一种冷热电多元负荷预测方法及系统技术方案

本发明专利技术提供一种冷热电多元负荷预测方法及系统，涉及负荷预测领域。该预测方法包括：获取电力系统在当前时刻的负荷数据；负荷数据包括：冷负荷数据、热负荷数据和电负荷数据；采用随机森林法对负荷数据进行特征选择，得到当前时刻的特征集序列；特征集序列包括：冷负荷特征集序列、热负荷特征集序列和电负荷特征集序列；将当前时刻的特征集序列输入到负荷预测模型中，输出下一时刻的负荷数据；负荷预测模型基于线性自注意力机制建立；本发明专利技术能够简单快速实现负荷预测。速实现负荷预测。速实现负荷预测。

【技术实现步骤摘要】
一种冷热电多元负荷预测方法及系统


[0001]本专利技术涉及负荷预测领域，特别是涉及一种冷热电多元负荷预测方法及系统。

技术介绍

[0002]负荷预测是综合能源系统能量管理和优化调度的基础，其预测精度直接关系到系统的整体运行性能。负荷预测分为中长期预测和短期预测，时间尺度越短，对预测精度的要求越高。短期负荷预测主要用于预报未来几小时、1天至几天的负荷，对于调度安排开停机计划、机组最优组合、经济调度、最优潮流、电力市场交易有着重要的意义。
[0003]短期负荷预测方法主要有时间序列法、回归分析法等传统数学预测方法和基于神经网络的人工智能预测方法。传统方法依赖于所建立的负荷模型的精确度和可靠性，影响负荷的特征众多，特征之间的耦合模型建立困难，大大局限了短期负荷预测的精度。神经网络属于免模型方法，可以深入学习特征之间、特征与负荷之间的关系，挖掘出数据之间深层次关系，从而拟合特征与特征、特征与负荷之间复杂的非线性关系。
[0004]大多数多元负荷预测模型都是单任务学习框架。单任务学习用三个独立的神经网络分别预测冷热电负荷，每个网络只有一个优化目标，训练相互独立。这种方式易忽略任务之间的关联、冲突和约束等关系，难以考虑多元负荷之间复杂的耦合，会导致负荷预测整体效果无法更优。
[0005]而多任务学习可以存在多个学习目标，通过使用共享机制并行训练多个任务，共享表示的目的是为了提高模型泛化能力。采用多任务学习的方法对多元负荷进行预测，能够有效使用存在于数据中的大量共享信息，有助于更好地提取抽象特征，预测效果更佳。
[0006]现有的多任务学习结构中具体的神经网络主要分为两大类：循环神经网络(RNN)和卷积神经网络(CNN)。RNN在时序预测问题上存在天然优势，其线性序列结构在反向传播路径过长，易导致严重的梯度消失或梯度爆炸问题。
[0007]长短期记忆网络(LSTM)和门循环单元(GRU)模型通过增加中间状态信息直接向后传播，缓解了梯度消失问题，获得了很好的效果，逐渐成为RNN的标准模型。CNN的卷积层可以提取特征，从局部信息聚合得到整体信息，对输入进行层次信息提取。卷积核的之间无依赖关系，并行计算能力较强。两类方法都得到了广泛运用。
[0008]然而，RNN存在特征抽取能力差，序列依赖关系导致了并行计算能力差的问题。CNN单卷积层的滑动窗口值固定且有限，无法捕获远距离特征，缺乏记忆功能，更适用于图像处理等方面。
[0009]现有多元负荷预测大多采用单任务学习方法，即不同负荷的预测网络独立，训练相互独立，每个网络只有一个优化目标。单任务学习方法已难以满足现阶段及未来多元负荷预测精度的要求，主要表现在：
[0010]1)多元负荷间存在复杂的耦合关系，大量的共享信息存在于数据中，且这些耦合特点难以由传统特征提取方法得到。
[0011]2)单任务学习时，梯度的反向传播倾向于陷入局部极小值，易导致负荷预测整体
效果无法更优，模型泛化能力差。
[0012]目前采用多任务学习方法来克服单任务学习的缺点，所用网络主要是RNN和CNN两类网络，但是RNN和CNN面临如下问题：
[0013]1)RNN系列的模型当前时刻的计算依赖上一时刻的计算结果，形成了序列依赖关系，导致并行计算能力很差。
[0014]2)CNN的卷积结构导致其无法捕获远距离特征，缺乏记忆功能。
[0015]Transformer模型采用编码
‑
解码架构，并行计算能力强，自注意力机制能够捕捉到丰富的特征，同时允许长距离的特征直接联系，使模型更容易学习序列的长距离依赖。Transformer模型所具有的并行化计算和序列长期依赖性学习的优势兼具了RNN和CNN的优点，为负荷预测带来了新的发展空间。但是，传统transformer模型基于标准自注意力机制，具有计算复杂度较高的问题。当序列长度为n时，标准自注意力机制的计算时间和显存占用量为o(n2)。
[0016]现有技术中对负荷预测的方法或者系统，是应用上述的模型对负荷进行预测，现有技术存在计算复杂、并且处理速度慢的问题。因此，如何能够简单快速的实现对负荷预测，很有必要。

技术实现思路

[0017]本专利技术的目的是提供一种冷热电多元负荷预测方法及系统，以简单快速实现负荷预测。
[0018]为实现上述目的，本专利技术提供了如下方案：
[0019]一种冷热电多元负荷预测方法，所述预测方法包括：
[0020]获取电力系统在当前时刻的负荷数据；所述负荷数据包括：冷负荷数据、热负荷数据和电负荷数据；
[0021]采用随机森林法对所述负荷数据进行特征选择，得到当前时刻的特征集序列；所述特征集序列包括：冷负荷特征集序列、热负荷特征集序列和电负荷特征集序列；
[0022]将当前时刻的特征集序列输入到负荷预测模型中，输出下一时刻的负荷数据；所述负荷预测模型基于线性自注意力机制建立。
[0023]可选地，所述负荷预测模型的确定方法为：
[0024]获取训练集；所述训练集为所述电力系统的历史负荷数据；所述历史负荷数据包括历史时刻的负荷数据；
[0025]采用随机森林法对所述训练集进行特征选择，得到训练集特征序列；所述训练集特征序列包括历史时刻的特征集序列；
[0026]构建共享神经网络；所述共享神经网络包括依次连接的编码层和解码层；
[0027]将所述训练集特征序列输入至所述共享神经网络，以散度损失最小为目标对所述共享神经网络中的参数进行调整，得到训练好的共享神经网络；
[0028]将所述训练好的共享神经网络确定为所述负荷预测模型。
[0029]可选地，所述将所述训练集特征序列输入至所述共享神经网络，以散度损失最小为目标对所述共享神经网络中的参数进行调整，得到训练好的共享神经网络，具体包括：
[0030]将所述训练集特征序列输入至当前迭代次数下的共享神经网络，当前迭代次数下
的共享神经网络采用所述线性自注意力机制，对所述训练集特征序列进行编码和解码处理，得到当前迭代次数下的共享神经网络输出的当前负荷预测数据；
[0031]根据所述训练集特征序列和所述当前负荷预测数据，计算当前迭代次数下的散度损失；
[0032]判断当前迭代次数下的散度损失是否小于上一迭代次数下的散度损失；
[0033]若是，则将当前迭代次数下的共享神经网络确定为训练好的共享神经网络；
[0034]若否，则对当前迭代次数下的共享神经网络的参数进行调整，并进行下次迭代。
[0035]可选地，所述散度损失的计算公式为：
[0036]D
KL
(t)＝λ1(t)D
KL
(P1|Q1)+λ2(t)D
KL
(P2|Q2)+λ3(t)D
KL
(P3|Q3)；
[0037]其中D
KL
(t)为散度损失，λ1(t)为冷负荷特征序列的权重系数，λ2(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冷热电多元负荷预测方法，其特征在于，所述预测方法包括：获取电力系统在当前时刻的负荷数据；所述负荷数据包括：冷负荷数据、热负荷数据和电负荷数据；采用随机森林法对所述负荷数据进行特征选择，得到当前时刻的特征集序列；所述特征集序列包括：冷负荷特征集序列、热负荷特征集序列和电负荷特征集序列；将当前时刻的特征集序列输入到负荷预测模型中，输出下一时刻的负荷数据；所述负荷预测模型基于线性自注意力机制建立。2.根据权利要求1所述的冷热电多元负荷预测方法，其特征在于，所述负荷预测模型的确定方法为：获取训练集；所述训练集为所述电力系统的历史负荷数据；所述历史负荷数据包括历史时刻的负荷数据；采用随机森林法对所述训练集进行特征选择，得到训练集特征序列；所述训练集特征序列包括历史时刻的特征集序列；构建共享神经网络；所述共享神经网络包括依次连接的编码层和解码层；将所述训练集特征序列输入至所述共享神经网络，以散度损失最小为目标对所述共享神经网络中的参数进行调整，得到训练好的共享神经网络；将所述训练好的共享神经网络确定为所述负荷预测模型。3.根据权利要求2所述的冷热电多元负荷预测方法，其特征在于，所述将所述训练集特征序列输入至所述共享神经网络，以散度损失最小为目标对所述共享神经网络中的参数进行调整，得到训练好的共享神经网络，具体包括：将所述训练集特征序列输入至当前迭代次数下的共享神经网络，当前迭代次数下的共享神经网络采用所述线性自注意力机制，对所述训练集特征序列进行编码和解码处理，得到当前迭代次数下的共享神经网络输出的当前负荷预测数据；根据所述训练集特征序列和所述当前负荷预测数据，计算当前迭代次数下的散度损失；判断当前迭代次数下的散度损失是否小于上一迭代次数下的散度损失；若是，则将当前迭代次数下的共享神经网络确定为训练好的共享神经网络；若否，则对当前迭代次数下的共享神经网络的参数进行调整，并进行下次迭代。4.根据权利要求3所述的冷热电多元负荷预测方法，其特征在于，所述散度损失的计算公式为：D
KL
(t)＝λ1(t)D
KL
(P1|Q1)+λ2(t)D
KL
(P2|Q2)+λ3(t)D
KL
(P3|Q3)；其中D
KL
(t)为散度损失，λ1(t)为冷负荷特征序列的权重系数，λ2(t)为热负荷特征序列的权重系数，λ3(t)为电负荷特征序列的权重系数，D
KL
(P1|Q1)为冷负荷特征序列的散度，D
KL
(P2|Q2)为热负荷特征序列的散度，D
KL
(P3|Q3)为电负荷特征序列的散度。5.一种冷热电多元负荷预测系统，其特征在于，所述预测系统包括：数据获取模块，用于获取电力系统在当前时刻的负荷...

【专利技术属性】
技术研发人员：刘念，徐万欣，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：