调节变量的更新值，计算居民用户未来时刻的用电量的最终预测值，具体表达如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）其中，为居民用户在t时刻的用电量的最终预测值。
25.表1为基准方法与本发明方案的居民负荷预测结果，图1为本发明方案相比于基准方法的提升百分比统计，图2为本发明方案与基准方法的预测负荷曲线，从图1、2中均可以看出，本发明的方案效果较其他方法要好；从表1中可以看出，本发明的方法相较于基准方法，平均绝对误差和均方根误差均有所提升。
26.表1 基准方法与本发明方案的居民负荷预测结果实施例2基于同样的发明构思，本技术实施例还提供了基于神经网络和动态镜像下降的居民负荷预测装置，包括：数据集模块获取模块，用于获取待预测时刻之前的若干时刻的居民负荷相关数据集，并对居民负荷相关数据进行正则化处理，将正则化处理后的居民负荷相关数据集进行分割，获得测试集和训练集；深度长短期记忆神经网络模型构建及训练模块，用于构建深度长短期记忆神经网络模型，并用训练集对其进行训练，获得训练后的深度长短期记忆神经网络模型；预测误差获取模块，用于利用改进动态镜像下降方法，获取误差调节变量，从而修正预测误差；
居民用电量预测模块，用于利用测试集及训练后的深度长短期记忆神经网络模型获得居民用户未来的t时刻用电量的中间预测值，结合误差调节变量的更新值，获得居民用户未来t时刻的用电量的最终预测值：
ꢀꢀ
。
27.基于同样的发明构思，本技术实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于神经网络和动态镜像下降的居民负荷预测方法；需要说明的是，电子设备可包括但不仅限于处理单元、存储单元；本领域技术人员可以理解，电子设备包括处理单元、存储单元并不构成对计算设备的限定，可以包括更多的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
28.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于神经网络和动态镜像下降的居民负荷预测方法；需要说明的是，可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合；可读介质上包含的程序可以用任何适当的介质传输，包括，但不限于无线、有线、光缆，rf等等，或者上述的任意合适的组合。例如，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java，c 等，还包括常规的过程式程序设计语言，诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行，或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
29.以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。