基于卷积轻量级梯度提升树的负荷总功率预测方法及系统技术方案

本发明专利技术提出一种基于卷积轻量级梯度提升树的负荷总功率预测方法及系统，通过设计两阶段训练方法分别对卷积残差神经网络和轻量级梯度提升树进行训练，利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，提升负荷预测的精度。

【技术实现步骤摘要】
基于卷积轻量级梯度提升树的负荷总功率预测方法及系统
本专利技术涉及电力方向的人工智能
，特别涉及一种基于卷积轻量级梯度提升树的负荷总功率预测方法及系统。
技术介绍
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。负荷预测是电力系统经济调度中的一项重要内容，也是电力系统安全运行的基础。近年来，以空调、冰箱、热水器等为代表的居民负荷在电力高峰负荷中的占比逐年上升，由于居民用电负荷的随机性和波动性，可能会影响电力系统的正常运行与维护，因此有必要对该类负荷进行准确建模及预测。传统的家用电器类居民负荷聚合建模通常采用以下方法：(1)简化数学模型。包括随机Fokker–Planck扩散模型、离散状态空间模型、状态序列模型、双线性模型等多种形式。以双线性模型为例，它是将负荷在有限范围内进行离散化，并把负荷划分到对应的状态格中，通过控制格中负荷的数量得到双线性模型。双线性微分模型依据负荷的多输入单输出，能用于大规模负荷功率的行为预测上，并且可以提出分布式协调控制策略，但其建模过程相对复杂，适用于需要精细化建模或控制的场合；(2)详细物理模型。能够模拟建筑、空调系统的组成以及子系统之间复杂的热动态交互过程，这方面成熟的软件有EnergyPlus、DOE-2、ESP-r、TRNSYS等。物理模型能够捕捉足够的细节，仿真结果可信度高。但这种建模方式应用到多个负荷聚合时，会遇到计算量过大的问题；(3)基于历史负荷的回归模型。是建立在收集到大量负荷特性以及历史数据的基础上，通过分析家庭用户的历史用户数据，获得负荷的变化差异，并由此建立了负荷的回归模型。这种建模方式在提高准确率的同时，需要增加大量的负载功率信息，而特征信息的获取在实际的负荷预测任务中存在操作难度较大的问题，需要一定量的人工进行提取，而人工提取特征往往需要花费大量的时间与精力，并且所设计的提取方法不能很好去除噪声干扰。
技术实现思路
本专利技术的目的是克服上述
技术介绍
的不足，基于人工智能在数据处理方面的强大算力，提出一种基于卷积轻量级梯度提升树的负荷总功率预测方法及系统，通过设计两阶段训练方法分别对卷积残差神经网络和轻量级梯度提升树进行训练，提升负荷预测的精度。为此，本专利技术的一个目的在于提出一种基于卷积轻量级梯度提升树的负荷总功率预测方法：包括以下步骤：S1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；S2、将训练集的数据进行归一化处理；S3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；S4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。优选的，在S1中，所述预设规则，包括将所有数据按温度不同进行分类，并将同一天气温度下一段时间的所有电器的总功率数据分成长度相同的时间段，每一个时间段中前90％的总功率数据构成一个一维空间矩阵作为训练集，每一个时间段的后10％的总功率数据作为标签数据，所述标签数据用于预测数据进行比对，通过反向传播对模型中的参数进行更新。在上述任意一项是实施例中优选的：在S2中在进行归一化处理时，采用下式函数进行线性函数归一化：其中，x表示为同一温度下所有电器的原始总功率数据，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，x*表示为经过归一化变化以后输入进网络的数据。在上述任意一项是实施例中优选的，在S3中包括如下步骤：S301、构建一个卷积残差神经网络，所述卷积残差神经网络的残差单元由全卷积层，批量归一化层，线性整流激活函数层，全连接层构成；S302、将轻量级梯度提升树替换所述残差单元中的全连接层。利用上述S301中训练好的卷积残差神经网络中的权重，对输入的数据进行分析与提取；S303、将这部分数据输入进轻量级梯度提升树中，对轻量级梯度提升树进行训练。在上述任意一项是实施例中优选的，在S3中还包括，轻量级梯度提升树采用直方图算法进行优化，减少内存消耗。在上述任意一项是实施例中优选的，在S3中还包括，轻量级梯度提升树对于基于梯度的单侧采样优化，保持所有具有大梯度的实例，并对小梯度的实例执行随机采样。在上述任意一项是实施例中优选的，轻量级梯度提升树在直方图算法之上进行采用叶子生长策略进一步优化；每一次在决策树所有叶子中寻找到分裂增益最大的一个叶子，然后进行分裂，一直重复循环。在上述任意一项是实施例中优选的，在叶子生长策略的基础上增加一个最大深度的限制，防止过拟合。在上述任意一项是实施例中优选的，在S4中，采用如下公式进行反归一化处理：其中，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，xpred表示为模型输出端未经过反归一化处理的总功率预测值，表示为经过反归一化所获得的总功率预测值。一种基于卷积轻量级梯度提升树的负荷总功率预测系统，应用于电力系统，所述系统包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的基于卷积轻量级梯度提升树的负荷总功率预测方法的方法步骤。本专利技术提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法，相比于现有技术至少具有以下优点：采用卷积轻量级梯度提升树的方法分为两个阶段分别对卷积残差神经网络和轻量级梯度提升树进行训练，提升负荷预测的精度，采用卷积轻量级梯度提升树，利用直方图优化在计算时不需要使用额外的空间存储预排序结果，同时能够保存特征离散化后的值；减少了内存消耗，基于梯度的单侧采样优化，可以将更多的注意力从更改原始数据集分布转移到训练不足的实例之中，并减少计算成本。附图说明构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法的流程图；图2为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的卷积轻量级梯度提升树网络结构图；图3为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的残差单元结构图；图4为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的直方图算法优化结构；图5为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的内存占用优化图；图6(a)为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中的内存决策树生长策略中的叶子生长策略图；图6(b)为本专利技术实施例提供的一种基于卷积轻量级梯度提升树的负荷总功率预测方法中本文档来自技高网...

【技术保护点】
1.一种基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：包括以下步骤：/nS1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；/nS2、将训练集的数据进行归一化处理；/nS3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；/nS4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。/n

【技术特征摘要】
1.一种基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：包括以下步骤：
S1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；
S2、将训练集的数据进行归一化处理；
S3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；
S4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。


2.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S1中，所述预设规则，包括将所有数据按温度不同进行分类，并将同一天气温度下一段时间的所有电器的总功率数据分成长度相同的时间段，每一个时间段中前90％的总功率数据构成一个一维空间矩阵作为训练集，每一个时间段的后10％的总功率数据作为标签数据。


3.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S2中在进行归一化处理时，采用下式函数进行线性函数归一化：



其中，x表示为同一温度下所有电器的原始总功率数据，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，x*表示为经过归一化变化以后输入进网络的数据。


4.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S3中包括如下步骤：
S301、构建一个卷积残差神经网络，所述卷积残差神经网络的残差单元由全卷积层，批量归一化层，线性整流激活函数层，全连接层构成；
S302、将轻量级梯度提升树替换所述残差单元中的全连接层；利用上述S301中训练好的卷积残差神经网络中...

【专利技术属性】
技术研发人员：李亚平，姚建国，杨胜春，黄鸣宇，刘海涛，耿建，王珂，朱克东，钱甜甜，汤必强，刘建涛，郭晓蕊，周竞，于韶源，
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，国网宁夏电力有限公司电力科学研究院，
类型：发明
国别省市：北京;11