一种面向智慧物联平台的人工智能负荷预测方法与系统与流程

1.本发明属于人工智能负荷预测技术领域，特别涉及一种面向智慧物联平台的人工智能负荷预测方法与系统。


背景技术：

2.当前电网公司要实现生产、经营和管理的数字化转型，需要支撑各个专业条线的数字化，其中物物互联、物物互控、数据共享、全业务上线四个方面是公司数字化转型的基本需求，智慧物联网平台由此孕生。智慧物联平台具备通信灵活多样、接口灵活柔性、寻址智能高效、实时采集融合共享、数据存储海量吞吐、实时采集融合共享和接口灵活柔性特点。
3.由于目前在用电高峰期经常会出现供电不足的问题，并且用电数据采集繁琐、处理起来耗费大量人力物力，导致传统的电力负荷预测算法难以适应新形势下的用电负荷。电力负荷预测作为电力系统规划的重要组成部分，是电网经济运行的基础。按不同的预测对象划分，电力负荷预测主要包括未来电力需求量的预测、未来用电量的预测和负荷曲线的预测。通过预测未来电力负荷的时间分布和空间分布，为电力规划运行提供有效的决策依据。
4.已有的电网负荷预测方法主要有基于数学统计的方法，如多元线性回归、卡尔曼滤波和指数平滑法等，这些方法虽然计算简单，计算效率高，但是对于复杂非线性系统的处理能力差、并且不适用于随机性、波动性较强的短期负荷预测。另一种方法是基于机器学习的电网负荷预测方法，其中的基于tca-cnn-lstm的短期负荷预测方法通过结合ca-cnn模块和ta-lstm模块构建模型，实现了对特征表达的强化和对负荷时序数据的精细刻画。
5.为了解决上述问题，需要设计一种面向智慧物联平台的人工智能负荷预测方法与系统。


技术实现要素：

6.针对上述问题，本发明提供一种面向智慧物联平台的人工智能负荷预测方法，所述方法包括：对采集到的数据进行处理得到序列数据；构建模型并对序列数据进行模型训练；对训练后的数据进行特征筛选；根据特征筛选后的数据进行电力负荷预测。
7.优选地，所述采集到的数据包括当前时间、负荷、电价、温度和湿度；其中，所述温度包括露点温度、干球温度和湿球温度。
8.优选地，所述对采集到的数据进行处理包括以下步骤：将采集到的数据按时间点的先后顺序进行排序，形成数据队列；在所述数据队列中提取长度为m的多个数据作为特征数据；
将所述特征数据输入bilstm模块，得到下一时刻的负荷预测值；特征数据前移，形成相同长度的新的特征数据，再次预测下一时刻的负荷预测值，直至遍历所有数据；将所有负荷预测值进行整理，形成连续子时间内的序列数据。
9.优选地，所述特征数据前移具体为：以当前的特征数据中第二个时间点的数据为起点，取长度为m的多个数据，形成新的特征数据。
10.优选地，所述对序列数据进行模型训练包括以下步骤：将序列数据输入模型，经过两层一维卷积层进行特征提取；特征提取后的序列数据经过池化层和flatten层进行降维与过滤；序列数据输入bilstm层，通过bilstm层对序列数据进行关联处理；序列数据进入到dense层进行特征增强；输出模型训练结果。
11.优选地，所述特征提取的步骤包括：在一维卷积层中对序列数据进行高维映射。
12.优选地，所述通过bilstm层对序列数据进行关联处理包括以下步骤：对序列数据中过去数据的隐藏层和未来数据的隐藏层状态进行递归反馈；对序列数据中的当前数据、过去数据和未来数据进行内在关联。
13.优选地，所述隐藏层状态由bilstm层中正向传播的前一时刻隐藏层输出、反向传播的前一时刻的隐藏状态和当前时刻的输入组合而成，隐藏层状态的表达公式为：；其中，表示前向隐藏层状态，表示后向隐藏层状态，表示前向传播单元的隐藏层的权重，表示后向传播单元的隐藏层的权重，表示当前时刻隐藏层的偏置，表示当前时刻的输入，表示反向传播的前一时刻的隐藏层状态，表示正向传播的前一时刻隐藏层输出，为经过前后双向计算所得的整体隐藏状态。
14.优选地，所述通过bilstm层对序列数据进行关联处理还包括：应用注意力机制，通过权重配置突出序列数据中的关键信息；对序列数据中对超过预定时间依赖的数据特征进行挖掘。
15.优选地，构建模型后还包括对模型的性能进行有效性评估。
16.优选地，所述有效性评估的公式为：，；其中，表示均方根误差，表示平均绝对百分比误差，表示第i个样本的真实值，表示第i个样本的预测值，表示样本点的数量。
17.优选地，所述特征筛选包括：根据l1正则化公式将序列数据中无关的特征数据剔除；
所述l1正则化公式为；其中，，分别为训练样本和其对应的标签，为权重参数，为目标函数，为惩罚项，为惩罚项系数，为将无关特征剔除后的目标函数。
18.本发明还提供一种面向智慧物联平台的人工智能负荷预测系统，所述系统包括数据采集单元、模型构建单元、特征筛选单元和预测单元；所述数据采集单元用于对采集到的数据进行处理得到序列数据；所述模型构建单元用于构建模型并对序列数据进行模型训练；所述特征筛选单元用于对训练后的数据进行特征筛选；所述预测单元用于根据特征筛选后的数据进行电力负荷预测。
19.优选地，所述数据采集单元用于对采集到的数据进行处理得到序列数据包括：数据采集单元用于将采集到的数据按时间点的先后顺序进行排序，形成数据队列；在所述数据队列中提取长度为m的多个数据作为特征数据；将所述特征数据输入bilstm模块，得到下一时刻的负荷预测值；特征数据前移，形成相同长度的新的特征数据，再次预测下一时刻的负荷预测值，直至遍历所有数据；将所有负荷预测值进行整理，形成连续子时间内的序列数据。
20.优选地，所述模型构建单元用于构建模型并对序列数据进行模型训练包括：模型构建单元用于将序列数据输入模型，经过两层一维卷积层进行特征提取；特征提取后的序列数据经过池化层和flatten层进行降维与过滤；序列数据输入bilstm层，通过bilstm层对序列数据进行关联处理；序列数据进入到dense层进行特征增强；输出模型训练结果。
21.优选地，所述模型构建单元用于对序列数据进行特征提取包括：模型构建单元用于在一维卷积层中对序列数据进行高维映射。
22.优选地，所述模型构建单元用于通过bilstm层对序列数据进行关联处理包括：模型构建单元用于对序列数据中过去数据的隐藏层和未来数据的隐藏层状态进行递归反馈；对序列数据中的当前数据、过去数据和未来数据进行内在关联。
23.优选地，所述特征筛选单元用于对训练后的数据进行特征筛选包括：特征筛选单元用于根据l1正则化公式将序列数据中无关的特征数据剔除。
24.优选地，所述l1正则化公式为；其中，，分别为训练样本和其对应的标签，为权重参数，为目标函数，为惩罚项，为惩罚项系数，为将无关特征剔除后的目标函数。
25.本发明具有以下有益效果：（1）本发明首先通过对负荷数据的采集，使用cnn进行特征提取、筛选及数据增强，并通过bilstm对当前数据和过去及未来的负荷数据的内在关联，实现对未来电力负荷的准确预测，而且，本发明对复杂的非线性系统的处理能力更强，适用于随机性、波动性更强的短期负荷预测；
（2）本发明将cnn-bilstm应用于智能电网负荷预测中，解决了原有 cnn-lstm 模型在时序捕获方面表现不佳，并导致的模型预测效果不稳定的问题，提高了负荷预测效率，保证了电网的高效运转。
26.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
27.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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
28.图1示出本发明实施例中一种面向智慧物联平台的人工智能负荷预测方法的流程图；图2示出本发明实施例中数据采集示意图；图3示出本发明实施例中模型构建流程图；图4示出本发明实施例中bilstm层网络结构图；图5示出本发明实施例中训练和测试结果拟合效果图；图6示出本发明实施例中一种面向智慧物联平台的人工智能负荷预测系统图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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。
30.如图1所示，本发明提出一种面向智慧物联平台的人工智能负荷预测方法，所述方法包括：对采集到的数据进行处理得到序列数据；构建模型并对序列数据进行模型训练，本实施例中构建模型采用cnn-bilstm结构；对训练后的数据进行特征筛选；根据特征筛选后的数据进行电力负荷预测。
31.所述采集到的数据包括当前时间、负荷、电价、温度和湿度；其中，所述温度包括露点温度、干球温度和湿球温度。
32.所述对采集到的数据进行处理包括以下步骤：将采集到的数据按时间点的先后顺序进行排序，形成数据队列；在所述数据队列中提取长度为m的多个数据作为特征数据；将所述特征数据输入bilstm模块，得到下一时刻的负荷预测值；特征数据前移，形成相同长度的新的特征数据，再次预测下一时刻的负荷预测值，直至遍历所有数据；所述特征数据前移具体为：以当前的特征数据中第二个时间点的数据为起点，取长度为m的多个数据，形成新的特征数据；将所有负荷预测值进行整理，形成连续子时间内的序列数据。如图2所示，t时刻内，虚线框内的小框表示一个时间节点的输入数据，虚线框右侧的小框表示输出数据，将虚线框内的小框所表示的时间节点的数据作为输入预测小框中的数据，在t 1时刻内，整体
往前移动一个时间节点，以此不断前进，直到预测完全体的数据。
33.如图3所示，所述对序列数据进行模型训练包括以下步骤：将序列数据输入模型，经过两层一维卷积层进行特征提取；所述特征提取的步骤包括：在一维卷积层中对序列数据进行高维映射；本实施例中，以为卷积层的卷积核数目均为64，步长为2；特征提取后的序列数据经过池化层和flatten层进行降维与过滤；池化层能够对原始数据进行分析并降维，能够有效缓解模型的过拟合问题，有效提升数据特征的提取效率；序列数据输入bilstm层，通过bilstm层对序列数据进行关联处理，本实施例中，bilstm层中含有20个神经元；如图4所示，所述通过对序列数据进行关联处理包括以下步骤：对序列数据中过去数据的隐藏层和未来数据的隐藏层状态进行递归反馈；对序列数据中的当前数据、过去数据和未来数据进行内在关联；所述隐藏层状态由bilstm层中正向传播的前一时刻隐藏层输出、反向传播的前一时刻的隐藏状态和当前时刻的输入组合而成，隐藏层状态的表达公式为：；其中，表示前向隐藏层状态，表示后向隐藏层状态，表示前向传播单元的隐藏层的权重，表示后向传播单元的隐藏层的权重，表示当前时刻隐藏层的偏置，表示当前时刻的输入，表示反向传播的前一时刻的隐藏层状态，表示正向传播的前一时刻隐藏层输出，为经过前后双向计算所得的整体隐藏状态。具体的，上一时刻的输入经过上一时刻前向隐藏状态或者或者下一时刻的后向隐藏状态输出为，当前时刻的输入经过当前时刻的前向隐藏状态或者当前时刻的后向隐藏状态输出为，下一时刻的输入经过下一时刻的前向隐藏状态或者上一时刻的后向隐藏状态输出为。所述通过bilstm层对序列数据进行关联处理还包括：应用注意力机制，通过权重配置突出序列数据中的关键信息；对序列数据中对超过预定时间依赖的数据特征进行挖掘；本实施例中，预定时间可根据实际情况进行调节；序列数据进入到dense层进行特征增强；输出模型训练结果。
34.构建模型后还包括对模型的性能进行有效性评估；所述有效性评估的公式为：，；其中，表示均方根误差，用于衡量观测值与真实值之间的偏差，取值范围为[0, ∞)，表示平均绝对百分比误差，＝0%表示完美模型，＞100 %表示劣质模型，的值越小，说明预测模型拥有更好的精确度，表示第i个样本的真实值，表示第i个样本的预测值，表示样本点的数量。
[0035]
所述特征筛选包括：根据l1正则化公式将序列数据中无关的特征数据剔除；所述l1正则化公式为；
其中，，分别为训练样本和其对应的标签，为权重参数，为目标函数，为惩罚项，为惩罚项系数，为将无关特征剔除后的目标函数。
[0036]
如图5所示，本实施例通过选取来自澳大利亚2006-2010年的电力数据作为实验数据，其中数据特征包括日期、时间、温度、电价及电力负荷，其中温度包括干球、露点和湿度。采集频率为半小时。实验参数设置为：时间步长为18，双向lstm记忆层节点数为128，通过实验发现当单次传递给程序用以训练的参数个数batchsize为108时损失函数较为稳定。通过自适应矩估计adam进行算法优化，并应用注意力机制，其中对数据的训练和测试结果拟合。从图上可知，在进行9次以上的迭代后，训练集与测试集的均方根误差衡量观测值与真实值之间的偏差逐渐一致。
[0037]
如图6所示，本发明还提出一种面向智慧物联平台的人工智能负荷预测系统，所述系统包括数据采集单元、模型构建单元、特征筛选单元和预测单元；所述数据采集单元用于进行数据采集并对采集到的数据进行处理得到序列数据；其中，所述数据采集单元用于对采集到的数据进行处理得到序列数据包括：数据采集单元用于将采集到的数据按时间点的先后顺序进行排序，形成数据队列；在所述数据队列中提取长度为m的多个数据作为特征数据；将所述特征数据输入bilstm模块，得到下一时刻的负荷预测值；特征数据前移，形成相同长度的新的特征数据，再次预测下一时刻的负荷预测值，直至遍历所有数据；将所有负荷预测值进行整理，形成连续子时间内的序列数据；所述模型构建单元用于构建模型并对序列数据进行模型训练；其中，所述模型构建单元用于构建模型并对序列数据进行模型训练包括：模型构建单元用于将序列数据输入模型，经过两层一维卷积层进行特征提取；特征提取后的序列数据经过池化层和flatten层进行降维与过滤；序列数据输入bilstm层，通过bilstm层对序列数据进行关联处理，所述模型构建单元用于通过bilstm层对序列数据进行关联处理包括：模型构建单元用于对序列数据中过去数据的隐藏层和未来数据的隐藏层状态进行递归反馈；对序列数据中的当前数据、过去数据和未来数据进行内在关联；序列数据进入到dense层进行特征增强；输出模型训练结果；所述模型构建单元用于对序列数据进行特征提取包括：模型构建单元用于在一维卷积层中对序列数据进行高维映射；所述特征筛选单元用于对训练后的数据进行特征筛选；其中，所述特征筛选单元用于对训练后的数据进行特征筛选包括：特征筛选单元用于根据l1正则化公式将序列数据中无关的特征数据剔除；所述l1正则化公式为；其中，，分别为训练样本和其对应的标签，为权重参数，为目标函数，为惩罚项，为惩罚项系数，为将无关特征剔除后的目标函数。
[0038]
所述预测单元用于根据特征筛选后的数据进行电力负荷预测。
[0039]
本领域的普通技术人员应当理解：尽管参考前述实施例对本发明进行的详细说明，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。