基于GAN网络和半监督回归的混合滚动短期负荷预测方法技术

本发明专利技术公开了一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，GAN生成对抗网络由生成层G和判别层D组成，GAN的生成层可生成与真实值近似的虚拟数据样本，判别层接受生成的虚拟样本与真实样本两种输入，通过对两组真实值不一样的数据进行数据处理，生成一簇基于交叉熵的误差判别结果，并通过反向传播算法将误差反馈给生成层和判别层，通过迭代改变GAN模型中的数学参数修正GAN模型，通过训练好的GAN模型对负荷数据进行预测。本发明专利技术解决了传统GAN网络拟合不足的问题，并运用滚动自适应方法，解决了历史数据可能不充足的问题，可以实现一步预测和多步预测，并取得了良好的预测效果。测效果。测效果。

【技术实现步骤摘要】
基于GAN网络和半监督回归的混合滚动短期负荷预测方法


[0001]本专利技术属于电力负荷预测
，涉及一种基于GAN生成对抗网络和半监督回归的混合滚动短期负荷预测方法。

技术介绍

[0002]电力系统的深化发展和环保意识的不断强化，催生出人们对电力负荷需求质量的不断提高。电力系统由于其无法大规模存储电能的特性，对进行电力负荷预测提出了更高的要求。精确的负荷预测对于经济合理地安排电网内部发电机组的启停、保持电网安全稳定运行、降低发电成本提高经济效益等方面起着至关重要的作用。负荷预测根据预测时间的不同可分为超短期、短期、中期和长期预测。我国电力行业标准规定，短期负荷预测主要为次日的负荷预测，可延申到第八日，每日按照96点预测，多运用于机组优化组合、水火电协调控制、电力系统潮流调度等方面。
[0003]短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响，在时间序列上表现为非平稳的随机过程，但是影响系统负荷的各因素中大部分具有规律性，从而为实现有效的预测奠定了基础。目前实现短期负荷预测的方法可被大致分类为以下两种：数学统计方法和机器学习算法。数据统计方法使用历史负荷数据和未来预测值之间建立某种数学关系。常见的的有卡尔曼滤波(KF)、自回归移动平均模型(ARIMA)、时间序列模型等。然而，大多数数学统计方法依赖简化的线性函数建模，因此其模型的预测能力收到很大限制。而基于机器学习算法的预测方式在神经网络的构建下，通过多种隐藏层、激活函数的组合，可以实现对数据线性和非线性的映射能力，进而达到更精确的预测效果。典型的机器学习算法包括支持向量机学习(SVM)、人工神经网络(ANN)、卷积神经网络(CNN)、深度信赖神经网络(DBN)等。而传统的基于反向传播误差的神经网络容易导致过拟合、局部最小值等问题，使得预测结果与真实值误差不近相似。

技术实现思路

[0004]为解决现有数学统计方法预测效果缺陷和传统机器学习算法预测性能的局限性，本文提出一种基于GAN生成对抗网络和半监督回归的混合滚动预测模型，模型的生成层和判别层不断相互博弈进而达到纳什平衡，提高了数据处理的泛化能力和预测的精确性。加之带标签的半监督回归学习方法提取数据的线性和非线性特征，进一步增强短期电力负荷预测的准确性。
[0005]本专利技术的技术方案实现如下：一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，包括如下步骤：
[0006]步骤一、获取电力系统历史负荷数据，并进行预处理，把电力系统历史负荷数据分解成几组内涵模态分量IMFs，并进行归一化处理，从而得到相应组别的带标签的归一化真实负荷数据序列，作为真实数据样本；
[0007]步骤二、构建GAN生成对抗网络，所述GAN生成对抗网络包括GAN生成层G和GAN判别
层D；
[0008]步骤三、将维度和步骤一中的真实数据样本相同的随机噪声数据输入至GAN生成对抗网络，通过GAN生成层G获得标记的虚拟数据样本，然后将真实数据样本作为训练数据样本和虚拟数据样本一起输入至GAN判别层D；通过半监督回归域获得电力负荷的几组IMFs短期预测结果；
[0009]步骤四、根据步骤三中的预测结果和预测误差损失函数对GAN判别层D参数进行迭代更新，并反向传播误差，更新GAN生成层G的参数；最终获得训练完成的GAN生成对抗网络；
[0010]步骤五、将当前时刻之前处理后的电力系统历史负荷数据和由生成层G生成的虚拟负荷数据输入到训练完成的判别层D中；并通过半监督回归域获得电力负荷的几组IMFs短期预测结果；
[0011]步骤六、利用滚动自适应算法实现电力负荷的多步预测；并将IMFs短期预测结果重构合成电力系统负荷数据预测值，得到电力负荷一步预测和多步预测值。
[0012]进一步地，步骤一中，采用下式对内涵模态分量进行归一化处理：
[0013](其中y
min
＝0,y
max
＝1)
[0014]式中，x
i
(t)为第i个电力负荷数据内涵模态分量IMFs在时间t的真实值，x
i
'(t)为相应的归一化值，x
i,max
和x
i,min
分别为IMFs的最大值和最小值，y
max
和y
min
分别为归一化后映射空间的最大值和最小值，这里分别取1和0；
[0015]进一步地，步骤一中，对归一化后的数据进行标签化处理，设置电力负荷真实数据的标签为1，即生成一组同维度的元素全为1的向量，从而得到一组带标签的归一化真实负荷数据序列P
labeled
；
[0016]进一步地，步骤四中，预测误差损失函数包括生成层误差函数L
G
和判别层误差函数L
D
；所述生成层误差函数如下：
[0017]L
G
＝||E
·
f(P
fake
)
‑
E
·
f(P
labeled
)||2[0018]所述判别层误差函数如下：
[0019]L
D
＝L
unsup
+L
sup
[0020]L
unsup
＝
‑
||E
·
f(P
fake
)
‑
E
·
f(P
labeled
)||2[0021][0022]式中，f(P
fake
)和f(P
labeled
)表示判别模型中间某层的输出，P
fake
为虚拟数据样本，P
labeled
带标签的归一化真实负荷数据序列；和分别表示下一时刻电力系统负荷数据的预测值和真实值，L
sup
为监督部分误差函数，L
unsup
为非监督部分误差函数，E表示期望，||
·
||2表示2范数的平方。
[0023]进一步地，采用基于双目标优化函数式优化GAN生成对抗网络，生成层误差函数L
G
和判别层误差函数L
D
形成生成层和判别层的最小最大博弈，使用交替训练方式迭代调整更新GAN生成对抗网络中生成层和判别层中的参数，所述双目标优化函数式如下式所示；
[0024][0025]式中，E表示期望；x和Z分别表示真实数据样本和随机噪声数据；D函数和G函数表示判别层D和生成层G的前向作用效果，V表示优化函数。
[0026]进一步地，步骤四中，判别层的参数表示为：
[0027][0028][0029]其中，下标i为迭代次数；ω
i
和b
i
分别表示判别层中的权重向量和偏置向量；m
i
和v
i
分别表示一阶矩估计向量和二阶矩估计向量；α
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，包括如下步骤：步骤一、获取电力系统历史负荷数据，并进行预处理，把电力系统历史负荷数据分解成几组内涵模态分量IMFs，并进行归一化处理，从而得到相应组别的带标签的归一化真实负荷数据序列，作为真实数据样本；步骤二、构建GAN生成对抗网络，所述GAN生成对抗网络包括GAN生成层G和GAN判别层D；步骤三、将维度和步骤一中的真实数据样本相同的随机噪声数据输入至GAN生成对抗网络，通过GAN生成层G获得标记的虚拟数据样本，然后将真实数据样本作为训练数据样本和虚拟数据样本一起输入至GAN判别层D；通过半监督回归域获得电力负荷的几组IMFs短期预测结果；步骤四、根据步骤三中的预测结果和预测误差损失函数对GAN判别层D参数进行迭代更新，并反向传播误差，更新GAN生成层G的参数；最终获得训练完成的GAN生成对抗网络；步骤五、将当前时刻之前处理后的电力系统历史负荷数据和由生成层G生成的虚拟负荷数据输入到训练完成的判别层D中；并通过半监督回归域获得电力负荷的几组IMFs短期预测结果；步骤六、利用滚动自适应算法实现电力负荷的多步预测；并将IMFs短期预测结果重构合成电力系统负荷数据预测值，得到电力负荷一步预测和多步预测值。2.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，步骤一中，采用下式对内涵模态分量进行归一化处理：(其中y
min
＝0,y
max
＝1)式中，x
i
(t)为第i个电力负荷数据内涵模态分量IMFs在时间t的真实值，x
i
'(t)为相应的归一化值，x
i,max
和x
i,min
分别为IMFs的最大值和最小值，y
max
和y
min
分别为归一化后映射空间的最大值和最小值，这里分别取1和0。3.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，步骤一中，对归一化后的数据进行标签化处理，设置电力负荷真实数据的标签为1，即生成一组同维度的元素全为1的向量，从而得到一组带标签的归一化真实负荷数据序列P
labeled
。4.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，步骤四中，预测误差损失函数包括生成层误差函数L
G
和判别层误差函数L
D
；所述生成层误差函数如下：L
G
＝||E
·
f(P
fake
)
‑
E
·
f(P
labeled
)||2所述判别层误差函数如下：L
D
＝L
unsup
+L
sup
L
unsup
＝
‑
||...

【专利技术属性】
技术研发人员：潘博，卜祥亚，陈健，刘刚，齐世强，
申请(专利权)人：北京国电通网络技术有限公司国网信息通信产业集团有限公司山东大学，
类型：发明
国别省市：