一种基于信号分解与对抗学习的家庭负荷短期预测方法技术

本发明专利技术公开了一种基于信号分解与对抗学习的家庭负荷短期预测方法，涉及电力负荷分析领域，其步骤包括：首先，获取家庭的负荷数据、气象数据和日期数据；其次，对家庭负荷数据进行分析，将受到居民行为影响的负荷划分为行为负荷，将不受到居民行为影响的负荷划分为非行为负荷；然后，基于以长短期记忆网络为生成器、以卷积神经网络为判别器的带惩罚项的条件Wasserstein生成对抗网络CWGAN

【技术实现步骤摘要】
一种基于信号分解与对抗学习的家庭负荷短期预测方法


[0001]本专利技术属于电力负荷分析领域，涉及一种基于信号分解与对抗学习的家庭负荷短期预测方法。

技术介绍

[0002]家庭电力消耗占社会总能耗的26.5％以上，随着智能电网的发展和节能减排政策的推进，家庭负荷参与电力市场和需求响应备受关注。通过家庭负荷短期预测获取未来几分钟到几小时的单个家庭的用电负荷，是家庭参与电力市场和需求响应的重要信息基础。同时，家庭负荷短期预测对电力系统经济调度、电力系统安全维护和控制等方面具有重要价值。
[0003]家庭负荷具有两个重要特性：(1)家庭负荷具有多源不确定性。首先，家庭中含有受用户活动剧烈影响的行为负荷，如热水器、空调、冰箱、电灯、电视等负荷，这类负荷受气象、用户习惯、用户心理等因素的影响，具有很强的不确定性；其次，家庭中含有不受用户活动影响的非行为负荷，包括光伏、风能、谷仓酒窖恒温设备等负荷，这些负荷受日照、风速等因素影响具有间歇性、随机性。(2)家庭负荷具有多因素相关性。首先，家庭负荷具有显著的时间序列性，且是否节假日、气象等因素对时间序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号分解与对抗学习的家庭负荷短期预测方法，其特征在于，包括：步骤A：获取家庭的负荷数据、气象数据和日期数据，对气象数据和日期数据进行数据处理；步骤B：对家庭负荷数据进行分析，将受到居民行为影响的负荷分类为行为负荷，将不受到居民行为影响的负荷分类为非行为负荷，并对两类负荷数据进行数据处理；步骤C：构建以LSTM为生成器、以CNN为判别器的行为负荷预测模型CWGAN
‑
GP1，该模型的特征输入包括历史行为负荷、气象数据和日期数据；构建以LSTM为生成器、以CNN为判别器的非行为负荷预测模型CWGAN
‑
GP2，该模型的特征输入包括历史非行为负荷和气象数据；其中，LSTM是指Long Short
‑
Term Memory，即长短期记忆网络，CNN是指Convolutional Neural Networks，即卷积神经网络，CWGAN
‑
GP是指Conditional Wasserstein Generative Adervesarial Networks with Gradient Penalty，即带惩罚项的条件Wasserstein生成对抗网络；气象数据包括，温度、湿度和风速，日期数据包括，周末信息和夏日信息；基于CWGAN
‑
GP1和CWGAN
‑
GP2进行行为负荷和非行为负荷的短期预测，获得行为负荷和非行为负荷的短期预测结果；步骤D：将行为负荷和非行为负荷的短期预测结果整合，得到最终家庭负荷短期预测结果。2.根据权利要求1所述的一种基于信号分解与对抗学习的家庭负荷短期预测方法，其特征在于，所述步骤A中，对日期数据进行数据处理，包括：对日期数据进行one
‑
hot编码处理，对于周末信息，属于周末则编码为1，不属于周末则编码为0；对于夏日信息，属于夏季则编码为1，不属于夏季则编码为0。3.根据权利要求1所述的一种基于信号分解与对抗学习的家庭负荷短期预测方法，其特征在于，所述步骤B中的“对家庭负荷数据进行分析，将受到居民行为影响的负荷分类为行为负荷，将不受到居民行为影响的负荷分类为非行为负荷”，包括：行为负荷如受到居民行为影响的洗衣机、空调、电视和厨房电器等负荷，将这些负荷划分为一类，它们的总负荷即为行为负荷；非行为负荷如不受到居民行为影响的太阳能、风能、恒温器和传感器等负荷，将这些负荷划分为一类，它们的总负荷即为非行为负荷。4.根据权利要求1所述的一种基于信号分解与对抗学习的家庭负荷短期预测方法，其特征在于，所述步骤C中的“构建以LSTM为生成器、以CNN为判别器的行为负荷预测模型CWGAN
‑
GP1，该模型的特征输入包括历史行为负荷、气象数据和日期数据”，包括如下步骤：步骤C101：确定获取的家庭行为负荷数据、气象数据和日期数据的时间采样间隔，采样间隔为一小时采样k次；确定模型输入的特征变量时长，特征变量时长为24小时；确定模型输出的预测步长，预测步长为12；即，如果在时刻i执行预测，输入时刻i
‑
k
×
24+1至时刻i的特征变量，输出时刻i+1至时刻i+12的行为负荷预测值；步骤C102：确定预测模型CWGAN
‑
GP1的条件输入，条件输入为行为负荷的特征变量，即：历史行为负荷BL、温度T、湿度H、风速W、周末信息WI和夏日信息SI，将它们按上述顺序和时间顺序平行展开成一维序列进行输入，[BL
i
‑
k
×
24+1
,T
i
‑
k
×
24+1
,H
i
‑
k
×
24+1
,W
i
‑
k
×
24+1
,WI
i
‑
k
×
24+1
,SI
i
‑
k
×
24+1
,...,BL
i
,T
i
,H
i
,W
i
,WI
i
,SI
i
]，共计144
×
k个输入；确定预测模型CWGAN
‑
GP1的噪声输入，噪声输入为从均值为0、方差为1的高斯分布中随机的抽取10个数，用N表示噪声数据，即[N1,N2,...,N
10
]；确定预测模型CWGAN
‑
GP1的样本输入，样本输入为来自行为负荷数据集
中的真实行为负荷数据12个，即[BL
i+1
...

【专利技术属性】
技术研发人员：苏永新，何琪瑶，彭寒梅，谭貌，李辉，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：