一种基于门控循环单元网络的负荷聚合体分组预测方法技术

本发明专利技术涉及一种基于门控循环单元网络的负荷聚合体分组预测方法，包括如下步骤：使用自适应分布式谱聚类算法，对用户负荷数据进行聚类，从而得到多个负荷特性相似的用电群体，并求得各群体负荷特征矩阵；搭建三种GRU网络，并通过提取群体的时序特征对三种GRU网络进行训练，得到三种GRU网络的预测模型，通过随机森林算法对三种GRU网络进行模型融合，得到每个群体的负荷预测模型；将待预测时刻特征输入到负荷预测模型中，分别得到每个群体的负荷预测值，将不同群体预测值求和得到最终负荷聚合体的预测值；本发明专利技术通过引入分组预测、深度神经网络、模型融合方法，使得能把握用户负荷特性及变化规律，预测精度高，适用性强。

【技术实现步骤摘要】
一种基于门控循环单元网络的负荷聚合体分组预测方法
本专利技术属于电力系统负荷预测
，尤其涉及一种基于门控循环单元网络的负荷聚合体分组预测方法。
技术介绍
准确快速的负荷预测对电力系统的安全经济运行作用重大。传统的负荷预测多依据电力系统量测的物理结构进行层级划分，比如系统级、母线级、变电站级、微电网级等，通常针对某一特定层级开发的负荷预测方法不能适用于其他层级。近年来，随着智能电表的普及，电力公司能够获取海量细粒度的用户负荷数据。以智能电表数据为基础，能够摆脱电力系统量测结构的限制，可按需求灵活划分不同规模的负荷聚合体并开展负荷预测，也即除了可实现传统层级的电力系统负荷预测外，还可依据地区(如楼宇、小区、街区、地块)，行业(如居民、工商业)，电价类型(分时、峰谷等)等形成负荷聚合体并开展负荷预测，以满足更为精细化的负荷预测需求。负荷聚合体的预测是以智能电表为基础的自底向上的负荷预测方法。负荷聚合体可按需划分，更为灵活，但不同划分方法会导致预测对象规模差异巨大，传统的负荷预测方法仅适用于特定的负荷规模，不具备泛化能力。特别是当负荷规模减小时，由于小规模负荷的群体效应减弱，负荷预测的平均绝对误差百分比(meanabsolutepercentageerror,MAPE)指标随预测规模的减小而显著提高，故传统的预测方法不适用于负荷聚合体的预测。针对负荷聚合体划分灵活、规模可变、与用户负荷特性联系紧密等特点，提出具有适用性的、高精度的预测方法，是负荷聚合体预测的难点。由于智能电表数据与用户负荷特性关系密切，通过聚类分析，发现不同用户间负荷变化共性规律，据此将负荷聚合体划分为多个用电群体，针对负荷群体进行建模分析，能提高负荷聚合体的预测精度。在预测方法上，BP神经网络、支持向量机(supportvectormachine,SVM)等在负荷预测中得到了广泛应用。这些算法通过训练建立输出与输入之间的非线性关系，将动态时间建模问题转化为静态建模问题。但是，作为典型的时序数据，负荷变化具有动态特性，即负荷变化规律除受当前时刻状态影响外，还受过去一段时间变化过程的影响。传统方法大多以相似日、典型日的历史数据作为输入，无法考虑负荷变化在时序上的特征，导致负荷预测误差较大。从用户历史用电数据中发现潜在的用电行为规律，并通过数据演变推测负荷的发展变化，是准确进行负荷预测的关键。随着深度学习的发展，以长短期记忆(longshort-termmemory,LSTM)为代表的递归神经网络(recurrentneuralnetwork，RNN)能够考虑时间序列之间的相关性，可以更加全面地描述时间序列的变化过程，在语音识别、自然语言处理等多个领域得到了广泛应用。将LSTM用于风电及居民负荷预测，证明其能考虑时间序列发展演变的内在规律，抓住时间序列的本质特征，从而提高预测精度。但LSTM存在训练时间长的缺点，并且，由于负荷聚合体包含多种负荷特性，不同的负荷特性所适用的神经网络结构不同。因此，基于这些问题，提出基于深度神经网络的模型融合方法，充分整合利用不同网络结构的优势，有助于提高负荷聚合体预测精度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种适用于负荷聚合体的预测方法，通过引入分组预测、深度神经网络、模型融合方法，使得所提方法能把握用户负荷特性及变化规律，预测精度高，适用性强。本专利技术解决其技术问题是采取以下技术方案实现的：一种基于门控循环单元网络的负荷聚合体分组预测方法，所述分组预测方法包括如下步骤：(1)使用自适应分布式谱聚类算法，对用户负荷数据进行聚类，从而得到多个负荷特性相似的用电群体，并求得各群体负荷特征矩阵；(2)搭建三种结构不同的GRU网络，并通过提取群体的时序特征对三种结构不同的GRU网络进行训练，得到三种GRU网络的预测模型，通过随机森林算法对三种GRU网络进行模型融合，得到每个群体的负荷预测模型；(3)将待预测时刻特征输入到步骤(2)中得到的负荷预测模型中，分别得到每个群体的负荷预测值，将不同群体预测值求和得到最终负荷聚合体的预测值。需要说明的是，所述步骤(1)中用电群体的获得过程为：对每个用户负荷数据按周取均值，通过最大-最小值归一化缩放到区间[0,1]，对每个用户得到一条负荷特性曲线，将所有用户特性曲线整合为矩阵，针对矩阵进行聚类即可获得用电群体。需要指出，所述步骤(2)中GRU网络由输入层、输出层和隐藏层组成，其中隐藏层包含多个级联的GRU单元；所述GRU单元包括一个重置门，一个更新门，通过门控机制控制输出、记忆信息。此外，所述步骤(2)中对负荷群体分别搭建三种结构的GRU网络，通过控制网络深度及GRU单元数量学习负荷聚合体的低频、中频、高频特征，并学习不同频域负荷变化特点，最终通过随机森林算法融合三个深度神经网络的输出。本专利技术的优点和积极效果是：1、本专利技术提出依据负荷特性对负荷聚合体进行分组预测，并将分布式谱聚类算法应用于负荷聚合体的分组聚类上，相较传统K-means算法提高了聚类精度及稳定性，克服了单机谱聚类算法计算速度慢、占用内存多的缺点；将模型融合思想应用于负荷聚合体的预测，采用不同结构的GRU深度神经网络作为元模型，实现了时间序列的动态建模，通过随机森林算法对多个元模型进行融合，能充分利用不同网络结构特点，进一步提高负荷预测精度；2、相较于BP、SVM等常规方法，本专利技术的分组预测+模型融合的预测方法对负荷聚合体预测问题具有适用性，且在不同负荷规模条件下都具有更高的预测精度；通过滚动预测的形式可灵活调整预测的时间尺度，在30min-24h的预测尺度上，本专利技术的负荷预测方法均具有更高的预测精度。附图说明以下将结合附图和实施例来对本专利技术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，因此不作为本专利技术范围的限定。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。图1为负荷聚类图；图2为分布式谱聚类算法与K-means算法的DB指数随聚类数量变化情况图；图3为三种GRU网络结构图；图4为基于GRU网络与模型融合的预测架构图；图5为不同用户数量下不同方法预测误差对比情况图；图6为四种方法预测精度MAPE随预测时间尺度变化图；具体实施方式首先，需要说明的是，以下将以示例方式来具体说明本专利技术的具体结构、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专利技术形成任何限制。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，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专利技术的更多其他实施例。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申请的示例性实施方式。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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“本文档来自技高网...

【技术保护点】
1.一种基于门控循环单元网络的负荷聚合体分组预测方法，其特征在于：所述分组预测方法包括如下步骤：(1)使用自适应分布式谱聚类算法，对用户负荷数据进行聚类，从而得到多个负荷特性相似的用电群体，并求得各群体负荷特征矩阵；(2)搭建三种结构不同的GRU网络，并通过提取群体的时序特征对三种结构不同的GRU网络进行训练，得到三种GRU网络的预测模型，通过随机森林算法对三种GRU网络进行模型融合，得到每个群体的负荷预测模型；(3)将待预测时刻特征输入到步骤(2)中得到的负荷预测模型中，分别得到每个群体的负荷预测值，将不同群体预测值求和得到最终负荷聚合体的预测值。

【技术特征摘要】
1.一种基于门控循环单元网络的负荷聚合体分组预测方法，其特征在于：所述分组预测方法包括如下步骤：(1)使用自适应分布式谱聚类算法，对用户负荷数据进行聚类，从而得到多个负荷特性相似的用电群体，并求得各群体负荷特征矩阵；(2)搭建三种结构不同的GRU网络，并通过提取群体的时序特征对三种结构不同的GRU网络进行训练，得到三种GRU网络的预测模型，通过随机森林算法对三种GRU网络进行模型融合，得到每个群体的负荷预测模型；(3)将待预测时刻特征输入到步骤(2)中得到的负荷预测模型中，分别得到每个群体的负荷预测值，将不同群体预测值求和得到最终负荷聚合体的预测值。2.根据权利要求1所述的一种基于门控循环单元网络的负荷聚合体分组预测方法，其特征在于：所述步骤(1)中用电群体的获得过程为：对每个用户负荷数据按周取均值，通过最大-最小值归一化缩放到...

【专利技术属性】
技术研发人员：王守相，陈海文，蔡声霞，
申请(专利权)人：天津相和电气科技有限公司，
类型：发明
国别省市：天津,12