基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法及系统技术方案

本发明专利技术公开了基于DCNN

【技术实现步骤摘要】
基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法及系统


[0001]本专利技术属于电力负荷预测
，具体地，涉及基于DCNN
‑
LSTM
‑
AE
‑
AM 的短期电力负荷和碳排放量预测方法及系统。

技术介绍

[0002]电力行业是我国经济社会的基础行业，电力设施是国家发展生产的基础设施，电网的稳定运行关乎国计民生，合理的电力调度预分配可以大幅减少电力的损失。因此，有必要制定合理调度计划，准确的短期电力负荷预测可以极大地促进电力系统地运行。短期负荷预测主要是指一年之内按月为单位的预测和以周、天、小时为单位的负荷预测。随着电网技术的不断发展，现代智能电网是由高效的通信网络建立的，通过多种传感器接收信息和先进的设备进行控制。智能电网是当前全球电力行业的热点，而消费者在智能电网的需求响应中扮演着重要的角色。根据消费者的能源消费规模和消费习惯，可将其分为居民消费者、企业消费者和工业消费者。城市消费者包括商业消费和工业消费，占据了能源消费的很大一部分。
[0003]以往对于短期负荷预测的发展，大致可以分为两个阶段：第一阶段是基于数学建模的预测方法，包括时间序列法、回归分析法等。在负荷预测发展的第一阶段中，预测时通过对数据构建数学模型和参数来拟合曲线。这就导致了对于电力负荷的预测往往忽略了其内在规律性和负荷的受影响因素，使得对于负荷的预测上误差偏大，预测效果不理想。
[0004]第二阶段是基于人工智能的负荷预测模型。如人工神经网络(ANN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)，得益于它们的出色时空特征提取能力，因而在负荷预测领域得到了广泛的应用。电力负荷数据是由多种复杂因素产生的，利用非线性模型来提升预测精度是研究的主要方向。 CNN可以提取时空特征给电力负荷预测注入了活力。RNN、LSTM、GRU等时序结构网络对时序数据具有极度的敏感性，能够充分挖掘相邻数据之间的与时间有关的特征信息，为短期电力负荷预测提供新思路。
[0005]随着经济的增长给环境带来了很大的压力，大量的能源损耗和碳排放导致了环境污染问题日益严重。因此，需要对碳排放量进行计算和预测，以此为控制碳排放做基础准备。本申请的目的是在用电负荷的预测下，将碳排放量预测出来，以此来为后续碳减排活动和碳交易进行预处理。并对碳排放达峰现状进行相应的分析，识别各行业碳排放的差异后提出对应的政策建议。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术提供一种用于城市短期电力负荷预测的混合模型(DCNN
‑
LSTM
‑
AE
‑
AM)。本专利技术使用空洞卷积通过扩大时间视野来初步提取时间序列负荷中的时间特征，LSTM
‑
AE模块对DCNN提取好的特征进一步充分挖掘短期城市用电行为特征；为了融合这些不同行为特征，我们使用了注意力机制来反应行为在负荷预测中的重
要性。
[0007]本专利技术采用如下的技术方案。
[0008]基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，包括以下步骤：
[0009]步骤1，采集城市电力负荷数据，并对其进行预处理；
[0010]步骤2，构建基于自注意力机制及DCNN
‑
LSTM
‑
AE的短期电力负荷预测模型；
[0011]步骤3，训练模型并对城市用户的短期电力负荷进行预测；
[0012]步骤4，构建阶梯式碳排放量预测模型，并基于短期电力负荷预测结果输出不同区间下的电力负荷对应的碳排放量。
[0013]优选地，预处理包括填补缺失值、对奇异数据进行归一化；其中采用TNN 算法来填补缺失值，在时刻t时，TNN的定义如下：
[0014][0015]其中，K表示为选取的邻近的值的个数；T表示为间隔的周期；I
t
表示为t时刻的城市用户负荷数据。
[0016]优选地，当缺失值持续时间过长时，即缺失时间大于两倍间隔周期，舍弃该时间长度的数据。
[0017]优选地，步骤2包括：
[0018]步骤2.1，将预处理后的电力负荷数据按时间顺序进行排列得到初始时间序列数据，采用窗口滑动的方法，选取固定时间步长的时间序列负荷数据作为特征输入，并将紧跟特征输入的下一个负荷数据作为目标输出；
[0019]步骤2.2，采用空洞卷积提取初始时间序列数据的时空特征；
[0020]步骤2.3，采用LSTM
‑
AE提取前后向传播中的时间序列特征；
[0021]步骤2.4，采用注意力机制处理序列数据的谷值，应用多个全连接层作为输出层来细化值的权重，得到短期电力负荷预测模型。
[0022]优选地，步骤2.2中，对于初始时间序列数据，数据位置i相对应的输出y
i
和滤波器w，输入特征v后的空洞卷积的映射函数为：
[0023][0024]其中，空洞卷积调整速率r表示为选取输入数据的间隔步长；k表示为滤波器的数量，在加入卷积层之后，加入RELU激活函数、池化层以提高梯度的反向传播能力、提升初始时间序列数据中的非线性特征。
[0025]优选地，步骤2.3包括：构建BiLSTM模型：将输入数据以相同时间步长进行同步训练，一个将数据以时间正序格式输入，另一个以时间逆序格式输入进行处理，前向传播后向传播的隐藏状态及BiLSTM的输出H
t
如下：
[0026][0027][0028][0029]其中，S
t
表示当前t时刻LSTM层中的内部状态；ξ
t
表示当前t时刻的输入；表示时间步；FC代表全连接层。
[0030]优选地，步骤2.3还包括：基于步骤2.2构建的BiLSTM模型，最小化自动编码器的原始输入和输出之间的重构误差，找到一组最佳连接权重，自动编码器包括一个含有n维向量的输入和一个可定义任意维度的输出∈
t
，则输入可以根据映射函数映射成输出∈
t
：
[0031][0032][0033]其中，Θ是编码层的映射函数；和表示为权重矩阵；f和ρ是任意两种激活函数；α和β分别是编码器和解码器的偏置参数；，编码器采用两个BiLSTM 层，解码器采用两层LSTM作为特征分析层。
[0034]优选地，注意力机制的输出μ
t
计算公式如下：
[0035]μ
t
＝∑Ω
t
⊙
η
t
[0036]其中，η
t
＝{h1，
…
，h
χ
}是LSTM
‑
AE在时刻t的χ维的输出；Ω
t
是一个权重矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，其特征在于，包括以下步骤：步骤1，采集城市电力负荷数据，并对其进行预处理；步骤2，构建基于自注意力机制及DCNN
‑
LSTM
‑
AE的短期电力负荷预测模型；步骤3，训练模型并对城市用户的短期电力负荷进行预测；步骤4，构建阶梯式碳排放量预测模型，并基于短期电力负荷预测结果输出不同区间下的电力负荷对应的碳排放量。2.根据权利要求1所述的基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，其特征在于：预处理包括填补缺失值、对奇异数据进行归一化；其中采用TNN算法来填补缺失值，在时刻t时，TNN的定义如下：其中，K表示为选取的邻近的值的个数；T表示为间隔的周期；I
t
表示为t时刻的城市用户负荷数据。3.根据权利要求2所述的基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，其特征在于：当缺失值持续时间过长时，即缺失时间大于两倍间隔周期，舍弃该时间长度的数据。4.根据权利要求2所述的基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，其特征在于：步骤2包括：步骤2.1，将预处理后的电力负荷数据按时间顺序进行排列得到初始时间序列数据，采用窗口滑动的方法，选取固定时间步长的时间序列负荷数据作为特征输入，并将紧跟特征输入的下一个负荷数据作为目标输出；步骤2.2，采用空洞卷积提取初始时间序列数据的时空特征；步骤2.3，采用LSTM
‑
AE提取前后向传播中的时间序列特征；步骤2.4，采用注意力机制处理序列数据的谷值，应用多个全连接层作为输出层来细化值的权重，得到短期电力负荷预测模型。5.根据权利要求4所述的基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，其特征在于：步骤2.2中，对于初始时间序列数据，数据位置i相对应的输出y
i
和滤波器w，输入特征v后的空洞卷积的映射函数为：其中，空洞卷积调整速率r表示为选取输入数据的间隔步长；k表示为滤波器的数量，在加入卷积层之后，加入RELU激活函数、池化层以提高梯度的反向传播能力、提升初始时间序列数据中的非线性特征。6.根据权利要求4所述的基于DCNN
‑
LSTM
‑
AE
‑
AM的短期电力负荷和碳排放量预测方法，其特征在于：
步骤2.3包括：构建BiLSTM模型：将输入数据以相同时间步长进行同步训练，一个将数据以时间正序格式输入，另一个以时间逆序格式输入进行处理，前向传播后向传播的隐藏状态及BiLSTM的输出H如下：及BiLSTM的输出H如下：及BiLSTM的输出H如下：其中，S
t
表示当前t时刻LSTM层中的内部状态，即包含了记忆细胞和隐藏状态；ξ
t
表示当前t时刻的输入；表示时间步；FC代表全连接层。7.根据权利要求6所述的基于DCNN
‑...

【专利技术属性】
技术研发人员：白锐，赵灿，何平，兴胜利，王晓梅，顾杨青，钱雪峰，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：