一种长期负荷预测方法及系统技术方案

本发明专利技术公开了一种长期负荷预测方法及系统，包括：获取待预测时间电力负荷的气象数据；对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。优点：本发明专利技术通过预处理降低噪声对预测的影响，通过深度学习网络自动提取指纹的深度信息，从而能够获得更好的特征表示，提高离线阶段的学习效率，进而提高预测性能。提高预测性能。提高预测性能。

【技术实现步骤摘要】
一种长期负荷预测方法及系统


[0001]本专利技术涉及一种长期负荷预测方法及系统，属于智能电网与机器学习交叉


技术介绍

[0002]电力负荷预测是电力系统运行和规划的基础，准确的负荷预测可以保证电力系统的安全稳定运行，降低发电成本，提高经济效益。随着电力行业的发展，电力负荷预测工作显得愈发重要。电力负荷受天气变化、社会活动和节日类型等因素的影响，在时间序列上表现为非平稳随机过程。然而影响电力负荷的各个因素一般具有一定的周期性，如周周期性、月周期性和年周期性，从而为实现有效的电力负荷预测奠定了基础。
[0003]目前电力负荷预测技术主要可以分为三类。第一类是传统负荷预测法，采用诸如卡尔曼滤波法、负荷求导法、相似日法、指数平滑法、灰色预测法等。将卡尔曼滤波法应用于电力系统短期负荷预测中，并提出了修正方法，使其对天气的影响预测更为准确，不足之处是卡尔曼滤波法难以估计噪声的统计特性。第二类是经典负荷预测方法，主要包括时间序列法和回归分析法。2002年叶瑰昀、罗耀华等人，基于时间序列法构建ARMA模型预测电力负荷，该模型适用于负荷变化比较均匀的短期预测，但是对于不确定因素的考虑不足，如当遇到天气变化较大或节假日时，该模型的预测误差较大。第三类方法为智能预测法，主要采用的方法有人工神经网络、专家系统法、模糊预测法和综合模型预测法。现有技术的基于多级聚类分析和支持向量机的综合预测模型，克服了单一算法的不足，提高了预测精度，但是却导致计算速度降低，建模和应用难度增加。

技术实现思路

[0004]本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种长期负荷预测方法及系统，能够综合利用气象和时间信息对电力负荷进行预测，而且通过对测量值数据深度特征的提取，能够提高离线学习效率，降低预测误差，具有实现简单，在线估计时间开销小等优点。
[0005]为解决上述技术问题，本专利技术提供一种长期负荷预测方法，包括：
[0006]获取待预测时间电力负荷的气象数据；
[0007]对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；
[0008]利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。
[0009]进一步的，所述预处理，包括：
[0010]利用中值滤波方法替换气象数据的异常值；
[0011]将替换异常值后的气象数据中的时间信息，利用编码的方法，转换成包括温度、湿度、风速、压强和时间的1*5维度的气象数据指纹。
[0012]进一步的，所述利用深度学习特征提取网络进行特征提取，包括：
[0013]利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空间，得到1*N维度的高维特征向量；
[0014]将1*N维度的高维特征向量转化为n*n的气象数据指纹矩阵，输入卷积神经网络，经过卷积层，池化层和全连接层处理后，得到深度特征，N＝n*n。
[0015]进一步的，得到所述离线训练好的基于电力负荷的回归学习模型，包括：
[0016]获取历史气象数据和对应时刻的电力负荷，根据历史气象数据构建训练数据；
[0017]对训练数据进行所述预处理，利用深度学习特征提取网络进行特征提取，得到训练数据的深度特征；
[0018]构建激活函数为Linear函数、损失函数为均方根误差函数的回归学习模型；
[0019]利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为Linear函数、损失函数为均方根误差函数的回归学习模型进行离线训练，得到离线训练好的基于电力负荷的回归学习模型。
[0020]一种长期负荷预测系统，包括：
[0021]获取模块，用于获取待预测时间电力负荷的气象数据；
[0022]预处理模块，用于对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；
[0023]模型处理模块，用于利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。
[0024]进一步的，所述预处理模块，
[0025]用于利用中值滤波方法替换气象数据的异常值；将替换异常值后的气象数据中的时间信息，利用编码的方法，转换成包括温度、湿度、风速、压强和时间的1*5维度的气象数据指纹。
[0026]进一步的，所述模型处理模块包括：
[0027]特征提取单元，用于利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空间，得到1*N维度的高维特征向量；将1*N维度的高维特征向量转化为n*n的气象数据指纹矩阵，输入卷积神经网络，经过卷积层，池化层和全连接层处理后，得到深度特征，N＝n*n。
[0028]进一步的，所述模型处理模块包括：
[0029]训练单元，用于获取历史气象数据和对应时刻的电力负荷，根据历史气象数据构建训练数据；对训练数据进行所述预处理，利用深度学习特征提取网络进行特征提取，得到训练数据的深度特征；构建激活函数为Linear函数、损失函数为均方根误差函数的回归学习模型；利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为Linear函数、损失函数为均方根误差函数的回归学习模型进行离线训练，得到离线训练好的基于电力负荷的回归学习模型。
[0030]本专利技术所达到的有益效果：
[0031]本专利技术通过预处理降低噪声对预测的影响，通过深度学习网络自动提取指纹的深度信息，从而能够获得更好的特征表示，提高离线阶段的学习效率，进而提高预测性能。
附图说明
[0032]图1为本专利技术的流程图；
[0033]图2为本专利技术方法的时间编码方法；
[0034]图3为本专利技术数据预处理后训练数据的格式；
[0035]图4为本专利技术基于全连接网络的数据升维过程示意图；
[0036]图5为ReLu曲线图；
[0037]图6为本专利技术训练数据指纹深度特征提取过程；
[0038]图7为本专利技术离线学习性能描述；
[0039]图8为本专利技术在线负荷预测性能描述。
具体实施方式
[0040]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0041]如图1所示，一种长期负荷预测方法，包括离线阶段和在线阶段两部分。离线阶段首先利用中值滤波替换训练数据的异常值，将训练数据中的时间信息利用编码的方法，转换成训练数据的指纹信息。然后对训练数据进行特征提取，利用全连接网络对训练数据指纹进行数据升维后，使用卷积神经网络提取指纹的深度特征，送入建立的电力负荷的回归学习模型。最后对建立的深度学习特征提取网络和回归学习模型进行联合离线训练，得到特征提取网络和电力负荷回归模型的最优参数。在线阶段，将得到测量数据进行数据预处理后，利用优化后的特征提取网络和电力负本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长期负荷预测方法，其特征在于，包括：获取待预测时间电力负荷的气象数据；对待预测时间电力负荷的气象数据进行预处理，得到去除异常值的数据；利用深度学习特征提取网络进行特征提取，得到深度特征，将深度特征输入到预先离线训练好的基于电力负荷的回归学习模型，得到电力负荷预测值。2.根据权利要求1所述的长期负荷预测方法，其特征在于，所述预处理，包括：利用中值滤波方法替换气象数据的异常值；将替换异常值后的气象数据中的时间信息，利用编码的方法，转换成包括温度、湿度、风速、压强和时间的1*5维度的气象数据指纹。3.根据权利要求2所述的长期负荷预测方法，其特征在于，所述利用深度学习特征提取网络进行特征提取，包括：利用全连接网络将1*5维度的气象数据指纹从低维的特征空间线性变换到高维特征空间，得到1*N维度的高维特征向量；将1*N维度的高维特征向量转化为n*n的气象数据指纹矩阵，输入卷积神经网络，经过卷积层，池化层和全连接层处理后，得到深度特征，N=n*n。4.根据权利要求1所述的长期负荷预测方法，其特征在于，得到所述离线训练好的基于电力负荷的回归学习模型，包括：获取历史气象数据和对应时刻的电力负荷，根据历史气象数据构建训练数据；对训练数据进行所述预处理，利用深度学习特征提取网络进行特征提取，得到训练数据的深度特征；构建激活函数为Linear函数、损失函数为均方根误差函数的回归学习模型；利用训练数据的深度特征和对应时刻的电力负荷对所述激活函数为Linear函数、损失函数为均方根误差函数的回归学习模型进行离线训练，得到离线训练好的基于电力负荷的回归学习模型。5.一种长期负荷预测系统，...

【专利技术属性】
技术研发人员：朱庆，胡艺，徐石明，郑红娟，俞航，顾琳琳，孙季泽，杨凤坤，林慧婕，徐晨波，韦思雅，
申请(专利权)人：国电南瑞南京控制系统有限公司南瑞集团有限公司，
类型：发明
国别省市：