一种基于深度学习的超短期负荷预测方法及系统技术方案

本发明专利技术提供一种基于深度学习的超短期负荷预测方法，用于对15分钟超短期负荷数据进行精准预测。在实际的湖南省全省的发电负荷预测数据中，本发明专利技术所提供的超短期负荷预测方法可以在训练集和测试集上均取得99.43％的准确率。可以为实际的发电规划提供强有力的决策依据。同时，在预测准确率指标的基础上提供了预测结果统计分析、预测值可视化分析、预测偏差时间点分析。预测结果统计分析用于对训练后的模型预测的可靠性提供统计学上的可信度依据。预测值可视化分析用于直观显示预测模型的预测值和实际电力负荷预测数据之间的差异。预测偏差时间点分析用于对预测偏差大的值所处的时间点提供分析，有利于后期电网工作人员对特定时间内的发电情况进行优化。

An ultra short term load forecasting method and system based on deep learning

【技术实现步骤摘要】
一种基于深度学习的超短期负荷预测方法及系统
本专利技术涉及电力系统负荷预测领域，具体来说，涉及一种基于深度学习的超短期负荷预测方法及系统。
技术介绍
电力工业是国民经济的基础工业。随着我国产业结构完善和人民整体生活水平的改善，对电能的需求逐年加大，同时对电力质量的要求也越来越高，且由于电能生产和消费的同时性，对电网建设和布局提出了更高的要求。电力负荷预测是电网规划建设的依据和基础。随着电力工业在国民经济中扮演着越来越重要的角色，电力负荷的正确预测显得尤为重要。电力负荷预测是指通过对电力系统负荷历史数据的分析和研究，运用统计学、数学、计算机、工程技术及经验分析等定性定量的方法，探索事物之间的内在联系和发展变化规律，对未来的负荷发展做出预先估计和推测。电力负荷预测结果的准确与否直接关系到电力投资的效益，供电的可靠性，用电需求的正常发展，以及社会的经济效益和社会效益。但要做到预测准确或较准确是很困难的，因为影响电力负荷预测的因素相当多，且由于各地区产业结构和人民生活水平不同，各具体因素对电力负荷预测的敏感度是不一样的，因而电力负荷预测具模糊性。近年来，深度学习(DeepLeraning)相关技术已经在各个领域中取得了巨大的成就。2012年,深度学习技术被应用在ImageNet图像识别比赛上,并以碾压第二名的好成绩让深度学习成为大众的焦点。2013年，深度学习技术被应用在人脸识别技术中，并取得的不错的结果；2015年，深度学习技术在ImageNet图像识别比赛上的精度超过了人眼辨识的精度；2016年,谷歌基于深度学习算法开发了AlphaGo程序,击败了围棋世界冠军李在石；2018年，深度学习技术中的卷积神经网络和对抗式生成网络被用于提高图片的超分别率、数据增强、风格迁移等领域。深度学习中的卷积神经网络不仅对图片处理有着极为出色的能力，在文本处理、语音识别等领域也同样取得了巨大的成就。目前，对卷积神经网络结构和理论的研究仍旧是深度学习研究领域的热点。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出一种基于深度学习的超短期负荷预测方法，其目的是为了解决在进行超短期负荷预测时存在的预测精度模糊的问题，同时为预测结果提供统计分析、可视化分析和预测偏差分析。为实现上述技术目的，本专利技术的技术方案是这样实现的：本专利技术公开了一种基于深度学习的超短期负荷预测系统，包括：特征工程，用于对原始电力负荷预测数据进行特征挖掘，提取出有利于最终预测的特征从而提高超短期负荷精度；预测模型，用于对特征工程之后的电力负荷预测进行拟合训练，训练后的模型中将包含学习到的负荷预测规律；统计模块，对预测结果进行统计分析，用于对训练后的模型预测的可靠性提供统计学习上的可信度数据结果；预测值可视化分析模块，用于直观的显示预测模型的预测值和实际电力负荷预测数据之间的曲线差异；预测偏差时间点分析模块，用于对预测偏差大的值所处的时间点提供分析，有利于后期电网工作人员对特定时间内的发电数据情况进行优化。更进一步地，时间窗口选择和过去时间点的一阶求导，其中，所述时间窗口为选取过去两天的数据点，同时对于每一个时间点，选取与所述每个时间点最接近的4个点进行一阶求导。更进一步地，所述预测模型由卷积神经网络和人工神经网络共同组成，其中，预测模型包括6层，其中第一层为卷积层，其余为全连接层；通过所述卷积层来提取负荷预期数据在上下文空间上的特征，再由所述全连接层对卷积层提取的特征进行不断组合从而实验较好的精度预测效果。模型的损失函数为平均绝对误差(MAE)，所述平均绝对误差(MAE)具体的计算公式为在训练模型时，当测试集上的MAE值越低，模型的训练效果越好，即模型学习到负荷预测数据的规律；模型的最终预测精度计算公式为其中，计算的最终精度越高表示最终的效果越好。更进一步地，对所述测试集的预测结果进行统计分析进一步包括：在预测的结果平均绝对误差和预测精度的基础上，扩展预测误差最大值、预测误差最小值、预测误差均值的预测误差标准方差，其中，预测误差最大值表示最不理想情况下的预测情况，预测误差最小值表示了最佳的预测情况，预测误差均值表示平均的预测水平，预测误差标准方差则表示了整体预测结果的波动情况；以此对预测结果提供统计上的分析。更进一步地，所述预测值可视化分析进一步包括：通过可视化实际的负荷预测数据和模型预测的负荷预测数据曲线，直观的观测到哪个时间段数据预测偏差较大，以便于后期进行二次优化。更进一步地，所述预测偏差时间点分析进一步包括：对所述测试集进行预测，并将预测偏差按照从大到小进行排序，然后取预测偏差最大的前10％的数据点，可视化出这些数据预测偏差较大值的数据点是在每天的哪个时间点发生。本专利技术进一步公开了一种基于深度学习的超短期负荷预测方法，包括：步骤1：获取原始数据集，并且可视化出数据集，观察数据集在短期，中期和长期范围内是否存在某种规律；步骤2：对数据进行预处理，将获取到的原始数据按照时间的顺序进行从小到大的排序；步骤3：对原始电力负荷预测数据进行特征挖掘，提取出有利于最终预测的特征从而提高超短期负荷精度；步骤4：构建预测模型并对模型进行训练，其中，所述预测模型搭为6层的卷积层和全连接层的混合模型。步骤5：当模型在训练集上完成训练，验证其在测试集上的精度。更进一步地，所述步骤2具体包括：将所有的数据按照时间顺序进行排序，形成一个一维的数据格式；然后选择过去一段时间点的范围作为模型的输入，将未来要预测的时间点作为输出，即模型的训练标签；最后，不断地滑动窗口，以得到我们最终的全部数据集，其中，数据窗口大小的设定为超参数设定，当历史的数据窗口选择为2天共192个数据点。更进一步地，所述步骤3具体包括：我们对过去两天的时间点的每一个数据都取与之最接近的4个邻近点的一阶导数，处理过后的单笔输入数据形状为：5×193；所有的训练数据都不进行随机打散，而是按照时间顺序进行划分，将数据集的前80％当做训练集，后20％当做测试集。更进一步地，所述步骤4具体包括：在搭建好模型和处理好所有的数据集之后，开始训练模型；按照时间顺序对于训练集和测试集的划分；在训练的过程中，将所有的所述训练集进行打散，其中每个训练的batch的大小为128。更进一步地，所述步骤5具体包括：当模型在训练集上完成训练，验证其在测试集上的精度，同时，为了对预测偏差进行深入的分析，其中，所述深入的分析包括预测结果统计分析、预测值可视化分析、预测偏差时间点分析。本专利技术的有益效果：本专利技术的上述实施例所述的基于深度学习的超短期负荷预测方法对于15分钟的超短期负荷预测可以提供精准预测。在实际的湖南省全省的发电负荷预测数据上，按照上述的步骤进行训练可以在训练集和测试集上均取得99.43％的准确率。可以为实际的发电规划提供的强有力的决策依据。同时，在预测精度指标的基础上提供了预测结果统计分析、预测值可本文档来自技高网...

【技术保护点】
1.一种基于深度学习的超短期负荷预测系统，其特征在于，包括：/n特征工程，用于对原始电力负荷预测数据进行特征挖掘，提取出有利于最终预测的特征从而提高超短期负荷精度；/n预测模型，用于对特征工程之后的电力负荷预测进行拟合训练，训练后的模型中将包含学习到的负荷预测规律；/n统计模块，对预测结果进行统计分析，用于对训练后的模型预测的可靠性提供统计学习上的可信度数据结果；/n预测值可视化分析模块，用于直观的显示预测模型的预测值和实际电力负荷预测数据之间的曲线差异；/n预测偏差时间点分析模块，用于对预测偏差大的值所处的时间点提供分析，有利于后期电网工作人员对特定时间内的发电数据情况进行优化。/n

【技术特征摘要】
1.一种基于深度学习的超短期负荷预测系统，其特征在于，包括：
特征工程，用于对原始电力负荷预测数据进行特征挖掘，提取出有利于最终预测的特征从而提高超短期负荷精度；
预测模型，用于对特征工程之后的电力负荷预测进行拟合训练，训练后的模型中将包含学习到的负荷预测规律；
统计模块，对预测结果进行统计分析，用于对训练后的模型预测的可靠性提供统计学习上的可信度数据结果；
预测值可视化分析模块，用于直观的显示预测模型的预测值和实际电力负荷预测数据之间的曲线差异；
预测偏差时间点分析模块，用于对预测偏差大的值所处的时间点提供分析，有利于后期电网工作人员对特定时间内的发电数据情况进行优化。


2.根据权利要求1所述的基于深度学习的超短期负荷预测系统，其特征在于，时间窗口选择和过去时间点的一阶求导，其中，所述时间窗口为选取过去两天的数据点，同时对于每一个时间点，选取与所述每个时间点最接近的4个点进行一阶求导。


3.根据权利要求2所述的基于深度学习的超短期负荷预测系统，其特征在于，所述预测模型由卷积神经网络和人工神经网络共同组成，其中，预测模型包括6层，其中第一层为卷积层，其余为全连接层；通过所述卷积层来提取负荷预期数据在上下文空间上的特征，再由所述全连接层对卷积层提取的特征进行不断组合从而实验较好的精度预测效果；
模型的损失函数为平均绝对误差(MAE)，所述平均绝对误差(MAE)具体的计算公式为在训练模型时，当测试集上的MAE值越低，模型的训练效果越好，即模型学习到负荷预测数据的规律；
模型的最终预测精度计算公式为其中，计算的最终精度越高表示最终的效果越好。


4.根据权利要求3所述的基于深度学习的超短期负荷预测系统，其特征在于，对所述测试集的预测结果进行统计分析进一步包括：在预测的结果平均绝对误差和预测精度的基础上，扩展预测误差最大值、预测误差最小值、预测误差均值的预测误差标准方差，其中，预测误差最大值表示最不理想情况下的预测情况，预测误差最小值表示了最佳的预测情况，预测误差均值表示平均的预测水平，预测误差标准方差则表示了整体预测结果的波动情况；以此对预测结果提供统计上的分析。


5.根据权利要求4所述的基于深度学习的超短期负荷预测系统，其特征在于，所述预测值可视化分析进一步包括：通过可视化实际的负荷预测数据和模型预测的负荷预测数据曲线，直观的观测到哪个时间段数据...

【专利技术属性】
技术研发人员：张思远，刘永刚，贺鹏程，钱军，陈斌，石辉，戴远航，廖志芳，潘海辉，曾琪，齐笑斐，
申请(专利权)人：国网湖南省电力有限公司，国家电网有限公司，
类型：发明
国别省市：湖南;43