用于多芯智能表的电力负荷概率预测系统与方法技术方案

本发明专利技术公开了一种用于多芯智能表的电力负荷概率预测系统与方法，通过卷积神经网络CNN与循环神经网络GRU构建样本集：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；采用验证通过后的混合密度网络进行用电负荷概率预测；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；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。本发明专利技术不仅训练效率高，而且能够很好的学习样本的不确定性，能应对高度波动的时间序列，提高预测准确性。

【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于多芯智能表的电力负荷概率预测方法，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。进一步的，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}。进一步的，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。进一步的，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}。进一步的，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：x″＝x′+ε.sign(-▽xlog(p(yt|x′))；式中，x′表示训练集中的样本；x″表示对抗样本；ε表示训练过程中添加的扰动；p(yt|x′)表示样本x′下t时刻的用电负荷yt的概率分布损失函数floss的计算公式如下：式中，λ表示对抗样本的权重；θk表示混合参数输出层的学习参数，K表示学习参数的数量；γ表示正则化超参数；p(yt|x″)表示对抗样本x″下t时刻的用电负荷yt的概率分布。进一步的，采用如下方法构建样本集：首先，采用卷积神经网络CNN从环境因素数据中提取空间特征，所述空间特征包括能够影响负荷变动的季节特征、天气特征与地区发电量特征；然后将历史负荷数据与空间特征构建成特征向量，并发送给循环神经网络GRU；循环神经网络GRU根据相邻时刻的特征向量之间的短期和长期依赖性，提取特征向量的时间特征，从而在特征向量的基础上构建出样本数据；所述时间特征是指各时刻的样本所需要使用的信息量。本专利技术还提供一种用于多芯智能表的电力负荷概率预测系统，包括卷积神经网络CNN、循环神经网络GRU与混合密度网络；所述卷积神经网络用于从历史环境因素数据中提取空间特征，并将空间特征与相应的历史负荷数据构建成特征向量发送给循环神经网络GRU；所述空间特征包括能够影响负荷变动的季节特征、天气特征与地区发电量特征；所述循环神经网络GRU用于根据相邻时刻的特征向量之间的短期和长期依赖性，提取特征向量的时间特征，从而在特征向量的基础上构建出样本数据；所述时间特征是指各时刻的样本所需要使用的信息量；所述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输入数据处理后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。进一步的，所述卷积神经网络CNN包括卷积层与池化层；卷积神经网络CNN与循环神经网络GRU之间通过flatten层连接，所述本文档来自技高网...

【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，输入验证通过后的混合密度网络进行用电负荷概率预测。/n...

【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