基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法技术

本发明专利技术提出基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，用于超短期电力负荷的预测，所述预测方法利用数据集中的连续型与离散型特征向量，通过用DCN进行自动特征工程提取数据特征，将整理后的稠密向量，按时间顺序堆叠起来输入到TCN中预测，分别通过使用sigmoid和tanh激活函数和扩大因果卷积，拟合参数，建立模型，最终解码获取负荷的超短期预测结果；本发明专利技术，对数据容量要求低，预测速度快，精度高。精度高。精度高。

【技术实现步骤摘要】
基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法


[0001]本专利技术涉及电力系统负荷预测
，尤其是基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法。

技术介绍

[0002]随着现货市场改革的进行，以负荷预测为基础的签约、报价、经济测算等行为，使得负荷预测的研究成为能源研究的热点。电力负荷数据是确保发电与需求平衡的必要组成部分，电网运营者为了维护供电的安全稳定，需要高精度的负荷预测。实现准确有效的短期负荷预测，可以实现智能电网的节能、降本、精细化调度管理，以预警保障安全。准确的预测家庭住宅用电需求，平衡用电高峰的供需关系，将会减少电力资源的浪费，对保护生态环境产生积极影响。人工神经网络算法通过算法逐层构建网络框架进行高精度预测，具有对样本数据容错率高、非线性映射能力强、自适应和自组织等优点，在电力负荷预测领域得到了广泛应用，成为了研究的热点之一。常见的短期负荷预测有：传统时间序列预测模型，传统机器学习方法以及近几年兴起的深度学习等方法。这些预测方法取得了一定的成绩，但仍挑战性。主要局限性在于：
[0003]1)这些网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，用于超短期电力负荷的预测，其特征在于：所述预测方法利用数据集中的连续型与离散型特征向量，通过用DCN进行自动特征工程提取数据特征，将整理后的稠密向量，按时间顺序堆叠起来输入到TCN中预测，分别通过使用sigmoid和tanh激活函数和扩大因果卷积，拟合参数，建立模型，最终解码获取负荷的超短期预测结果；所述预测方法包括以下步骤；步骤一、数据特征选择与提取，即通过负荷监测系统提取影响短期负荷的主要因素相关数据，形成用于输入DTCN模型的输入数据；步骤二、以DCN模型模块对数据处理，整理得到稠密向量，生成连接向量x
stack
；步骤三、把连接向量送入TCN模型模块进行时序特征的提取与预测；步骤四、以基于步骤二的DCN模型、步骤三的TCN模型，通过步骤一的输入数据来进行超短期预测。2.根据权利要求1所述的基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，其特征在于：步骤一中，所述影响短期负荷的主要因素相关数据，为历史负荷数据、温度数据和湿度数据，对读取得到的数据进行整理，形成用于输入DTCN模型的输入数据，以拟合优化数学模型。3.根据权利要求2所述的基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，其特征在于：历史负荷数据为通过台区的高压侧电表调取的往年电量数据，以每半小时为计量单位。4.根据权利要求2所述的基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，其特征在于：步骤二中，DCN模型以嵌入层和堆积层为开始，随后是交叉网络和与之平行的深度网络，然后是组合层；步骤二包括以下步骤；步骤S1、通过DCN模型的嵌入层，对输入数据进行处理，将输入数据中的高维单一热点向量转换为嵌入向量，以此降低维数，公式为x
embed，i
＝W
embed，i
x
i
ꢀꢀꢀ
公式一；其中x
enbed，i
是嵌入向量，x
i
是第i类二进制输入；再将嵌入向量和归一化处理后的连续型特征x
dense
叠加成一个向量，公式为然后将x0反馈给网络；步骤S2、将交叉网络和深度网络处理后的数据拼接，其中交叉网络应用显式特征交叉，交叉网络由交叉层组成，每层可用如下公式表达：其中x
l
，x
l+1
∈R
d
分别代表交叉层的输入和输出；W
l
，b
l
∈R
d
代表第l层的权值和偏移参数；在每层交叉执行完后反馈回输入，并以映射函数调整残差x
l+1
‑

【专利技术属性】
技术研发人员：黄若辰，林琼斌，杨于彬，蔡逢煌，王武，柴琴琴，
申请(专利权)人：福州大学，
类型：发明
国别省市：