基于深度学习的中长期基数分解电量预测方法及系统与流程

1.本发明涉及深度学习技术领域，具体涉及基于深度学习的中长期基数分解电量预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着电力市场化改革的不断深入，特别是电力现货市场改革建设加速，传统发电机组电力电量计划形成模式正在发生着根本性改变。部分地区中长期基数分解电量(简称基数电量)由于“以用定发”，因此在不同时点申报交易电量差不多的情况下，分配到的基数电量也会存在巨大差异，具有较大的不确定性。由于基数电量作为电费收益的一部分且影响现货结算收益，在基数电量难以确定的情况下，操盘员难以有效制定合理的交易策略，最终影响风电场交易收益。由于日前市场无法获取基数电量对应的用电计划，因此发电侧的基数电量预测具有较大的难度，传统的预测方法难以有效解决。


技术实现要素：

4.本发明为了解决上述问题，提出了基于深度学习的中长期基数分解电量预测方法及系统，采用深度学习方法实现中长期基数分解电量的高精度预测，建立中长期基数分解电量的预测模型，以获取有较高精度的基数分解电量预测结果。
5.根据一些实施例，本发明采用如下技术方案：
6.基于深度学习的中长期基数分解电量预测方法，训练步骤包括：
7.获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；
8.将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；
9.构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。
10.进一步的，影响指标包括申报交易电量、新能源出力预测、水电出力预测、地区统调负荷预测、重要线路可用容量、燃料价格波动。
11.进一步的，所述预处理的步骤包括数据拼接、数据缺失值处理、数据异常值处理、指标数据归一化、数据排列以及时间序列特定格式化处理。
12.进一步的，对预处理的数据按照需求进行划分为训练集、验证集以及测试集。
13.进一步的，神经网络模型包括输入层、输出层和隐藏层。
14.进一步的，所述隐藏层包括以relu函数为激活函数的全连接层，同时选取 batchnormalization和dropout项组合防止模型提早出现过拟合。
15.根据另一些实施例，本发明采用如下技术方案：
16.基于深度学习的中长期基数分解电量预测系统，包括：
17.数据采集模块，用于获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；
18.数据处理模块，用于将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；
19.模型预测模块，用于构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。
20.根据另一些实施例，本发明采用如下技术方案：
21.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于深度学习的中长期基数分解电量预测方法。
22.根据另一些实施例，本发明采用如下技术方案：
23.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于深度学习的中长期基数分解电量预测方法。
24.与现有技术相比，本发明的有益效果为：
25.本发明采用深度学习方法实现了中长期基数分解电量的高精度预测，辅助发电企业场站端操盘人员判断市场形势、合理申报预测功率，使省内新能源场站在电力现货交易中降低风险、提高交易收益。
26.本发明通过大数据筛选得到影响基数电量分解的关键指标，与深度学习方法相结合，来预测基数分解电量，提高预测精度。
附图说明
27.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
28.图1为本发明的模型训练流程示意图。
29.图2为本发明的方法实施结果对比示意图。
具体实施方式：
30.下面结合附图与实施例对本发明作进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.实施例1
34.本发明的一种实施例中提供了一种基于深度学习的中长期基数分解电量预测方法，如图1所示，训练的步骤包括：
35.步骤1：获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；
36.步骤2：将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；
37.步骤3：构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。
38.进一步的，在步骤1中，由于考虑众多影响基数分解电量的因子，考虑历史交易情况和市场信息，采集影响基数分解电量的指标的历史时序数据，影响指标主要包括申报交易电量、新能源出力预测、水电出力预测、某地区统调负荷预测、重要线路可用容量、燃料价格波动、天气条件变化等。
39.对步骤1中收集的影响基数分解电量的特征指标数据和基数分解电量历史数据进行预处理，作为深度神经网络模型的前置准备数据。预处理步骤包括数据拼接、数据缺失值处理、数据异常值处理、特征指标数据归一化、数据排列以及时间序列特定格式化处理。
40.具体的，预处理的细节为：
41.a)数据拼接：将各个指标的原始数据按照时间顺序进行拼接，保证获取至少一年的连续时间数据量。
42.b)数据缺失值处理：孤立点缺失，则利用孤立缺失点前后相邻数据的均值进行插补；少量数据缺失，采用回归插补法进行填补；大量数据缺失，则将缺失数据时间剔除。
43.c)数据异常值处理：根据3σ准则，将数值分布在(μ-3σ,μ 3σ)之外的数据剔除。
44.d)特征指标数据归一化：为了对各个特征指标进行量纲统一，采用最大最小归一化方法进行处理，计算公式如下：
[0045][0046]
进一步的，在步骤2中，将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列，具体的，将预处理后的数据整理成特征指标样本序列x和历史基数分解电量相应射的时间序列y。
[0047]
首先，对预处理后的指标数据利用主成分分析法(principalcomponentanalysis，pca)进行特征指标的综合选取，主成分分析法的主要步骤如下：
[0048]
a)对于含有p个变量、n个数据的样本xn×
p
，计算出其协方差矩阵∑p
×
p。
[0049]
b)根据协方差矩阵计算从大到小排序的p个特征值λ1、λ2、
…
λ
p
和相应的p个特征向量t1、t2、
…
t
p
。则第i主成分yi＝x
·
ti,1≤i≤p。
[0050]
c)计算主成分贡献率及累计贡献率，选取累计贡献率较高的特征值所对应的主成分作为特征指标，计算公式如下：
[0051]
贡献率：
[0052]
累计贡献率：
[0053]
将综合选取主成分后的特征指标时序数据用于构建特征指标样本序列，特征指标样本序列为x＝[x
(1)
,x
(2)
,x
(3)
,......,x
(m)
]，其中x
(m)
为第m个选取特征所对应的所有历史时刻数据组合成的时间序列样本，可表达为 x
(m)
＝[x1,x2,x3,......,x
t
]
t
，t为对应的时刻。所对应的基数分解电量样本序列即为y＝[y1,y2,y3,......,y
t
]
t
。
[0054]
并对处理后的数据集按照需求划分为：训练集、验证集和测试集，其中训练集用于模型关系映射训练，验证集用于对模型超参数进行调优，测试集用于检验预测模型泛化能力的水平。
[0055]
步骤3中，构建深度神经网络模型，模型结构包括输入层、输出层和隐藏层，隐藏层包括以relu函数为激活函数的全连接层，同时选取了 batchnormalization和dropout项组合的方式防止模型提早出现过拟合现象。基于训练集和验证集训练深度神经网络模型，并采用自适应动量的随机优化方法 (adaptive momentum，adam)不断自动更新网络神经元参数。
[0056]
其中，自适应动量的随机优化方法在梯度下降中的优化过程如下：
[0057]
a)计算原目标损失函数f(θ)对参数θ的梯度：
[0058]
b)计算梯度的一阶矩：m
t
＝β1·mt-1
(1-β1)
·
grad
t
，β1是一阶衰减系数；t是更新步数
[0059]
c)计算梯度的二阶距：β2是二阶衰减系数；t是更新步数
[0060]
d)对一阶矩m
t
进行校正：
[0061]
e)对二阶矩v
t
进行校正：
[0062]
f)最终计算更新参数θ
t
：lr是学习率。
[0063]
步骤3中将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中进行基数电量的预测。
[0064]
最后，利用测试集对建立中长期基数分解电量的预测模型进行效果评估。
[0065]
评估的过程为：
[0066]
模型效果评估选取均方误差(mean square error，mse)作为损失函数、平均绝对误差(meanabsolute error，mae)作为评价精度。计算公式如下：
[0067][0068]
[0069]
其中，n为样本数，为模型预测值，yi为实际基数分解电量，y
max
为实际基数分解电量的最大值。
[0070]
作为一种实施例，具体实施的步骤包括：
[0071]
a)收集影响基数分解电量的特征指标数据和基数分解电量历史数据，并对其进行预处理；
[0072]
b)对预处理后的指标数据利用主成分分析法进行特征指标的综合选取；
[0073]
c)将综合选取后的数据整理成特征指标样本序列x和历史基数分解电量相应射的时间序列y，作为深度神经网络模型的前置准备数据；
[0074]
d)将步骤c中数据集按照需求划分为：训练集、验证集和测试集；
[0075]
e)基于训练集，初始化各网络层参数；
[0076]
f)沿着从输入层到输出层的顺序，依次计算并存储神经网络的中间变量和各层网络的输出a
[i]
，第i层输出结果计算公式如下：
[0077]a[i]
＝g
[i]
(w
[i]a[i-1]
b
[i]
)
[0078]
其中，w
[i]
是第i层的权重矩阵
[0079]g[i]
是第i层的激活函数
[0080]b[i]
是第i层的偏置向量
[0081]
g)选取均方误差(mean square error，mse)作为损失函数则所有样本的整体损失函数为：
[0082][0083]
其中，m是样本个数
[0084]y[n]
是样本的实际基数分解电量
[0085]
是样本在神经网络中的计算结果
[0086]
是正则化项，以防止过拟合
[0087]
h)确认是否整体损失函数数值最小，当整体损失函数数值不是最小时，则沿着从输出层到输入层的顺序，依次计算反向误差，以更新各神经层的权重矩阵和偏置向量的数值；当整体损失函数数值最小时，则进行步骤 i)。更新权重、偏置计算公式如下：
[0088]
更新权重:
[0089]w[h]
＝w
[h]-lr
×
dw
[h]
，1≤h≤n
[0090]
更新偏置:
[0091]b[h]
＝b
[h]-lr
×
db
[h]
，1≤h≤n
[0092]
其中，1≤h≤n
[0093]
[0094][0095]
dz
[h]
＝da
[h]
·g[h]
′
(z
[h]
)，1≤h≤n
[0096]
1≤h≤n
[0097]
n为输出层层数
[0098]
lr是学习率
[0099]g[h]
是第h层的激活函数
[0100]
λ是正则化参数
[0101]
i)基于验证集，利用平均绝对误差(mean absolute error，mae)作为评价精度，验证训练后模型是否满足精度要求，未满足要求则对深度神经网络模型的超参数进行调整，调整完成后重复步骤e)到i)；当训练后模型满足精度要求后，完成模型训练，获得最终的基数分解电量预测模型；
[0102]
j)将最新的市场信息输入基数分解电量预测模型，可以获得中长期基数分解电量预测结果。
[0103]
k)将构建好的模型应用在垣曲风电场，测试集时间从2021-7-1000:15:00 到2021-7-1700:00:00，模型在测试数据集上的效果如图2所以，模型预测的7天时长的基数分解电量与实际基数分解电量的平均绝对误差小于0.6mw。
[0104]
实施例2
[0105]
本发明的一种实施例中提供了一种基于深度学习的中长期基数分解电量预测系统，包括：
[0106]
数据采集模块，用于获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；
[0107]
数据处理模块，用于将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；
[0108]
模型预测模块，用于构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。
[0109]
实施例3
[0110]
本发明的一种实施例中提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于深度学习的中长期基数分解电量预测方法步骤。
[0111]
实施例4
[0112]
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于深度学习的中长期基数分解电量预测方法步骤。
[0113]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程
序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0114]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0115]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。