一种基于TCN-LSTM-AM的短期负荷预测方法技术

本发明专利技术公开了一种基于TCN

【技术实现步骤摘要】
一种基于TCN
‑
LSTM
‑
AM的短期负荷预测方法


[0001]本专利技术属于电力系统负荷预测的应用领域，具体是一种基于TCN
‑
LSTM
‑
AM的短期负荷预测方法。

技术介绍

[0002]短期电力负荷预测对保证电力系统平稳高效运行具有重要意义，是推进电力系统发电侧多源协调运行优化与用电侧安全保障体系建设，构建数字化、智能化新型电力系统的重要基础。提高电力短期负荷预测精度能够有效帮助电力系统工作人员制定合理生产计划，维持电力供需平衡、减少资源浪费并降低用电成本。在现代电力系统中，随着经济社会的快速发展，构成电力负荷的大功率电器种类繁多，这些电器使用的频繁程度与气象因素(温度、湿度、降雨量等)高度相关，使气象条件成为了影响电力负荷重要因素。此外，电力负荷还与节假日、工作日等相关。因此，人们普遍认为电力负荷具有随机性、非平稳性、非线性、缺乏鲁棒性等特点，这使得对短期电力负荷预测是一项极具挑战性的工作。
[0003]短期电力负荷是指对未来几个小时、一天或几天的电力负荷值进行预测，目前常用的方法可以分为三类：经典预测法、传统机器学习预测法和深度学习预测法。经典预测法主要包括时间序列法(Time
‑
Series Analysis)、线性回归分析法(linear regression,简称LR)、卡尔曼滤波法(Kalman filter)。基于经典预测方法的预测模型简单、训练速度快，但是对于非线性的电力短期负荷预测问题，该方法拟合能力不足，预测精度较低。传统机器学习预测法主要包括支持向量机法(support vector machines，简称SVM)、xgboost(eXtreme Gradient Boosting)和随机森林法Random Forest，简称RF)。传统机器学习法虽然具有较强的非线性拟合能力，但是大多数模型参数寻优困难，容易陷入局部最优的困境。深度学习预测法包括人工神经网络(back propagation，简称BP)、卷积神经网络(Convolutional Neural Networks，简称CNN)、长短期记忆网络(Long
‑
Short Term Memory，简称LSTM)、时间卷积网络(Temporal convolutional network，简称TCN)和注意力机制(Attention Mechanism，简称AM)。这些方法凭借突出的特征提取能力及非线性拟合能力，能够获取数据中非常复杂的底层特征。但由于单模型是针对某一类问题而提出，它们在高维数据集上难以同时很好地解释主要影响因素和其他影响因素。通过组合多种不同的神经网络模型，充分利用它们各自的优势，提取负荷数据集中高维特征和多尺度特征，从而有望在在电力负荷数据拟合效果和预测精确度上有更大的提升。

技术实现思路

[0004]本专利技术的目的是针对现有技术中存在的不足，而提出一种基于TCN
‑
LSTM
‑
AM的短期负荷预测方法。这种方法能提高预测准确率，为电网系统提供了更加精确的预测结果，为灵活调节供电量提供了更加可靠的依据。
[0005]实现本专利技术目的的技术方案是：
[0006]一种基于TCN
‑
LSTM
‑
AM的短期负荷预测方法，包括如下步骤：
[0007]1)数据采集：获取电力监测点负荷数据，以及包括温度、湿度和降雨量的环境影响数据，得到数据集；
[0008]2)数据预处理：采用箱线图法，清洗数据集中异常值样本；对数据集中的原始数据x进行归一化操作，数据归一化后区间为[0,1]，公式如下：
[0009][0010]式中:X为标准化后的值；x
max
为样本数据中的最大值；x
min
为样本数据中的最小值；
[0011]3)搭建输入模块：
[0012]设x1为当前预测时刻的连续前96个时刻的历史电力负荷数据，即96维样本数据[load
t
,load
t
‑
T
…
load
n
]；x2包括最高温度、最低温度、平均温度、相对湿度、降雨量、节假日、星期、时刻共8维样本数据，设时间步滑动窗口大小为T，在t时刻的输入序列具体表示为：
[0013]x1＝[p
t
,p
t
‑
T
...p
n
]T
ꢀꢀ
(2)，
[0014]p
t
＝[load
t
,load
t
‑
T
...load
n
]ꢀꢀ
(3)，
[0015]x2＝[o
t
,o
t
‑
T
...o
n
]T
ꢀꢀ
(4)，
[0016]o
t
＝[temph
t
,tempm
t
,tempa
t
,damp
t
,rain
t
,holiday
t
,week
t
,time
t
]ꢀꢀ
(5)，
[0017]式中：loadt为t时刻的日负荷量，temph
t
为t时刻的日最高温度，tempm
t
为t时刻的日最低温度，tempa
t
为t时刻的日平均温度，damp
t
为t时刻的相对湿度，rain
t
为t时刻的降雨量，holiday
t
表示t时刻是否是节假日，week
t
表示t时刻是一周中的第几天，其中每周一为第一天，time
t
为t时刻的时间；
[0018]4)搭建TCN模块：
[0019]每个残差模块由3个一维卷积层Conv0、Conv1、Conv2组成：第一个卷积层Conv0选择使用ReLU激活函数对输入做初步处理，输出为C0；第二个卷积层Conv1的输入为C0，通过卷积特征提取后为C1；C0与C1的输入需要考虑TCN的扩张卷积参数d，并在逐步元素相乘后输入Conv2；Conv2的输出与模块输入p
t
相加后即可得到另一个输出R
t
，因此R
t
表示为：
[0020][0021][0022][0023]R
t
＝ReLU(p
t
+C
2,t
)
ꢀꢀ
(9)，
[0024]式中：W0、W1和W2均为卷积核矩阵；b0、b1、b2为偏置；为卷积运算；“·”为逐元素相乘；R
t
中的元素个数为n,记为R
t
...

【技术保护点】

【技术特征摘要】
1.一种基于TCN
‑
LSTM
‑
AM的短期负荷预测方法，其特征在于，包括如下步骤：1)数据采集：获取电力监测点负荷数据，以及包括温度、湿度和降雨量的环境影响数据，得到数据集；2)数据预处理：采用箱线图法，清洗数据集中异常值样本；对数据集中的原始数据x进行归一化操作，数据归一化后区间为[0,1]，公式如下：式中:X为标准化后的值；x
max
为样本数据中的最大值；x
min
为样本数据中的最小值；3)搭建输入模块：设x1为当前预测时刻的连续前96个时刻的历史电力负荷数据，即96维样本数据[load
t
,load
t
‑
T
…
load
n
]；x2包括最高温度、最低温度、平均温度、相对湿度、降雨量、节假日、星期、时刻共8维样本数据，设时间步滑动窗口大小为T，在t时刻的输入序列具体表示为：x1＝[p
t
,p
t
‑
T
…
p
n
]
T
ꢀꢀꢀꢀ
(2)，p
t
＝[load
t
,load
t
‑
T
...load
n
]
ꢀꢀꢀꢀ
(3)，x2＝[o
t
,o
t
‑
T
...o
n
]
T
ꢀꢀꢀꢀ
(4)，o
t
＝[temph
t
,tempm
t
,tempa
t
,damp
t
,rain
t
,holiday
t
,week
t
,time
t
]
ꢀꢀꢀꢀ
(5)，式中：loadt为t时刻的日负荷量，temph
t
为t时刻的日最高温度，tempm
t
为t时刻的日最低温度，tempa
t
为t时刻的日平均温度，damp
t
为t时刻的相对湿度，rain
t
为t时刻的降雨量，holiday
t
表示t时刻是否是节假日，week
t
表示t时刻是一周中的第几天，其中每周一为第一天，time
t
为t时刻的时间；4)搭建TCN模块：每个残差模块由3个一维卷积层Conv0、Conv1、Conv2组成：第一个卷积层Conv0选择使用ReLU激活函数对输入做初步处理，输出为C0；第二个卷积层Conv1的输入为C0，通过卷积特征提取后为C1；C0与C1的输入需要考虑TCN的扩张卷积参数d，并在逐步元素相乘后输入Conv2；Conv2的输出与模块输入p
t
相加后即可得到另一个输出R
t
，因此R
t
表示为：表示为：表示为：R
t
＝ReLU(p
t
+C
2,t
)
ꢀꢀꢀꢀ
(9)，式中：W0、W1和W2均为卷积核矩阵；b0、b1、b2为偏置；为卷积运算；“·”为逐元素相乘；R
t
中的元素个数为n,记为R
t
＝[r
t1
,r
t2
,

【专利技术属性】
技术研发人员：屈昭阳，覃少华，熊根鑫，凌凡，朱新坡，王宇坤，孔娟，吴博文，
申请(专利权)人：湖南恒瑞达信息科技有限公司北京中电普华信息技术有限公司，
类型：发明
国别省市：