一种多时空长短记忆深度网络精准预测方法技术

本发明专利技术提供一种多时空长短记忆深度网络精准预测方法，该方法能解决目前电力系统由于不同时间尺度和空间尺度的电力负荷波动较大而导致负荷预测精度较低的问题。本发明专利技术提出了结合电力系统负荷的多时空分布特性进行预测的思想，利用长短记忆深度神经网络对不同时间尺度和空间尺度的电力负荷数据进行学习，该神经网络是一种时间循环网络，有着很强的时间序列记忆能力，十分适用于电力系统负荷预测。本发明专利技术提出的一种多时空长短记忆深度网络精准预测方法，能根据实际所需预测地区的负荷分布特性的不同，改变预测模型的输入和输出个数，并对不同时间尺度和空间尺度的电力负荷进行精准预测。能替代用于负荷预测的传统统计模型和普通的机器学习模型。

An accurate prediction method of multi temporal and short memory depth network

The invention provides a multi time and space long short memory depth network accurate prediction method, which can solve the problem that the current power system load prediction accuracy is low due to the large fluctuation of power load in different time scales and space scales. The invention proposes the idea of combining the multi temporal and spatial distribution characteristics of power system load to predict, using the long and short memory depth neural network to learn the power load data of different time scale and space scale, the neural network is a time cycle network, which has strong time series memory ability, and is very suitable for power system load forecasting. The method can change the number of input and output of the prediction model according to the different load distribution characteristics of the actual required prediction area, and accurately predict the power load of different time scale and space scale. It can replace the traditional statistical model and the common machine learning model for load forecasting.

【技术实现步骤摘要】
一种多时空长短记忆深度网络精准预测方法
本专利技术属于电力系统负荷预测领域，涉及一种替代传统统一时间尺度和空间尺度负荷预测的方法，适用于电力系统负荷预测。
技术介绍
随着能源互联网的提出和发展，电力系统结合了诸多互联网前沿信息技术，如先进传感器、软件应用程序等，形成了以分布式能源为主多网络系统紧密耦合的复杂多网流的电力系统，此外，再加上物联网概念的提出，共享概念的发展和共享商品在社会范围内的大规模实践，使得负荷更加呈现出空间离散性和时间随机性的特点。因此，电力系统负荷预测的难度必将极大提升，而负荷预测在未来的能源互联网中必定起到重要作用，所以，对负荷的精准预测就变得尤为重要。在电力系统负荷中，庞大的负荷区域让负荷预测的难度增大，且随着预测区域的增加，不确定性也会更大，此外，为了应对负荷的变化，电力系统现在采取“机组组合”、“经济调度”、“自动发电控制”和“机组功率分配”来控制系统频率。统一的时间尺度，无法快速而精确的应对负荷的变化。为了克服负荷区域过大而产生的负荷预测不精确的问题和统一时间尺度的频率控制方法无法及时应对负荷变化的问题，本专利技术提出了多时空精准预测的方法。为了处理电力系统中庞大的时间序列数据预测问题，本专利技术提出了一种应用于多时间多空间负荷分布的长短记忆深度神经网络算法。传统的系统频率控制方法统一了4秒尺度的自动发电控制、15分钟的经济调度和1天时间尺度的机组组合，最终机组出力是一个时间尺度。针对传统频率控制无法快速而精确的应对负荷的变化的缺陷，本专利技术设计出一种多时空长短记忆深度网络精准预测方法，该方法将负荷区域按其特点划分为多个子区域，并使用长短记忆深度神经网络分别进行精确预测，此外，将传统调频控制的统一时间尺度按照每一环节的特点划分为多时间尺度，并使用深度神经网络算法进行训练。目前深度学习算法发展快速，循环神经网络及其改进的算法在分类、回归等时间序列数据的处理中有了举足轻重的地位，因此能被应用于电力系统负荷预测问题中，来提高负荷预测的精确度。
技术实现思路
本专利技术提出了一种多时空长短记忆深度网络精准预测方法，该方法与传统的负荷预测及频率控制框架不同，多时空精准预测方法是将原本统一的负荷预测区域和统一的频率控制组合分成多空间多时间的分布式方法。基于长短记忆深度网络和深度神经网络，对时间序数据进行学习，模型能精确地预测负荷并将数据发送给频率控制模块，以实现实时的频率控制和调节。多时空精准预测方法中设计的神经网络，可以将先前输入的数据记忆长期保存，允许信息的持久化，而且记忆可以达到很长的距离，长短记忆神经网络有两个状态h和c，其中c用来保存长期记忆，称为单元状态(cellstate)。长短记忆神经网络是由一个个元胞连接组成，输入为时间序列数据组，某一时间点的输入xt与上一时间点的状态ht-1分别乘其权值再相加，得到下一时间点的状态ht。状态h依次向前传播，其原理为：ht＝xtwxh+ht-1whh(1)其中wxh为输入xt和上一时间状态量ht-1的连接权值。此外，长短记忆深度网络可以有多层上下堆叠，状态h不但向前传播，同时也可以作为下一层的输入向上传播。原理为：长短记忆网络的输出output为空间层最后一层状态的所有时间序列，即：长短记忆深度网络之所以能长期记忆，是由于其网络内部有三道门对长期状态c进行控制，分别是记忆门、输入门和输出门。门实际上是一个激活函数，输入是一个向量，输出为一个0到1之间的实数向量，当门为0时，说明任何向量都不能通过，当门为1时，说明任何向量都能通过。因此通过控制门的开度就能输入有用信息，忘记无用信息，输出所需信息。其基本算法原理如下：记忆门为sigmoid激活函数，其输出ft为：ft＝σ[wf(xtwxh+ht-1whh)+bf](4)输入门为sigmoid激活函数和tanh激活函数，其输出it和为：it＝σ[wi(xtwxh+ht-1whh)+bi](5)输出门为sigmoid激活函数，其输出ot为：ot＝σ[wo(xtwxh+ht-1whh)+bo](7)单元状态ct为：输出状态ht为：ht＝ot×tanh(ct)(9)多时空分布长短记忆深度网络精准预测方法中的神经网络对输入样本的划分有着较高的要求，即每个长短记忆神经网络需要训练的时间序列要有着该区域负荷的分布特点，每个训练好的网络都精准的针对训练地区的负荷分布特点进行负荷预测。这些具有分布特点的数据可以通过简单的划分地理区域得到，也可以根据用电类型进行特征划分。因此，为了尽可能表征每个网络特点，训练该长短记忆深度网络的数据可按需特地产生。附图说明图1是本专利技术方法的长短记忆深度网络示意图。图2是本专利技术方法的长短记忆深度网络各元胞的示意图。图3是本专利技术方法的多时间和多空间尺度负荷预测实时调度与控制框架示意图。具体实施方式本专利技术提出的一种多时空长短记忆深度网络精准预测方法，结合附图详细说明如下；图1是本专利技术方法的长短记忆深度网络示意图。输入为一段连续的时间序列数据，经过多个隐层，在自左到右的时间轴及自下到上的空间轴上前向传播网络状态量h和c，最后输出数据标签output，再经过误差反向传播调整网络各层权值，以达到网络训练的目的。使用多个该类型神经网络对不同分布特性的负荷进行训练，使网络能够精确预测不同地区或不同类型的负荷。具体预测方法是，向网络中输入一段负荷的当前时间序列数据，在网络输出output处得到下一时间的负荷值序列。图2是本专利技术方法的长短记忆深度网络各元胞的示意图。。在该元胞中，有一个输入量xt，为一组时间序列，有两个网络状态量h和c，经过记忆门、输入门和输出门来控制其变化。三个门的使用是该元胞的核心特征，其中记忆门是决定从细胞状态中丢弃什么信息，该门读取上一时间戳的状态量h和当前时间戳的输入量x，输出一个0到1之间的数值给单元状态量c，其中1就表示完全保留信息，0表示完全遗忘信息；输入门是决定什么样的新信息被存放入细胞状态中，其中sigmoid层决定要更新什么值，而tanh层使一个新的候选值向量被加入到细胞状态中；最后，输出门确定需要输出什么值，其中sigmoid层确定细胞状态的哪些部分要被输出，然后，细胞状态经过tanh层处理，最终会确定该输出的部分。图3是本专利技术方法的多时间和多空间尺度负荷预测实时调度与控制框架示意图。实时发电调度与控制器采用多时间尺度框架，是传统组合式算法“机组组合+经济调度+自动发电控制+发电功率分配”优化后的算法框架，采用深度神经网络对机组组合、经济调度、自动发电控制和发电功率分配进行分别训练，该方法既解决了传统多时间尺度框架下经济发电调度在发电厂实际运行中出现的不符合实际情况的问题，又改正了传统算法组合精确性较低、灵活性不足的弊端。多时间尺度深度神经网络算法既能够离线预训练提升优化控制能力，又能够在线学习不断适应新环境变化进本文档来自技高网...

【技术保护点】
1.一种多时空长短记忆深度网络精准预测方法，其特征在于，能根据不同时空的电力系统负荷分布特性对负荷进行精准预测，该方法在使用过程中的主要步骤为：/n(1)将目标电力系统负荷按时空分布特性划分为若干子系统负荷；/n(2)采集各子系统负荷的历史数据，并对数据进行预处理，生成训练数据集；/n(3)利用训练数据的特点，确定相应的训练模型的输入量和输出量；/n(4)利用步骤(3)所得的训练数据，采用长短记忆深度神经网络进行训练；/n(5)利用实时负荷数据在训练好的模型中进行计算，精准预测各时空负荷。/n

【技术特征摘要】
1.一种多时空长短记忆深度网络精准预测方法，其特征在于，能根据不同时空的电力系统负荷分布特性对负荷进行精准预测，该方法在使用过程中的主要步骤为：
(1)将目标电力系统负荷按时空分布特性划分为若干子系统负荷；
(2)采集各子系统负荷的历史数据，并对数据进行预处理，生成训练数据集；
(3)利用训练数据的特点，确定相应的训练模型的输入量和输出量；
(4)利用步骤(3)所得的训练数据，采用长短记忆深度神经网络进行训练；
(5)利用实时负荷数据在训练好的模型中进行计算，精准预测各时空负荷。


2.如权利要求1所述的一种多时空长短记忆深度网络精准预测方法，其特征在于，所述步骤(1)中将电力系统负荷按时空划分为多个子区域，充分考虑了时间和空间对负荷变动的影响，得到了更加有特点的负荷训练数据，使得负荷预测可以分区域、分时间段进行，预测结果更加精准。


3.如权利要求1所述的一种多时空长短记忆深度网络精准预测方法，其特征在于，所述步骤(2)中采集的负荷训练数...

【专利技术属性】
技术研发人员：殷林飞，谢佳兴，吴云智，罗仕逵，高放，黄天蔚，孙志响，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45