一种基于信息与波形总体相似度的电力负荷预测方法技术

本发明专利技术公开了一种基于信息与波形总体相似度的电力负荷预测方法，属于电力负荷预测领域，包括：将以待预测时刻为下一时刻的指定长度的时间段作为待预测日，将同期的多个历史时间段作为历史日，分别获得各历史日与待预测日之间的负荷曲线波形相似度；将待预测日和各历史日的日期信息和天气信息转化为向量并进行线性变换，得到对应的日信息向量，计算各历史日与待预测日之间的日信息向量相似度；将各历史日与待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和并归一化，作为对应历史日的总体相似权重，对各历史日的下一时刻负荷值进行加权求和，得到负荷预测结果。本发明专利技术中各历史日相关的信息可以并行计算，计算速度快，预测精度高。预测精度高。预测精度高。

【技术实现步骤摘要】
一种基于信息与波形总体相似度的电力负荷预测方法


[0001]本专利技术属于电力负荷预测领域，更具体地，涉及一种基于信息与波形总体相似度的电力负荷预测方法。

技术介绍

[0002]电力工业是国家在能源领域的重大基础行业，也是国民经济的命脉。经济要发展，电力是先行，电力行业的发展建设对国家各行业起到至关重要的作用。我国发电机装机容量在不断扩大，电网在不断发展建设，随之而来的便是电力负荷的变化越加复杂，所以对于电力负荷的预测研究越来越重要。负荷预测对于制定发、送电计划、降低电力存储容量、避免重大事故、保障生产和生活的安全、经济以及社会效益等方面有重大的意义。
[0003]早期短期电力负荷预测常常采用回归预测法、时间序列法、指数平滑法、灰色预测法等，并取得了一定的效果。随着人工智能的发展，人工神经网络方法、机器学习方法、组合预测方法等被广泛应用于短期负荷预测。BP神经网络由于能够实现对复杂非线性结构的拟合，因此被广泛应用于电力系统领域的负荷预测研究。长短期记忆神经网络应用于包含时序关系的电力负荷建模研究时，往往能取得较好的预测效果。支持向量机在小样本数据上能够取得较为优异的泛化效果，常被应用于负荷预测领域。卷积神经网络可用于处理海量规模数据信息，并从中提取出目标的隐含信息，进行数据的预测或者分类。
[0004]近年来，随着深度学习的发展，数据驱动的端到端的用电用户负荷预测模型日益流行，通常使用的是RNN(循环神经网络)这种序列模型，相较于BP神经网络模型，RNN神经网络模型通过在不同层级之间的隐藏层之间建立联系，从而赋予了RNN神经网络模型对于之前时间输入信息的“记忆”功能，使RNN神经网络模型能够较好处理时序问题。具体的做法通常为先通过分析得到影响用户用电负荷的各项影响因素，然后基于这些影响因素构建训练样本，再利用这些训练样本训练出预测模型，以便利用训练好的预测模型进行用电用户的短期负荷预测，但在实际使用中，现有的时间序列模型由于只能顺序计算不能并行计算的缘故导致计算速度慢，且在模型考虑的历史负荷数据较多的情况下容易遗忘距离当前时刻较远的历史负荷数据，导致预测精度低，除此之外，用于计算长时间序列的深度学习模型容易出现“梯度消失”或“梯度爆炸”的问题，导致模型训练困难。

技术实现思路

[0005]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于信息与波形总体相似度的电力负荷预测方法，其目的在于，解决现有的电力负荷预测方法计算速度慢、预测精度低、容易出现“梯度消失”或“梯度爆炸”的技术问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于信息与波形总体相似度的电力负荷预测方法，包括：
[0007]将以待预测时刻为下一时刻的指定长度的时间段作为待预测日，并将与待预测日同期的多个历史时间段作为历史日，分别获得待预测日和各历史日的负荷曲线，并计算各
历史日与待预测日之间的负荷曲线波形相似度；
[0008]将待预测日的日期信息和天气信息转化为向量并进行线性变换，得到待预测日的日信息向量，分别将各历史日的日期信息和天气信息转化为向量并进行线性变换，得到对应历史日的日信息向量，计算各历史日与待预测日之间的日信息向量相似度；
[0009]对于每一个历史日，按照预设的权重系数将该历史日与待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和，作为该历史日与待预测日之间的总体相似度；对所有总体相似度进行归一化之后，作为对应历史日的总体相似权重；
[0010]按照各历史日的总体相似权重，对各历史日的下一时刻负荷值进行加权求和，得到待预测时刻的负荷预测结果。
[0011]本专利技术将以待预测时刻为下一时刻的时间段作为待预测日，并确定历史上同期的多个时间段作为历史日，分别计算各历史日与待预测日之间的日信息相似度和负荷曲线波形相似度，并依此计算各历史日的总体相似权重，对各历史日的下一时刻进行加权求和，作为待预测日下一时刻，即待预测时刻的负荷预测结果，此过程充分考虑了各历史日与待预测日之间的相似度，并且各历史日的总体相似度权重的确定过程没有前后依赖关系，因此，各历史日相关的信息可以并行计算，计算速度快，不会遗忘距离预测点较远的历史负荷数据，预测精度高，也不会产生“梯度消失”或“梯度爆炸”的问题。
[0012]进一步地，本专利技术提供的基于信息与波形总体相似度的电力负荷预测方法，在计算各历史日与待预测日之间的负荷曲线波形相似度之前，还包括：对负荷曲线进行去噪处理。
[0013]负荷曲线中的高频分量包括测量噪声以及用户本身用电的随机行为，对负荷预测价值不高，而低频分量能够较好的反映用户电力负荷波动规律；本专利技术在计算历史日与待预测日之间的负荷曲线波形相似度之前，对负荷曲线进行去噪处理，去除一系列细节分量，从含有噪声的负荷曲线中提取出有用的低频成分，从而去除了噪声及负荷数据异常值的影响，能够提高预测精度。
[0014]进一步地，采用Mallat算法对负荷曲线进行去噪处理。
[0015]Mallat算法(快速离散小波变换算法)在离散小波变换的基础上，使用低通滤波器和高通滤波器代替了父小波和母小波，可以从原始信号中提取不规律信息；本专利技术采用Mallat算法对负荷曲线进行去噪处理，能够有效提取出负荷曲线中的有效成分，提高预测精度。
[0016]进一步地，将待预测日的日期信息和天气信息转化为向量并进行线性变换，作为待预测日的日信息向量，分别将各历史日的日期信息和天气信息转化为向量并进行线性变换，作为对应历史日的日信息向量，计算各历史日与待预测日之间的日信息向量相似度，包括：
[0017]单日信息向量获取步骤：将目标时间段所属日的各项日期信息以及各项天气信息分别转换为向量后，连接为一个整体，并利用变换矩阵进行线性变换，得到目标时间段对应的日信息向量；变换矩阵通过训练自动调整日信息向量之间的相似度；目标时间段内各时刻属于同一日；
[0018]日信息向量获取步骤：将待预测日或历史日划分为一个或多个时间段，每个时间段中的各时刻属于同一日，且不同时间段属于不同日；将各时间段作为目标时间段，分别执
行单日信息向量获取步骤，得到待预测日或历史日中各时间段对应的日信息向量；
[0019]日信息向量相似度计算步骤：对待预测日和各历史日分别执行日信息向量获取步骤，得到待预测日和各历史日中各时间段对应的日信息向量；对于每一个历史日，计算其与待预测日中相应时间段对应的日信息向量之间的相似度，将各时间段与指定长度的比值作为对应时间段的权值，对各时间段对应的日信息向量之间的相似度进行加权求和，得到该历史日与待预测日之间的日信息向量相似度。
[0020]本专利技术通过上述获取日信息向量的方式将所选取的待预测日和历史日的日期信息和天气信息转化为对应的日信息向量，能够有效地将待预测日与历史日的信息映射到低维空间，便于计算历史日与待预测日之间的日信息相似度。
[0021]进一步地，日期信息包括：月份、日期、周几以及是否是节假日；
[0022]天本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息与波形总体相似度的电力负荷预测方法，其特征在于，包括：将以待预测时刻为下一时刻的指定长度的时间段作为待预测日，并将与所述待预测日同期的多个历史时间段作为历史日，分别获得所述待预测日和各历史日的负荷曲线，并计算各历史日与所述待预测日之间的负荷曲线波形相似度；将所述待预测日的日期信息和天气信息转化为向量并进行线性变换，得到所述待预测日的日信息向量，分别将各历史日的日期信息和天气信息转化为向量并进行线性变换，得到对应历史日的日信息向量，计算各历史日与所述待预测日之间的日信息向量相似度；对于每一个历史日，按照预设的权重系数将该历史日与所述待预测日之间的负荷曲线波形相似度和日信息向量相似度进行加权求和，作为该历史日与所述待预测日之间的总体相似度；对所有总体相似度进行归一化之后，作为对应历史日的总体相似权重；按照各历史日的总体相似权重，对各历史日的下一时刻负荷值进行加权求和，得到所述待预测时刻的负荷预测结果。2.如权利要求1所述的基于信息与波形总体相似度的电力负荷预测方法，其特征在于，在计算各历史日与所述待预测日之间的负荷曲线波形相似度之前，还包括：对负荷曲线进行去噪处理。3.如权利要求2所述的基于信息与波形总体相似度的电力负荷预测方法，其特征在于，采用Mallat算法对负荷曲线进行去噪处理。4.如权利要求1
‑
3任一项所述的基于信息与波形总体相似度的电力负荷预测方法，其特征在于，将所述待预测日的日期信息和天气信息转化为向量并进行线性变换，作为所述待预测日的日信息向量，分别将各历史日的日期信息和天气信息转化为向量并进行线性变换，作为对应历史日的日信息向量，计算各历史日与所述待预测日之间的日信息向量相似度，包括：单日信息向量获取步骤：将目标时间段所属日的各项日期信息以及各项天气信息分别转换为向量后，连接为一个整体，并利用变换矩阵进行线性变换，得到所述目标时间段对应的日信息向量；所...

【专利技术属性】
技术研发人员：毛承雄，陈劲帆，李犇，张梅，王丹，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：