【技术实现步骤摘要】
用于多芯智能表的电力负荷概率预测系统与方法
本专利技术涉及电力负荷预测领域,具体涉及一种对用电负荷概率密度函数进行预测的方法。
技术介绍
在电力物联网建设的背景下,电力系统能够通过广泛铺设智能电表对海量的负荷数据进行采集、记录及存储,多芯智能表是一种能够实现非侵入式负荷识别、具备边缘计算能力的智能电表,基于数据处理和分析的负荷预测方法得益于此,有了更多的数据基础支撑。负荷预测准确度受季节动态、地区发电量等众多因素影响,具有一定的不确定性,如何利用多芯智能表获取的海量数据构建高效精确的负荷预测模型,以及如何描述负荷预测中的不确定性等问题成为了近年研究热点。负荷预测方法主要可以分为时间序列预测法、回归分析预测法和人工智能预测法。由于负荷预测的影响因素具有种类多、突发性和不确定性等特点,对于时间序列预测法和回归分析预测法来说,负荷预测的准确度较低且鲁棒性较差,而以神经网络、支持向量机预测为代表的人工智能方法则比以上方法具有更好的表现,在近年来得到快速发展。目前,为了提高预测结果的准确性,往往采用多个预测模型进行同时预测,然后将多个预测模型的预测结果进行综合(如统计学分析)来得最终的预测结果。结构冗杂,多个预测模型并行训练,需要消耗大量的训练资源,训练效率较低。
技术实现思路
针对上述技术的不足,本专利技术提供了一种用于多芯智能表的电力负荷概率预测方法,解决现有技术中为了提高预测结果的准确性,而需要依赖多个模型的预测结果来构建最终预测结果的技术问题。为解决上述技术问题,本专利技术提供一种用 ...
【技术保护点】
1.一种用于多芯智能表的电力负荷概率预测方法,其特征在于,包括以下步骤:/n构建样本集:获取不同环境因素下的历史负荷数据,根据历史负荷数据与环境因素数据构建出样本集;样本集划分为训练集与验证集;/n构建混合密度网络:包括逐级连接的全连接层、混合参数输出层与混合概率密度函数输出层;/n所述全连接层用于将处理后的输入数据输出给混合参数输出层;所述全连接层包括3组输出神经元,每组输出神经元中均包含N个输出神经元;/n所述混合参数输出层包括三个并行的混合参数神经元;每个混合参数神经元相应获取全连接层的一组输出神经元的N个输出数据,从而根据N个输出数据拟合出N个对应的混合参数;所述三个并行的混合参数神经元为混合权重神经元、概率密度函数方差神经元以及概率密度函数均值神经元;/n所述混合概率密度函数输出层用于获取混合参数输出层输出的混合权重、概率密度函数方差以及概率密度函数均值以构建混合密度函数,并以混合密度函数作为用电负荷概率密度分布;/n利用训练集对混合密度网络进行训练,以优化网络参数:利用验证集对训练后的混合密度网络进行验证;将历史负荷数据与相应的环境因素数据处理成与样本数据相同的数据结构后, ...
【技术特征摘要】
1.一种用于多芯智能表的电力负荷概率预测方法,其特征在于,包括以下步骤:
构建样本集:获取不同环境因素下的历史负荷数据,根据历史负荷数据与环境因素数据构建出样本集;样本集划分为训练集与验证集;
构建混合密度网络:包括逐级连接的全连接层、混合参数输出层与混合概率密度函数输出层;
所述全连接层用于将处理后的输入数据输出给混合参数输出层;所述全连接层包括3组输出神经元,每组输出神经元中均包含N个输出神经元;
所述混合参数输出层包括三个并行的混合参数神经元;每个混合参数神经元相应获取全连接层的一组输出神经元的N个输出数据,从而根据N个输出数据拟合出N个对应的混合参数;所述三个并行的混合参数神经元为混合权重神经元、概率密度函数方差神经元以及概率密度函数均值神经元;
所述混合概率密度函数输出层用于获取混合参数输出层输出的混合权重、概率密度函数方差以及概率密度函数均值以构建混合密度函数,并以混合密度函数作为用电负荷概率密度分布;
利用训练集对混合密度网络进行训练,以优化网络参数:利用验证集对训练后的混合密度网络进行验证;将历史负荷数据与相应的环境因素数据处理成与样本数据相同的数据结构后,输入验证通过后的混合密度网络进行用电负荷概率预测。
2.根据权利要求1所述的用于多芯智能表的电力负荷概率预测方法,其特征在于,采用sofmax激活函数来拟合混合权重,设混合权重神经元的第n个输入数据为zn,则将softmax(zn)赋值给混合权重神经元输出的第n个混合权重,计算公式如下:
式中,zj表示混合权重神经元的第j个输入数据,j={1,2,......N},n={1,2,......N}。
3.根据权利要求1所述的基于混合密度网络的用电负荷概率预测方法,其特征在于,采用ELU激活函数对来拟合概率密度函数方差与概率密度函数均值,设概率密度函数方差神经元的第n个输入数据为a′n,概率密度函数均值神经元的第n个输入数据为a″n,则将fELU(a′n)赋值给概率密度函数方差神经元输出的第n个概率密度函数方差,将fELU(a″n)赋值给概率密度函数均值神经元输出的第n个概率密度函数均值;fELU(a′n)与fELU(a″n)的计算通式如下:
式中,a表示ELU激活函数的输入数据。
4.根据权利要求1所述的用于多芯智能表的电力负荷概率预测方法,其特征在于,以多个高斯概率分布加权的方式来构建混合概率密度函数:
式中,p(yt|x)表示输入数据x下t时刻的用电负荷yt的概率分布;αn(x,t)表示t时刻的第n个高斯分布的权重,即混合权重神经元输出的第n个混合权重;σn(x,t)表示t时刻的第n个高斯分布的方差,即概率密度函数方差神经元输出的第n个概率密度函数方差;μn(x,t)表示t时刻的第n个高斯分布的均值,即概率密度函数均值神经元输出的第n个概率密度函数均值;n={1,2,......N}。
5.根据权利要求1所述的用于多芯智能表的电力负荷概率预测方法,其特征在于,采用快速梯度符号算法FGSM生成对抗训练样本集,并结合所述训练集对混合密度网络进行对抗训练,同时采用最小化损失函数对网络参数进行优化;
对抗样本的计算公式如下:
式中,x′表示训练集中的样本;x″表示对抗样本;ε表示训练...
【专利技术属性】
技术研发人员:吴晓政,姚诚,周立,毛子春,周念成,王强钢,
申请(专利权)人:浙江八达电子仪表有限公司,重庆大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。