一种基于深度神经网络的短期电力负荷预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度神经网络的短期电力负荷预测方法及装置，包括根据预测日期、预测日期中的预测时间及其对应的天气数据确定预测特征数据；根据所述预测特征数据确定预测日中的预测时间的电力负荷；本发明专利技术利用神经网络获得预测时间的电力负荷，计算速度快，且考虑了影响负荷的外部因素，解决了短期电力负荷预测准确率不高的问题，可为自服务电网中的电力规划和调度决策提供准确的数据支撑。

A short-term load forecasting method and device based on deep neural network

【技术实现步骤摘要】
一种基于深度神经网络的短期电力负荷预测方法及装置
本专利技术涉及负荷预测
，具体涉及一种基于深度神经网络的短期电力负荷预测方法及装置。
技术介绍
随着计算机科技、现代通信技术等不断发展，电力系统的规模也在不断的扩大，用户的电力需求也在随着日益增长。电力系统负荷预测是实现电力系统安全、经济运行的基础。对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。在短期负荷预测中，正确认识和分析影响负荷因素对负荷的影响一直是短期负荷预测的关键问题。目前短期电力系统负荷预测采用的方法有产值单耗法、指数平滑法和时间序列法。但是这些方法不仅需要大量细致的调研工作，且没有考虑到外部因素的影响，预测精度比较低。因此，本领域需要提供一种计算速度快，且预测精度高的短期电力负荷预测方法。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于深度神经网络的短期电力负荷预测方法，该方法计算速度快，预测精度高，可为自服务电网中的电力规划和调度决策提供准确的数据支撑。本专利技术的目的是采用下述技术方案实现的：本专利技术提供一种基于深度神经网络的短期电力负荷预测方法，其改进之处在于，包括：获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；根据所述预测特征数据确定预测日中的预测时间的电力负荷。优选的，所述预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。优选的，所述根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。进一步的，所述预先建立的深度神经网络模型的建立过程包括：根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；将所述历史特征数据作为初始深度神经网络模型的输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。进一步的，所述若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于阈值，则训练后的深度神经网络模型满足收敛条件；将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。基于同一专利技术构思，本专利技术提供一种基于深度神经网络的短期电力负荷预测装置，其改进之处在于，包括：获取单元：获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；预测单元：述预测特征数据确定预测日中的预测时间的电力负荷。优选的，所述预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。优选的，根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。进一步的，所述预先建立的深度神经网络模型的建立过程包括：根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；将所述历史特征数据作为初始深度神经网络模型的输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。进一步的，所述若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于阈值，则训练后的深度神经网络模型满足收敛条件；将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。与最接近的现有技术相比，本专利技术具有的有益效果：本专利技术提供的一种基于深度神经网络的短期电力负荷预测方法及装置，根据预测日期、预测日期中的预测时间及其对应的天气数据确定预测特征数据；根据所述预测特征数据确定预测日中的预测时间的电力负荷；本专利技术利用神经网络获得预测时间的电力负荷，计算速度快，且考虑了影响负荷的外部因素，解决了短期电力负荷预测准确率不高的问题，可为自服务电网中的电力规划和调度决策提供准确的数据支撑。附图说明图1是本专利技术短期电力负荷预测方法流程图；图2是实施例中电力台区未来5天的功率变化示意图；图3是本专利技术短期电力负荷预测装置示意图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步的详细说明。为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。为解决自服务电网中，短期负载预测所面临的电力需求复杂性和季节性以及外部天气因素影响导致的预测准确率不高的问题，本专利技术提供一种基于深度神经网络的短期电力负荷预测方法，建立基于深度神经网络的短期负载预测模型，研究考虑对多种不同层级的电力需求和外部天气因素进行建模，设计基于深度神经网络和可视化技术的短期负载预测的应用。本专利提出的短期负荷预测方法，计算速度快，预测精度高，能够很好地满足电网对电力负荷预测的需求并为自服务电网中的电力规划和调度决策提供借鉴，如图1所示，包括：获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；根据所述预测特征数据确定预测日中的预测时间的电力负荷。为了更加清楚的表明本专利技术的目的，下面结合具体的实施例对本专利技术的方法作进一步解释。在本专利技术的实施例中，预测特征数据包括：本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的短期电力负荷预测方法，其特征在于，所述方法包括：/n获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；/n根据所述预测特征数据确定预测日中的预测时间的电力负荷。/n

【技术特征摘要】
1.一种基于深度神经网络的短期电力负荷预测方法，其特征在于，所述方法包括：
获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；
根据所述预测特征数据确定预测日中的预测时间的电力负荷。


2.如权利要求1所述的方法，其特征在于，所述预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。


3.如权利要求1所述的方法，其特征在于，所述根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：
将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；
其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。


4.如权利要求3所述的方法，其特征在于，所述预先建立的深度神经网络模型的建立过程包括：
根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；
将所述历史特征数据作为初始深度神经网络模型的输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；
若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；
其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。


5.如权利要求4所述的方法，其特征在于，所述若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：
将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；
若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于阈值，则训练后的深度神经网络模型满足收敛条件；
将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。

【专利技术属性】
技术研发人员：田世明，宫飞翔，李德智，卜凡鹏，沈力，乔林，韩凝晖，谢尊辰，董明宇，陈宋宋，石坤，龚桃荣，潘明明，周颖，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网辽宁省电力有限公司信息通信分公司，
类型：发明
国别省市：北京;11