一种中长期电力负荷预测方法技术

本发明专利技术为一种中长期电力负荷预测方法，包括获取全年月负荷数据，筛选出各个季节拐点月负荷数据，得到季节拐点月负荷数据集；对全年月负荷数据进行分解，得到高频分量数据集和低频分量数据集；构建融合特征金字塔的CNN

【技术实现步骤摘要】
一种中长期电力负荷预测方法


[0001]本专利技术属于电力负荷预测
，具体地说一种中长期电力负荷预测方法。

技术介绍

[0002]中长期电力负荷预测依据历史电力负荷数据以及天气、经济等影响因素预测未来几个月到几年的电力负荷消耗，通常使用统计模型、机器学习模型进行预测，但这些模型只能预测单一成分，难以适用于具有复杂变化趋势的电力负荷序列。采用序列分解与线性
‑
非线性混合模型结合的方法可以提高电力负荷预测精度，G.Peter Zhang在论文“Time series forecasting using ahybrid ARIMA and neural network model”中使用差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，简写为ARIMA)预测时间序列中的线性成分，将卷积神经网络(Convolutional Neural Network，简写为CNN)和长短期记忆网络(Long Short Term Memory Network，简写为LSTM)等深度学习网络用于预测非线性成分。为提高非线性模型的预测能力，Tae
‑
Young Kim等人在论文“Predicting residential energy consumption using CNN
‑
LSTM neural networks”中构建CNN与LSTM的串联模型，使用CNN提取负荷的局部特征，然后将CNN提取的特征序列输入LSTM中进行预测，这一方法存在的问题是：电力负荷的序列具有多种时间相关性，传统CNN只能提取数据中的局部特征，在用于处理多尺度时间相关性的负荷序列时具有一定局限，非线性模型的预测能力仍有待提高。文献“Multi
‑
temporal
‑
spatial
‑
scale temporal convolution network for short
‑
term load forecasting of power systems”通过手动设置采样间隔对负荷序列进行不同时间的间隔采样，例如每15分钟或者60分钟进行一次采样，以克服CNN网络提取的特征时间尺度单一而导致预测精度低的缺陷。
[0003]季节拐点月的电力负荷受气温、风速、降雨量等因素的影响呈现较大的波动性，为了挖掘负荷序列的气候、季节效应，公开号为CN112288140A的中国专利公开了一种基于Keras的短期电力负荷预测方法、存储介质和设备，该方法将预测日的季节信息以独热码的形式作为一种特征输入网络，对负荷序列进行四季划分，但是没有考虑地区实际的季节变化特点。公开号为CN112865093A的中国专利公开了一种短时电力负荷组合式预测方法，将负荷按照供热季、制冷季和过渡季分别构建模型进行预测，虽然考虑了地区实际季节特点，但构建的模型较多，同时忽略处于季节拐点月的电力负荷特性，导致对季节拐点月负荷预测不准确。

技术实现思路

[0004]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种中长期电力负荷预测方法。
[0005]本专利技术解决该技术问题所采用的技术方案是：
[0006]一种中长期电力负荷预测方法，其特征在于，该方法的具体步骤如下：
[0007]第一步，获取全年月负荷数据，筛选出各个季节拐点月负荷数据，得到季节拐点月
负荷数据集；
[0008]第二步，对全年月负荷数据进行序列分解，得到高频分量数据集和低频分量数据集；对高频分量数据集和低频分量数据集进行预处理，得到高频分量的训练集、测试集和验证集以及低频分量的训练集、测试集和验证集；
[0009]第三步，针对第二步得到的高频分量，构建融合特征金字塔的CNN
‑
LSTM网络预测高频非线性成分；
[0010]第四步，针对第二步得到的低频分量，构建ARIMA模型预测低频线性成分；
[0011]第五步，将第三步得到的高频非线性成分和第四步得到的低频线性成分进行叠加重构，并进行反归一化，得到全年月负荷初步预测结果；
[0012]第六步，对季节拐点月负荷数据集，重复第二步到第五步的操作，得到各个季节拐点月负荷预测结果；利用各个季节拐点月负荷预测结果替换全年月负荷初步预测结果中对应的季节拐点月负荷预测值，对全年月负荷初步预测结果进行修正，得到全年月负荷的最终预测结果。
[0013]所述融合特征金字塔的CNN
‑
LSTM网络包括串联的融合特征金字塔的CNN网络和LSTM网络；融合特征金字塔的CNN网络包括一维因果扩张卷积层、池化层和特征融合；即输入序列分别经过三个一维因果扩张卷积层依次生成特征F1、F2和F3，特征F1、F2和F3分别经过池化层，得到特征F1*、F2*和F3*；将特征F1*、F2*和F3*进行融合，得到融合特征；融合特征作为LSTM网络的输入。
[0014]所述三个一维因果扩张卷积层的扩张系数分别为1、2、3，卷积核长度均为3。
[0015]所述第二步具体为：对全年月负荷数据进行EEMD分解，得到EEMD分解的各阶分量；根据式(1)计算各阶分量的过零率Z，将过零率大于阈值的分量划分为高频分量，否则为低频分量，得到高频分量数据集和低频分量数据集；
[0016][0017]式(1)中，n
zero
表示负荷序列过零点的数量，N表示负荷序列长度；
[0018]对高频分量数据集和低频分量数据集进行归一化处理，再划分得到高频分量的训练集、验证集和测试集以及低频分量的训练集、验证集和测试集。
[0019]第一步具体为：获取某地区电力负荷的全年月负荷数据，根据该地区的季节更替数据，综合分析入季时间变化趋势以及平均入季日期，确定季节拐点月，从全年月负荷数据中筛选出各个季节拐点月负荷数据。
[0020]与现有技术相比，本专利技术的突出实质性特点和显著进步如下：
[0021](1)本专利技术方法针对高频分量和低频分量，分别构建融合特征金字塔的CNN
‑
LSTM网络和ARIMA模型预测高频非线性成分和低频线性成分，对全年月负荷进行初步预测。由于使用全年月负荷数据进行预测时，模型学习到的是一年的整体负荷变化趋势，而季节拐点月份的负荷受气温变化的影响而具有较大波动性，故利用全年月负荷数据预测季节拐点月负荷，使得预测结果不准确。为此，本申请单独提取各个季节拐点月负荷数据，对季节拐点月负荷进行单独预测，然后利用季节拐点月负荷预测结果修正全年月负荷初步预测结果，使得预测精度更高。
[0022](2)利用一维因果扩张卷积构建特征金字塔，以提取负荷序列内部具有的多种时
间相关性特征，即长期特征和局部特征，克服了现有技术中利用深度学习模型提取非线性分量特征时的时间尺度欠缺问题，相较于传统卷积而言，融合特征金字塔的CNN网络可以提取并融合不同感受野的特征图，因此提取的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中长期电力负荷预测方法，其特征在于，该方法的具体步骤如下：第一步，获取全年月负荷数据，筛选出各个季节拐点月负荷数据，得到季节拐点月负荷数据集；第二步，对全年月负荷数据进行序列分解，得到高频分量数据集和低频分量数据集；对高频分量数据集和低频分量数据集进行预处理，得到高频分量的训练集、测试集和验证集以及低频分量的训练集、测试集和验证集；第三步，针对第二步得到的高频分量，构建融合特征金字塔的CNN
‑
LSTM网络预测高频非线性成分；第四步，针对第二步得到的低频分量，构建ARIMA模型预测低频线性成分；第五步，将第三步得到的高频非线性成分和第四步得到的低频线性成分进行叠加重构，并进行反归一化，得到全年月负荷初步预测结果；第六步，对季节拐点月负荷数据集，重复第二步到第五步的操作，得到各个季节拐点月负荷预测结果；利用各个季节拐点月负荷预测结果替换全年月负荷初步预测结果中对应的季节拐点月负荷预测值，对全年月负荷初步预测结果进行修正，得到全年月负荷的最终预测结果。2.根据权利要求1所述的中长期电力负荷预测方法，其特征在于，融合特征金字塔的CNN
‑
LSTM网络包括串联的融合特征金字塔的CNN网络和LSTM网络；融合特征金字塔的CNN网络包括一维因果扩...

【专利技术属性】
技术研发人员：王莉，成子珍，夏克文，范书瑞，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：