中长期电力负荷预测装置制造方法及图纸

本发明专利技术提出了一种中长期电力负荷预测装置，包括：输入模块，用于输入多个第一时间尺度数据和多个第二时间尺度数据，并将多个第一时间尺度数据和多个第二时间尺度数据传递至长短期记忆神经网络的输入层，其中，第一时间尺度小于第二时间尺度；建模模块，用于通过长短期记忆神经网络对多个第一时间尺度数据和多个第二时间尺度数据进行训练，以得到堆叠长短期记忆网络模型；预测模块，用于利用堆叠长短期记忆网络模型对电力负荷进行预测，以得到电力负荷预测数据；输出模块，用于输出电力负荷预测数据。该装置能够解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。

Medium and Long Term Electric Load Forecasting Device

【技术实现步骤摘要】
中长期电力负荷预测装置
本专利技术涉及电力负荷预测
，尤其涉及一种中长期电力负荷预测装置。
技术介绍
准确的中长期电力负荷预测有利于电网安全、经济运行，为电网规划提供基础数据依据，对现代电力系统发展起着重要作用，对电网规划的质量有决定性影响。如何提高中长期负荷预测的准确率一直以来是热点问题。目前，中长期负荷预测装置主要分为只考虑负荷自身时序规律的方法和考虑相关因素的预测装置。前者有指数平滑法、增长速度法、生长曲线法、动平均法等，但这些方法仅从时间的角度看待负荷预测问题；后者有单耗法、弹性系数法、回归分析法等，但这些方法仅简单考虑若干因素。然而，电力负荷不仅受电力系统内部因素，还受到政策宏观调控、经济、气象等多方面因素的影响，由于这些因素随机多变，使得电力负荷与影响因素之间非线性关系复杂，难以用精确的关系式表达两者之间的关系。同时，伴随着智能电网的发展，电网数据变得丰富，越来越多的影响因素得到考虑，影响因素的数据出现越来越多的时间尺度，数据颗粒度更细，以及非等时间间隔采集的特征。因此，需探索多时间尺度数据的处理方法来实现将上述影响因素的数据融入一个模型中。为此，相关技术中提出采用独立预测得到短期、长期、中期时间尺度的预测值，再使用RNN(RecurrentNeuralNetwork，循环神经网络)综合三种情况得到总的预测值的方法处理不同时间尺度问题，但其存在如下问题：需找寻负荷与等间隔、单一时间尺度数据间关系；还有技术采用特征树的方法由小到大层次分析各时间尺度间的关系，但其存在如下问题：需分别独立考虑不同时间尺度的情况，而后再使用一系列方法综合起来，很少考虑多尺度下数据间依赖关系。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种中长期电力负荷预测装置，以解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。为实现上述目的，本专利技术提出了一种中长期电力负荷预测装置，包括：输入模块，用于输入多个第一时间尺度数据和多个第二时间尺度数据，并将所述多个第一时间尺度数据和所述多个第二时间尺度数据传递至长短期记忆神经网络的输入层，其中，所述多个第一时间尺度数据为预设时间段内的电力负荷数据及其影响因子，所述多个第二时间尺度数据为所述预设时间段内的电力负荷数据的影响因子，所述第一时间尺度小于所述第二时间尺度；建模模块，用于通过所述长短期记忆神经网络对所述多个第一时间尺度数据和所述多个第二时间尺度数据进行训练，以得到堆叠长短期记忆网络模型，其中，所述堆叠长短期记忆网络模型包括多个长短期记忆单元，所述多个长短期记忆单元分为两层，第一层用于处理第一时间尺度数据，第二层用于处理第二时间尺度数据；预测模块，用于利用所述堆叠长短期记忆网络模型对电力负荷进行预测，以得到电力负荷预测数据；输出模块，用于输出所述电力负荷预测数据。本专利技术实施例的中长期电力负荷预测装置，基于多时间尺度数据和长短期记忆神经网络进行建模，能够解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。另外，根据本专利技术上述实施例的中长期电力负荷预测装置还可以具有如下附加的技术特征：根据本专利技术的一个实施例，所述中长期电力负荷预测装置还包括：采集模块，用于采集所述预设时间段内的电力负荷数据及其影响因子；分析模块，用于根据所述第一时间尺度对所述电力负荷数据进行划分，以得到第一时间尺度的电力负荷数据，并对所述影响因子进行分析，以得到第一时间尺度的关键影响因子和第二时间尺度的关键影响因子，以及将所述第一时间尺度的电力负荷数据和所述第一时间尺度的关键影响因子作为所述第一时间尺度数据，将所述第二时间尺度的关键影响因子作为所述第二时间尺度数据。根据本专利技术的一个实施例，所述第一时间尺度数据包括电力负荷数据和气候数据，所述第二时间尺度数据包括经济数据和气候数据。根据本专利技术的一个实施例，所述预设时间段为数年，所述第一时间尺度为月，所述第二时间尺度为年。根据本专利技术的一个实施例，所述堆叠长短期记忆网络模型通过如下公式表示：F＝f(nt(i),βt,γt,t,i)，其中，t＝1,2,…,τ，表示所述预设时间段的第t年度，τ表示所述预设时间段的年度数，nt(i)表示第t年度的第i个月的电力负荷数据和气候数据，i＝1,2,…,12，βt表示第t年度的经济数据，γt表示第t年度的气象数据。根据本专利技术的一个实施例，所述第一层对第t年度的12个月的第一时间尺度数据进行处理后，输出αt＝(mt(1),mt(2),…,mt(i),…,mt(12))，其中，mt(0)＝mt(12)，mt(i)＝Flstm(nt(i),mt-1(i))，mt(i)为所述第一层对nt(i)处理后的输出数据，Flstm函数为所述长短期记忆单元映射函数；所述第二层对第t年度的第二时间尺度数据进行处理后，输出ηt＝Flstm(αt,βt,γt,ηt-1)，其中，βt＝tanh(yt,βt-1)，γt＝tanh(zt,γt-1)，yt、zt分别表示βt、γt经各自稠密连接的简单循环网络ReLU全连接层处理后的数据，tanh表示双曲正切函数。根据本专利技术的一个实施例，所述堆叠长短期记忆网络模型在第t年度的输出数据gt＝Wlt+b，其中，lt＝tanh(ηt,lt-1)，表示ηt经稠密连接的简单循环网络ReLU全连接层处理后的数据，W和b为预设参数。根据本专利技术的一个实施例，所述长短期记忆单元包括输入门it、输出门ot、遗忘门ft和待学习单元pt，所述待学习单元pt记录到当前时刻t为止的所有历史信息并受到所述输入门it、所述输出门ot和所述遗忘门ft控制，所述输入门it、所述输出门ot和所述遗忘门ft的输出值均在0和1之间。根据本专利技术的一个实施例，所述长短期记忆单元的参数通过如下公式迭代更新：其中，Wxo和Who表示输出门待学习网络参数，x1,x2,…,xτ为输入序列数据，xt表示第t时刻的输入数据，Wxi和Whi表示输入门待学习网络参数，Wxf和Whf为为遗忘门待学习网络参数，Wxp和Whp为细胞状态待学习网络参数，×表示逐点相乘运算，st表示所述长短期记忆单元的细胞状态。根据本专利技术的一个实施例，所述建模模块在训练得到所述堆叠长短期记忆网络模型时，通过下式表示损失函数：其中，为M1,M2,…,Mt,…,Mτ对1,2,…,t,…,τ的回归值，Mt为第t年的最大电力负荷的真实值，Wj(j＝1,2,…,N)为第j个网络待学习参数，N为网络待学习参数的总数，ε1和ε2分别是控制正则化强度的超参数。附图说明图1是本专利技术一个实施例的中长期电力负荷预测装置的结构框图；图2是本专利技术另一个实施例的中长期电力负荷预测装置的结构框图；图3是本专利技术一个示例的堆叠长短期记忆网络模型的结构图；图4是本专利技术一个示例第二层输出数据的处理流程图；图5是本专利技术一个示例的长短期记忆单元的输出隐藏单元计算流程图；图6是本专利技术一个示例的月度数据的处理流程图；图7是本专利技术一个示例的年度数据的处理流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能本文档来自技高网...

【技术保护点】
1.一种中长期电力负荷预测装置，其特征在于，包括：输入模块，用于输入多个第一时间尺度数据和多个第二时间尺度数据，并将所述多个第一时间尺度数据和所述多个第二时间尺度数据传递至长短期记忆神经网络的输入层，其中，所述多个第一时间尺度数据为预设时间段内的电力负荷数据及其影响因子，所述多个第二时间尺度数据为所述预设时间段内的电力负荷数据的影响因子，所述第一时间尺度小于所述第二时间尺度；建模模块，用于通过所述长短期记忆神经网络对所述多个第一时间尺度数据和所述多个第二时间尺度数据进行训练，以得到堆叠长短期记忆网络模型，其中，所述堆叠长短期记忆网络模型包括多个长短期记忆单元，所述多个长短期记忆单元分为两层，第一层用于处理第一时间尺度数据，第二层用于处理第二时间尺度数据；预测模块，用于利用所述堆叠长短期记忆网络模型对电力负荷进行预测，以得到电力负荷预测数据；输出模块，用于输出所述电力负荷预测数据。

【技术特征摘要】
1.一种中长期电力负荷预测装置，其特征在于，包括：输入模块，用于输入多个第一时间尺度数据和多个第二时间尺度数据，并将所述多个第一时间尺度数据和所述多个第二时间尺度数据传递至长短期记忆神经网络的输入层，其中，所述多个第一时间尺度数据为预设时间段内的电力负荷数据及其影响因子，所述多个第二时间尺度数据为所述预设时间段内的电力负荷数据的影响因子，所述第一时间尺度小于所述第二时间尺度；建模模块，用于通过所述长短期记忆神经网络对所述多个第一时间尺度数据和所述多个第二时间尺度数据进行训练，以得到堆叠长短期记忆网络模型，其中，所述堆叠长短期记忆网络模型包括多个长短期记忆单元，所述多个长短期记忆单元分为两层，第一层用于处理第一时间尺度数据，第二层用于处理第二时间尺度数据；预测模块，用于利用所述堆叠长短期记忆网络模型对电力负荷进行预测，以得到电力负荷预测数据；输出模块，用于输出所述电力负荷预测数据。2.如权利要求1所述的中长期电力负荷预测装置，其特征在于，还包括：采集模块，用于采集所述预设时间段内的电力负荷数据及其影响因子；分析模块，用于根据所述第一时间尺度对所述电力负荷数据进行划分，以得到第一时间尺度的电力负荷数据，并对所述影响因子进行分析，以得到第一时间尺度的关键影响因子和第二时间尺度的关键影响因子，以及将所述第一时间尺度的电力负荷数据和所述第一时间尺度的关键影响因子作为所述第一时间尺度数据，将所述第二时间尺度的关键影响因子作为所述第二时间尺度数据。3.如权利要求1所述的中长期电力负荷预测装置，其特征在于，所述第一时间尺度数据包括电力负荷数据和气候数据，所述第二时间尺度数据包括经济数据和气候数据。4.如权利要求3所述的中长期电力负荷预测装置，其特征在于，所述第一时间尺度为月，所述第二时间尺度为年。5.如权利要求4所述的中长期电力负荷预测装置，其特征在于，所述堆叠长短期记忆网络模型通过如下公式表示：F＝f(nt(i),βt,γt,t,i)，其中，t＝1,2,…,τ，表示所述预设时间段的第t年度，τ表示所述预设时间段的年度数，nt(i)表示第t年度的第i个月的电力负荷数据和气候数据，i＝1,2,…,12，βt表示第t年度的经济数据，γt表示第t年度的气象数据。6.如权利要求5所述的中长期电力负荷预测装置...

【专利技术属性】
技术研发人员：麻敏华，林勇，罗澍忻，靳冰洁，左郑敏，韦斌，周姝灿，郑秀波，
申请(专利权)人：广东电网有限责任公司电网规划研究中心，
类型：发明
国别省市：广东,44