【技術實現步驟摘要】
本專利技術涉及電力負荷預測，尤其涉及一種短期電力負荷預測方法、裝置、終端及介質。
技術介紹
1、負荷預測是電力企業能源管理系統(ems)的重要工具之一，用于在線控制的實時負荷預測應提前幾分鐘執行。其中，精準時空負荷預測對于新型電力系統的規劃和運行至關重要。短期多節點負荷預測可用于制定供電計劃，輔助市場參與者決策，還可為電力系統實時安全分析、實時經濟調度與自動發電控制(agc)，提供重要的參考，可有效提高電力系統的穩定性，對電力系統穩定運行具有重要的意義。然而，隨著我國能源結構的進一步轉型，電動汽車等新型電力負荷的可移動性使電力負荷的隨機性與不確定性更加復雜。盡管在這一領域進行了大量研究，但仍需要準確的預測模型。
2、目前，作為負荷預測模型輸入數據的數量常通過啟發式方法(如灰狼算法等)確定，但輸入數據的維數確定不夠客觀，維數太長會導致輸入數據與預測數據的相關性過低，維數太短會導致輸入數據不足，兩者都會導致預測結果的精度下降。同時，目前電力系統負荷預測深度學習模型中的超參數(如核大小、池大小、核的數量、神經網絡中的層數等)是經驗性評估確定的，預測過程需要人為反復調節，降低了短期負荷預測的時效性是預測精度。
技術實現思路
1、為解決現有技術中存在的不足，本專利技術提供一種短期電力負荷預測方法、裝置、終端及介質，能夠更有效、可靠的實現短期電力負荷預測。
2、本專利技術采用如下的技術方案。
3、第一方面，本專利技術提供一種短期電力負荷預測方法，方法包括：1
4、根據設定的時間步長采集多組電力系統的歷史負荷時序數據及同時間尺度的歷史外生變量時序數據，構建原始數據集；
5、對所述原始數據集進行預處理，獲得完整可用的樣本集；
6、利用長短期記憶神經網絡構建序列到序列的lstm-seq2seq負荷預測模型；
7、基于所述樣本集對構建的lstm-seq2seq負荷預測模型進行訓練；
8、將在待預測時段之前的設定時間步長內的歷史負荷時序數據和歷史外生變量時序數據進行預處理后，輸入至訓練好的lstm-seq2seq負荷預測模型中，獲得預測時段內的電力負荷預測結果。
9、可選的，所述外生變量包括氣候數據和日歷數據，所述氣候數據包括溫度、濕度、降水量、氣壓、風速和光照強度；所述日歷數據包括日期、當日時刻、節假日標簽和工作日標簽。
10、可選的，所述設定的時間步長是采用斯皮爾曼秩序相關系數對歷史負荷時序數據進行自相關性分析確定的，其計算式如下：
11、
12、式中，ρ(n)為相關系數，s(t)為t時段的負荷時間序列，s(t-n)為t時段向前時移n后的負荷時間序列，μ1和μ2分別是s(t)和s(t-n)的平均值，t為歷史負荷時序數據的長度；
13、通過上式計算相關系數最大時n所對應的值，即為設定的時間步長，也稱為模型輸入數據的維度。
14、可選的，所述預處理包括：填補缺失數據、剔除異常數據和數據歸一化處理。
15、可選的，所構建的lstm-seq2seq負荷預測模型的結構包括：編碼器和解碼器；
16、所述編碼器包括多層依次連接的lstm編碼網絡，其中，第一層lstm編碼網絡對輸入序列x＝(x1,x2,...,xn)中的第一維數據x1進行特征編碼后得到隱藏狀態h1和單元狀態c1，第二層lstm編碼網絡結合所述隱藏狀態h1和單元狀態c1對第二維數據x2進行特征編碼后得到隱藏狀態h2和單元狀態c2，依次類推，直到第n維數據xn完整編碼，最終得到中間狀態數據zn＝(hn,cn)；
17、所述解碼器包括多層依次連接的lstm解碼網絡，其中，第一層lstm解碼網絡對輸入的中間狀態數據zn＝(hn,cn)進行解碼，輸出新的隱藏狀態s1和單元狀態v1，以及負荷預測數據load1并標記為y1；第二層lstm解碼網絡對第一層lstm解碼網絡輸出的隱藏狀態s1和單元狀態v1進行第二次解碼，輸出新的隱藏狀態s2和單元狀態v2，以及負荷預測數據load2并標記為y2；依次類推，直到第m層lstm解碼網絡輸出負荷預測數據loadm并標記為ym；按照y1,y2,...,ym的順序對各負荷預測數據進行排序拼接后，得到整個負荷預測序列。
18、可選的，對構建的lstm-seq2seq負荷預測模型進行訓練時，采用自適應增強型精英粒子群算法對模型的超參數進行優化；
19、所述自適應增強型精英粒子群算法包括：通過將種群中各粒子的狀態信息賦值給lstm-seq2seq負荷預測模型進行模型超參數的訓練，并根據迭代次數動態調整慣性權重和學習因子，以更新各粒子的速度和位置，從而獲得最優解。
20、可選的，所述采用自適應增強型精英粒子群算法對模型的超參數進行優化的步驟具體包括：
21、步驟1：設置粒子群大小、最大迭代次數、學習因子及慣性權重的取值范圍，并隨機生成每個粒子的初始位置和速度，每個粒子的狀態信息代表一組模型超參數的選擇方案；
22、步驟2：將當前每個粒子的最優位置賦值給lstm-seq2seq負荷預測模型，獲得不同的lstm-seq2seq負荷預測模型；
23、步驟3：基于所述樣本集，使用adam優化器分別對各所述lstm-seq2seq負荷預測模型進行訓練，并將當前訓練好的各模型的預測誤差分別作為各粒子的適應度值；
24、步驟4：基于各粒子當前的適應度值對其慣性權重及學習因子進行更新，以更新各粒子的速度和位置；
25、步驟5：基于各粒子更新后的速度和位置，分別重新計算各粒子的適應度值并更新當前各粒子的最優位置；
26、步驟6：判斷當前的迭代次數k是否達到設定的最大迭代次數；若否，則另k＝k+1，返回執行步驟2；若是，選擇當前具有最高適應度值的粒子的最優位置作為最優解，即得到模型超參數的最佳選擇方案，輸出最終的lstm-seq2seq負荷預測模型。
27、可選的，所述模型超參數包括卷積層數、過濾器數量、卷積核大小、池化層大小、部分隨機失活率、隨機失活率和隱藏層神經元數量。
28、可選的，步驟3中，所述各模型的預測誤差的計算公式如下：
29、
30、式中，rmse為均方根誤差，l表示測試樣本的個數，yl為第l個樣本的真實負荷，yl為模型對第l個樣本的預測負荷。
31、可選的，所述慣性權重的更新公式如下：
32、
33、式中，ωk為第k次迭代后的慣性權重；ω1和ω2是慣性權的原始值和終止值；max為設定的最大迭代次數；zk和zk-1分別為第k次和第k-1次迭代后的參數。
34、可選的，所述學習因子的更新公式如下：
35、
36、式中，和分別為第k次迭代后的第一學習因子、第二學習因子和第三學習因子，表示第k次迭代時基于各粒子的最本文檔來自技高網...
【技術保護點】
1.一種短期電力負荷預測方法，其特征在于，方法包括：
2.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所述外生變量包括氣候數據和日歷數據，所述氣候數據包括溫度、濕度、降水量、氣壓、風速和光照強度；所述日歷數據包括日期、當日時刻、節假日標簽和工作日標簽。
3.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所述設定的時間步長是采用斯皮爾曼秩序相關系數對歷史負荷時序數據進行自相關性分析確定的，其計算式如下：
4.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所述預處理包括：填補缺失數據、剔除異常數據和數據歸一化處理。
5.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所構建的LSTM-seq2seq負荷預測模型的結構包括：編碼器和解碼器；
6.根據權利要求1或5所述的短期電力負荷預測方法，其特征在于，對構建的LSTM-seq2seq負荷預測模型進行訓練時，采用自適應增強型精英粒子群算法對模型的超參數進行優化；
7.根據權利要求6所述的短期電力負荷預測方法，其特征在于，所述采用自適應
8.根據權利要求7所述的短期電力負荷預測方法，其特征在于，所述模型超參數包括卷積層數、過濾器數量、卷積核大小、池化層大小、部分隨機失活率、隨機失活率和隱藏層神經元數量。
9.根據權利要求7所述的短期電力負荷預測方法，其特征在于，步驟3中，所述各模型的預測誤差的計算公式如下：
10.根據權利要求7所述的短期電力負荷預測方法，其特征在于，所述慣性權重的更新公式如下：
11.根據權利要求7所述的短期電力負荷預測方法，其特征在于，所述學習因子的更新公式如下：
12.根據權利要求7所述的短期電力負荷預測方法，其特征在于，所述更新各粒子的速度和位置的公式分別如下：
13.一種短期電力負荷預測裝置，運行如權利要求1-12任一項權利要求所述的短期電力負荷預測方法，其特征在于，裝置包括：
14.一種終端，包括處理器及存儲介質；其特征在于：
15.計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-12任一項所述方法的步驟。
...【技術特征摘要】
1.一種短期電力負荷預測方法，其特征在于，方法包括：
2.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所述外生變量包括氣候數據和日歷數據，所述氣候數據包括溫度、濕度、降水量、氣壓、風速和光照強度；所述日歷數據包括日期、當日時刻、節假日標簽和工作日標簽。
3.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所述設定的時間步長是采用斯皮爾曼秩序相關系數對歷史負荷時序數據進行自相關性分析確定的，其計算式如下：
4.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所述預處理包括：填補缺失數據、剔除異常數據和數據歸一化處理。
5.根據權利要求1所述的短期電力負荷預測方法，其特征在于，所構建的lstm-seq2seq負荷預測模型的結構包括：編碼器和解碼器；
6.根據權利要求1或5所述的短期電力負荷預測方法，其特征在于，對構建的lstm-seq2seq負荷預測模型進行訓練時，采用自適應增強型精英粒子群算法對模型的超參數進行優化；
7.根據權利要求6所述的短期電力負荷預測方法，其特征在于，所述采用自適應增強型精...
【專利技術屬性】
技術研發人員：黃茜，阮文駿，孫莉，劉恬暢，薛冰，周瑤，張凱奇，林女貴，錢曉瑞，詹祥澎，肖愷，張煜，吳鵬，
申請(專利權)人：國網江蘇省電力有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。