基于人工智能的短期负荷预测方法、计算机设备及存储介质技术

本发明专利技术公开了一种基于人工智能的短期负荷预测方法、计算机设备及存储介质，其中短期负荷预测方法包括如下步骤：首先，选取对负荷具有影响的负荷特征、滞后特征、时间特征、气象特征，并针对不同时长的节假日构建动态编码特征；然后，采用Seq2Seq网络进行建模，建立短期负荷预测模型；最后，采用短期负荷预测模型对短期负荷进行预测。本发明专利技术根据不同节假日长短，构造了一种节假日动态编码方式，并结合数值模式预报建立了基于LightGBM的节假日负荷模型，提高了节假日负荷预测效果。提高了节假日负荷预测效果。提高了节假日负荷预测效果。

【技术实现步骤摘要】
基于人工智能的短期负荷预测方法、计算机设备及存储介质


[0001]本专利技术涉及电力工程技术，具体涉及电力负荷预测技术。

技术介绍

[0002]电网短期负荷预测作为电力系统的重要组成模块，在世界各国都受到了广泛的研究和关注。传统的电网短期负荷预测方法包括趋势外推法，回归分析法、指数平滑法等。但随着电力系统的不断发展，对短期负荷预测的要求也逐渐变高，更多的现代预测方法开始也引入到短期负荷预测中，例如机器学习算法和人工智能算法。
[0003]时间序列法是电网短期负荷预测中比较经典的方法之一，由于电网短期负荷具有一定的周期性特征，并且受气象、季节、节假日等其他因素的影响，近年来基于时间序列法的短期负荷预测研究上主要集中在自回归积分滑动平均(ARIMA)模型[3]方法及其改进版本上。D.K.Chaturvedi[4]研究了结合ARIMA、小波变换、神经网络三种方法的预测方法，Hossein Javedani Sadaei[5]研究了改进考虑气象因素和星期、季节趋势的ARIMA来提高短期负荷预测的准确率。万志宏[6]提出了基于ARIMA的回归残差模型以预测短期负荷，考虑到负荷变化受温度和日期类型影响较大，其对传统ARIMA模型进行改进，引入每天的最高、最低温和星期类型，以提高负荷预测的准确率。
[0004]随着机器学习算法近年来的不断发展，基于机器学习算法的短期负荷预测也逐渐增多。吴倩红[7]就目前基于传统机器学习算法和深度学习算法的短期负荷预测方法进行了系统梳理，认为在短期负荷预测问题上，可以大致分为浅层学习方法和深度学习方法两大类。
[0005]其中基于浅层学习方法的短期负荷预测算法主要有支持向量机(SVM)[8]，机森林(RF)[9]，梯度提升树(GBDT)[10]等传统机器学习算法。近年的短期负荷预测问题上，研究学者主要尝试进一步扩展这些方法，如Chia
‑
NanKo[11]结合了SVM和径向基神经网络(RBFNN)和卡尔曼滤波器来进行短期负荷预测，通过SVM选择最优的RBFNN结构和初始参数，通过卡尔曼滤波器作为优化参数的学习算法，并且取得了较好的预测效果。毕云帆[10]使用了基于GBDT的短期负荷预测方法，并且在训练过程中通过Bootstrap方式对原始数据进行抽样，提高了短期负荷预测模型的泛化性能。金樑[12]提出了基于SVM和LSTM的组合预测模型，通过组合预测提升了模型的预测准确率。周彬彬等人[13]提出了一种基于粒子群优化算法的LightGBM超短期负荷预测模型，该模型能够有效提高负荷预测的精度。
[0006]而深度学习方法由于其强大的特征学习和表达能力，也一直是短期负荷预测研究的热点之一。吴昌设[14]构建了考虑历史负荷、气象、时间类型的DNN进行短期负荷预测，在DNN网络结构的改进上，Kunjin Chen[15]提出了利用深度残差网络结构进行短期负荷预测，并且通过模型集合的方法来提高模型的预测准确率。胡爽[16]也提出了基于DNN城市电网负荷预测方法，并且通过改善数据特征获得更好的负荷预测准确率。Priyanka Singh[17]通过对多种DNN在短期负荷预测问题上进行对比分析，认为数据特征的设计对DNN预测结果有较大的影响。
[0007]由于循环神经网络(RNN)在处理序列数据方面具有较好的效果，也有不少学者开始探索RNN及其变种在电网短期负荷预测问题上的应用。RNN中比较流行的是长短期记忆单元(LSTM)和门控循环单元(GRU)，这两种单元结构均使用门控机制来解决基本RNN训练过程中的梯度消失问题，在处理长时间序列数据具有更好的效果。陆继翔等[18]针对负荷数据时序性和非线性的特点，提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型实验结果表明，文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。Daniel L.Marino[19]在建筑级别负荷预测上提出了LSTM和LSTM
‑
based Sequence to Sequence(Seq2Seq)结构，对负荷预测进行了建模，分别试验了以分钟为频率和以小时为频率的预测模型，发现LSTM
‑
based Seq2Seq网络的预测较普通LSTM的预测效果更好，尤其是在预测较长负荷序列上。
[0008]由于电网短期负荷受历史负荷、气象、时间等多重因素的影响，在短期负荷预测特征构建上，也有不少学者进行了深入研究。一般短期负荷预测问题上只考虑日期类型特征，Magnus Dahl[20]通过引入小时、星期、是否周末、月份等多重时间特征和国家节假日、学校假期等多重数据，来提升负荷预测的准确率。朱振伟[21]讨论了气象因素对电网负荷特性影响的研究，通过分析杭州市各个时段气象敏感负荷对气象因子的敏感度和负荷变化规律，进一步细化了考虑气象因素的负荷预测模型，以获得更好的短期负荷预测效果。在特征提取方法上，KasunAmarasinghe[22]提出了一种基于卷积神经网络(CNN)的算法来提取历史负荷特征，通过将历史负荷作为卷积神经网络输入，网络输出特征信息结合该时刻的月份、星期、小时等时间特征作为全连接层的输入特征。杨佳驹提出了基于堆栈自编码器短期负荷进行学习，通过自编码器对负荷特征、气象数据以及日期属性等特征更好的学习能力，以获得更准确的负荷预测结果。此外，也有不少学者通过小波分析、经验模态分解等方法提取负荷曲线的特征，以获得负荷曲线中更加精细的局部细节，刘文博提出了一种改进的小波神经网络预测模型，该方法基于小波变换负荷频域信息作为神经网络输入，获得了更好的预测准确率。S.J.Yao[23]提出了基于小波变换和神经网络用来电网短期负荷预测。考虑到电力系统采集数据中经常出现的数据特征缺失现象，丁峰[24]提出了基于GBDT的电力数据缺失数据填补方法和模型融合的电力负荷预测方法，在全球能源数据预测比赛数据上进行了测试，并且通过模型融合，提高了电力负荷预测的准确性。
[0009]节假日负荷预测也是短期负荷预测的难点之一。节假日负荷由于受到外界气象、自身特性和国家调休政策等诸多因素的影响，呈现出固有的不确定性和波动性，如何通过可行的策略和预测方法，挖掘各种相关因素与节假日负荷之间的内在联系，有效提高其预测精度，是当前短期负荷预测的一个研究热点。在节假日负荷预测问题上，一般采用基于历史相似日的预测方法[25,26]，李滨[25]采用了建立曲线辨析函数以查找节假日的相似日样本，通过提高相似日的选取准确率来提高节假日的负荷预测。桑福敏[26]讨论了国家法定节假日期间重庆地区的电网日负荷预测，主要通过对历史节假日的负荷进行量化分析和将日负荷曲线分成不同时段进行预测，以提高节假日期间负荷预测的准确率。
[0010]研究结果表明，不同年份节假日之间的负荷特性存在差异性，因此在节假日负荷预测中，考虑历史相似日的策略，未必对预测结果的精度起到积极的作用。张乔榆[27]通过观察节假日的负荷曲线模式对不同节假日进行标记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的短期电力负荷预测方法，其特征在于，包括如下步骤：首先，选取对负荷具有影响的负荷特征、滞后特征、时间特征、气象特征，并针对不同时长的节假日构建动态编码特征，其中负荷特征包括日总和、日最小、日平均负荷，滞后特征为过去某一时刻的负荷或气象，时间特征为月、星期几、是否周末、小时、分钟，气象特征包括温度、湿度的原始值、均值、最大值、最小值；然后，采用Seq2Seq网络进行建模，建立短期负荷预测模型，Seq2Seq网络由编码器和解码器两部分组成，编码器输入特征x
t
如下式所示，x
t
＝[y
t
‑1，w
t
，m
t
]w
t
＝[humi，temp，d
max_humi
，d
min_humi
，d
avg_humi
，d
max_temp
，d
min_temp
，d
avg_temp
]m
t
＝[month，dayofweek，weekend，hour，min]其中，y
t
表示t时刻历史真实负荷特征；w
t
表示t时刻的气象特征，包含温度temp、湿度humi及其日最大值d
max_
、日最小值d
min_
和日均值d
avg_
；m
t
表示t时刻的时间序列特征，包含月编码month、星期几dayofweek、是否周末weekend、小时编码hour、分钟编码min；解码器输入特征如下式所示，解码器输入特征如下式所示，其中，假设当前为t时刻，基本的短期负荷预测任务即需要未来t+M(M＝1，2，
…
，192)时刻的负荷大小，当M＝1时，解码器的输入特征为x
t+1
，即包含t时刻真实负荷y
t
、t+1时刻模式预报的气象特征t+1时刻时间序列特征m
t+1
；当M＞1时，解码器的输入特征为x
t+M
；最后，采用短期负荷预测模型对短期负荷进行预测。2.根据权利要求1所述的基于人工智能的短期电力负荷预测方法，其特征在于，根据不同节假日长度进行动态编码，动态编码方式...

【专利技术属性】
技术研发人员：罗刚，杨晓丰，谢栋，朱峰，黄缘，孙滢涛，范强，张文青，马宁，郭勤慧，张斌，裘薇，金鑫，金渊文，
申请(专利权)人：国网浙江省电力有限公司杭州辰青和业科技有限公司，
类型：发明
国别省市：