一种基于GRU-TCN模型的电网负荷预测方法与流程

一种基于gru-tcn模型的电网负荷预测方法
技术领域
1.本发明涉及电网数字化建设领域，尤其涉及一种基于gru-tcn模型的电网负荷预测方法。


背景技术：

2.目前，电网(pg)公司已将数字化改造作为pg建设的重要部署，利用数字技术促进pg负荷的协调和互动，为pg赋能，从而提高供电服务水平，提升供电客户的满意度。数字化电网可以有效整合多种资源，促进数据共享，整合电力调度，从而提高pg各项业务的服务水平，实现电力负荷的自动计量。为了监测和感知pg的运行指标，提出了数字电网模型并应用于负荷预测。
3.目前，世界上还没有关于数字电网的正式定义，但有大量的相关研究成果。同时，数字电网的发展也丰富了负荷预测的研究内容，吸引了更多的专家学者前来探讨。利用不同时间尺度、不同精度的预测数据进行多级协调，逐步完善了冷、热、电的联合调试调度方案。但是现有技术中大多侧重于优化调度，没有对负荷预测进行深入研究。比如综合运用k-means聚类、k-近邻分类和差分积分移动平均自回归模型来预测电力负荷，但处理效率有待进一步提高。再如现有技术还提出了一种基于超参数网格搜索和支持向量回归的电网负荷预测方法，有效提高了电网负荷预测的准确性。鉴于独特的网络结构和多变的形式，传统的负荷预测方法已不能满足数字电网的要求。


技术实现要素：

4.为了解决上述问题，本发明提出一种基于gru-tcn模型的电网负荷预测方法，可有效降低电网负荷预测误差。
5.为达到上述发明目的，本发明所采用的技术方案为：
6.一种基于gru-tcn模型的电网负荷预测方法，包括以下步骤：
7.s1：采集预测日的电网中各设备的负荷数据，形成以时间为序列的负荷数据组其中n为负荷的种类，t为采集的时间；
8.s2：对采集的负荷数据进行归一化处理，并根据相关值模型，选择相似日的电网中各设备的负荷数据，输入到负荷数据组中，扩大负荷数据组的数据量，得到归一化后的负荷预测数据组；
9.s3：将负荷预测数据组输入到gru-tcn模型中，输出电网各时段的负荷预测值；
10.s4：建立数字孪生电网，将负荷预测值输入到数字孪生电网中，输出真实负荷值；利用均方根误差rmse对负荷预测值和真实负荷值进行评估，修正数字孪生电网的控制参数。
11.进一步地，步骤s2包括以下子步骤：
12.s21：将负荷数据组中的每个负荷数据进行归一化，并映射到区间[0，1]内，得
到归一化值
[0013]
s22：计算负荷数据组中所有归一化后的数值的平均值
[0014]
s23：采集相似日的电网中各设备的负荷数据组s23：采集相似日的电网中各设备的负荷数据组其中m＝n，并利用步骤s21中的归一化方法，对负荷数据组中的负荷数据xm进行归一化，得到归一化值xm′
；
[0015]
s24：利用归一化值xm′
和平均值计算相关度r
x
；
[0016]
s25：将相似度r
x
与相似度阈值r
x阈值
进行比较，若r
x
≥r
x阈值
，则将该负荷数据xm加入到负荷数据组中；若r
x
＜r
x阈值
，则证明该负荷数据xm为不相关的变量，删除该负荷数据xm；
[0017]
s26：遍历相似日中采集的所有电网各设备的负荷数据xm，执行步骤s23-s25，得到归一化后以时间为序列的负荷预测数据组归一化后以时间为序列的负荷预测数据组s为增加的负荷数据量。
[0018]
进一步地，步骤s21中的归一化方法为：
[0019][0020]
其中，x
(t)
为负荷数据组中的任一负荷数据，分别为负荷数据组中的最大值和最小值。
[0021]
进一步地，步骤s24中利用归一化值xm′
和平均值计算相关度r
x
的方法为：
[0022][0023]
进一步地，步骤s3包括以下子步骤：
[0024]
s31：将负荷预测数据组作为输入矩阵；
[0025]
s32：将输入矩阵输入到tcn网络模型中，输出关于的特征矩阵f；
[0026]
s33：将输出矩阵f输入到全连接层中，输出由预测值组成的预测矩阵y＝[y1，y2,
…
,yv]，v为预测矩阵中预测值的数量；
[0027]
s34：将预测矩阵y输入到gru网络模型中，输出t时刻对应的状态值c
(t)
；
[0028]
s34：将输出的状态值c
(t)
作为电网的负荷预测值。
[0029]
进一步地，步骤s32中关于的特征矩阵f为：
[0030]
[0031][0032][0033]
i＝[1，2，
···
，l]，k＝[1，2，
···
，k]，k≥1
[0034]
其中，wk为权重，v为输出特征矩阵f中的数据量，为第i层残差卷积的输出，f(
·
)为tcn网络模型的残差函数，k为时间序列，k取初始时间2k倍，k为超参数。
[0035]
进一步地，步骤s34中t时刻对应的状态值c
(t)
为：
[0036]
ψr＝sigmoid(ω
rcc(t-1)
ω
rx
x
(t)
br)
[0037]
ψu＝sigmoid(ω
ucc(t-1)
ω
ux
x
(t)
bu)
[0038][0039][0040]
其中，ψr为相关门函数，ω
rc
为相关门函数中对上一时刻的输出状态值的权重，ω
rx
为相关门函数中t时刻输入的预测值的权重，br为相关门函数的偏移输入；ψu为更新门函数，ω
uc
为更新门函数中对上一时刻的输出状态值的权重，ω
ux
为更新门函数中t时刻输入的预测值的权重，bu为相关门函数的偏移输入；为候选函数，ω
cc
为候选函数中对上一时刻的输出状态值的权重，ω
cx
为候选函数中t时刻输入的预测值的权重，bc为候选函数的偏移输入。
[0041]
进一步地，步骤s4包括以下子步骤：
[0042]
s41：根据实体电网的运行设备、运行数据及管理数据建立智能仿真平台，对智能仿真平台中的运行设备的参数按照实体电网运行的参数进行设置；
[0043]
s42：将负荷预测值输入到智能仿真平台中，观测智能仿真平台中各运行设备的运行状态和预设运行参数，将预设运行参数输入到实体电网中，并每隔一段时间t采集一次实体电网中真实负荷值，得到真实负荷值数据组(y1，y2，
···
，yz)；
[0044]
s43：利用均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape对负荷预测值和真实负荷值进行评估。
[0045]
进一步地，步骤s43中均方根误差的计算方法为：
[0046][0047]
其中，y
l
为真实负荷值数据组中其中一个真实负荷值。
[0048]
进一步地，步骤s43中将均方根误差rmse与对应的阈值进行比较，若rmse≤rmse
阈值
，则表示智能仿真平台搭建准确；否则修正智能仿真平台中的运行设备的运行参数，返回步骤s42。
[0049]
本发明的有益效果在于：
[0050]
本发明融合时间卷积网络(tcn)和门控递归单元(gru)网络设计gru-tcn预测模
型，由tcn网络模型提取的高维数据特征被输入到gru网络进行预测，得到高精度的预测结果，并预测结果对搭建的数字孪生电网进行修正，为数字化电网提供更加精准的业务服务水平。本发明提出的方法利用数字孪生设计数字电网架构，通过物理实体pg与数字孪生电网之间的映射实现系统的数字化，使系统运行效果更加明显。为了提高负荷预测的精度，采用时间卷积网络(tcn)来提取负荷的高维特征，并将结构简单、学习能力强的门控递归单元(gru)网络用于负荷预测，从而进一步降低预测误差。
附图说明
[0051]
图1为gru-tcn模型的结构图。
具体实施方式
[0052]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
[0053]
本实施例提供了一种基于gru-tcn模型的电网负荷预测方法，包括以下步骤：
[0054]
s1：采集预测日的电网中各设备的负荷数据，形成以时间为序列的负荷数据组其中n为负荷的种类，t为采集的时间；
[0055]
s2：对采集的负荷数据进行归一化处理，并根据相关值模型，选择相似日的电网中各设备的负荷数据，输入到负荷数据组中，扩大负荷数据组的数据量，得到归一化后的负荷预测数据组；
[0056]
s3：将负荷预测数据组输入到gru-tcn模型中，输出电网各时段的负荷预测值；
[0057]
s4：建立数字孪生电网，将负荷预测值输入到数字孪生电网中，输出真实负荷值；利用均方根误差rmse对负荷预测值和真实负荷值进行评估，修正数字孪生电网的控制参数。
[0058]
优选地，步骤s2包括以下子步骤：
[0059]
s21：将负荷数据组中的每个负荷数据进行归一化，并映射到区间[0，1]内，得到归一化值
[0060][0061]
其中，x
(t)
为负荷数据组中的任一负荷数据，分别为负荷数据组中的最大值和最小值；
[0062]
s22：计算负荷数据组中所有归一化后的数值的平均值
[0063]
s23：采集相似日的电网中各设备的负荷数据组s23：采集相似日的电网中各设备的负荷数据组其中m＝
n，并利用步骤s21中的归一化方法，对负荷数据组中的负荷数据xm进行归一化，得到归一化值xm′
；
[0064]
s24：为了避免因数据过多而增加模型的预测时间，以及不相关的变量对预测精度的影响，利用归一化值xm′
和平均值计算相关度r
x
：
[0065][0066]
s25：将相似度r
x
与相似度阈值r
x阈值
进行比较，若r
x
≥r
x阈值
，则将该负荷数据xm加入到负荷数据组中；若r
x
＜r
x阈值
，则证明该负荷数据xm为不相关的变量，删除该负荷数据xm；
[0067]
s26：遍历相似日中采集的所有电网各设备的负荷数据xm，执行步骤s23-s25，得到归一化后以时间为序列的负荷预测数据组归一化后以时间为序列的负荷预测数据组s为增加的负荷数据量。
[0068]
优选地，步骤s3包括以下子步骤：
[0069]
s31：将负荷预测数据组作为输入矩阵；
[0070]
s32：将输入矩阵输入到tcn网络模型中，输出关于的特征矩阵f：
[0071][0072][0073][0074]
i＝[1，2，
···
，l]，k＝[1，2，
···
，k]，k≥1
[0075]
其中，wk为权重，v为输出特征矩阵f中的数据量，为第i层残差卷积的输出，f(
·
)为tcn网络模型的残差函数，k为时间序列，k取初始时间2k倍，k为超参数；
[0076]
s33：将输出矩阵f输入到全连接层中，输出由预测值组成的预测矩阵y＝[y1，y2,
…
,yv]，v为预测矩阵中预测值的数量；
[0077]
s34：将预测矩阵y输入到gru网络模型中，输出t时刻对应的状态值c
(t)
：
[0078]
ψr＝sigmoid(ω
rcc(t-1)
ω
rx
x
(t)
br)
[0079]
ψu＝sigmoid(ω
ucc(t-1)
ω
ux
x
(t)
bu)
[0080][0081][0082]
其中，ψr为相关门函数，ω
rc
为相关门函数中对上一时刻的输出状态值的权重，ω
rx
为相关门函数中t时刻输入的预测值的权重，br为相关门函数的偏移输入；ψu为更新门函数，ω
uc
为更新门函数中对上一时刻的输出状态值的权重，ω
ux
为更新门函数中t时刻输入的预测值的权重，bu为相关门函数的偏移输入；为候选函数，ω
cc
为候选函数中对上一时刻的输出状态值的权重，ω
cx
为候选函数中t时刻输入的预测值的权重，bc为候选函数的偏移输入。
[0083]
如图1所示，由于gru网络模型的特征学习不够全面，所以用tcn网络模型先从负荷预测数据组中提取高维特征，以加强gru网络模型的数据学习能力。tcn是一个结合了扩展因果卷积和残差连接的神经网络模型，用于序列建模或数据。因果卷积在tcn网络模型中的应用可以保证数据的完整性。扩展因果卷积的应用可以使tcn网络模型以更少的层数拥有更大的视野，从而可以接收更长的历史数据。其中，扩展因果卷积使用relu激活函数，并进行权重再正常化和dropout正则化。残差连接通过连接输入跳到输出，保证了tcn在更多层的稳定性。
[0084]
s34：将输出的状态值c
(t)
作为电网的负荷预测值。
[0085]
优选地，步骤s4包括以下子步骤：
[0086]
s41：根据实体电网的运行设备、运行数据及管理数据建立智能仿真平台，对智能仿真平台中的运行设备的参数按照实体电网运行的参数进行设置；
[0087]
s42：将负荷预测值输入到智能仿真平台中，观测智能仿真平台中各运行设备的运行状态和预设运行参数，将预设运行参数输入到实体电网中，并每隔一段时间t采集一次实体电网中真实负荷值，得到真实负荷值数据组(y1，y2，
···
，yz)；
[0088]
s43：利用均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape对负荷预测值和真实负荷值进行评估：
[0089][0090]
其中，y
l
为真实负荷值数据组中其中一个真实负荷值。
[0091]
将均方根误差rmse与对应的阈值进行比较，若rmse≤rmse
阈值
，则表示智能仿真平台搭建准确；否则修正智能仿真平台中的运行设备的运行参数，返回步骤s42。
[0092]
本发明融合时间卷积网络(tcn)和门控递归单元(gru)网络设计gru-tcn预测模型，由tcn网络模型提取的高维数据特征被输入到gru网络进行预测，得到高精度的预测结果，并预测结果对搭建的数字孪生电网进行修正，为数字化电网提供更加精准的业务服务水平。本发明提出的方法利用数字孪生设计数字电网架构，通过物理实体pg与数字孪生电网之间的映射实现系统的数字化，使系统运行效果更加明显。为了提高负荷预测的精度，采用时间卷积网络(tcn)来提取负荷的高维特征，并将结构简单、学习能力强的门控递归单元(gru)网络用于负荷预测，从而进一步降低预测误差。
[0093]
数字化电网可以根据负荷预测结果对电力传输进行优化和匹配，所呈现的电网数据具有很强的意义。本发明方法的预测结果比较理想，可以满足数字电网的运行要求。数据驱动的负荷预测方法的精度和速度将进一步提高，数字电网的负荷构成也将呈现多样化，其特征将发生强烈的随机性变化。后续工作将研究数据驱动与机制分析的结合策略，并提
出基于先进数据预处理技术的高性能负荷预测方法。
[0094]
需要说明的是，对于前述的方法实施例，为了简便描述，故将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。