一种基于门控双重卷积神经网络的概率电力负荷预测方法技术

本发明专利技术公开了一种基于门控双重卷积神经网络的概率电力负荷预测方法，基于自回归模型和注意力机制的门控双重卷积神经网络模型，以自回归模型为线性分量，利用门控机制改进了双重卷积神经网络，以捕捉多个区域电力负荷数据之间的垂直相关性，提高预测区间的覆盖率。接着，利用池化操作改进了注意力机制，以捕捉多个区域电力负荷数据之间的水平相关性，获得较窄的预测区间；最后，将线性预测值与非线性预测值进行集成，得到最终预测结果。本发明专利技术解决了模型对输入矩阵的形状不敏感的问题，能够捕捉到输入矩阵中的敏感特征，并在缩小PI宽度的同时使PICP值尽可能地向PINC值靠拢，从而提高概率电力负荷预测的准确性和可靠性。概率电力负荷预测的准确性和可靠性。概率电力负荷预测的准确性和可靠性。

【技术实现步骤摘要】
一种基于门控双重卷积神经网络的概率电力负荷预测方法


[0001]本申请属于神经网络预测
，尤其涉及一种基于门控双重卷积神经网络的概率电力负荷预测方法。

技术介绍

[0002]为便于科学安排发电量、控制电力供应、降低电力供应成本，准确的电力负荷预测是电力行业的一项重要任务。在智能电网建设过程中，提高电力负荷的预测性能，消除电力消耗不确定性的负面影响至关重要。与此同时，实现电力供需平衡也可以减少能源浪费、促进环境保护。
[0003]电力负荷数据的复杂性和多变性使准确的电力负荷预测成为一个巨大的挑战。根据确定性维度进行划分，电力负荷预测通常可分为点电力负荷预测和概率电力负荷预测。与点电力负荷预测相比，概率电力负荷预测包含了变化区间和电力负荷波动的不确定性信息，能够为电力系统科学决策提供更全面的判断依据。由于概率电力负荷预测能够为电力系统负荷提供预测区间，有利于应对上述挑战。
[0004]概率电力负荷预测，为电力系统提供精确的预测区间(简称PI)。PI由预测模型根据两个预定分位数预测的上限和下限组成，是概率电力负荷预测的基本组成部分。两个预定分位数之差称为预测区间标准覆盖率(简称PINC)，实际覆盖率称为预测区间覆盖率(简称PICP)。
[0005]近年来，深度学习模型在概率电力负荷预测方面具有较优的表现，包括人工神经网络(简称ANN)、长短期记忆(简称LSTM)神经网络、卷积神经网络(简称CNN)、深度残差神经网络等。然而，这些模型在概率电力负荷预测的实际应用中存在一定的缺陷。首先，在复杂的电力系统中，不同负荷区域的数据之间存在一定的相关性，需要对多个负荷区域数据进行建模。然而，现有的大多数深度学习模型存在着对输入矩阵的形状不敏感的问题，从而降低了预测模型的鲁棒性。此外，当一个深度学习模型只专注于提高PICP值时(即PICP值向PINC值靠近)，很难保证PI具有较小的宽度。PICP值和PI的宽度都是评判模型预测性能的重要指标。现有模型不是较少考虑提高PICP值的重要性，就是忽略了缩小PI宽度的重要性，无法同时考虑预测区间的覆盖率和宽度，致使模型的预测精度较低。

技术实现思路

[0006]本申请的目的在于提供一种基于门控双重卷积神经网络的概率电力负荷预测方法，以克服上述
技术介绍
中所提出的技术问题。
[0007]为了实现上述目的，本申请技术方案如下：
[0008]一种基于门控双重卷积神经网络的概率电力负荷预测方法，包括：
[0009]获取预测地区所有区域在预设时间段内的电力负荷数据，采用滑动窗口将获取的电力负荷数据重建为包括时间、区域和批次的三维重构数据；
[0010]将三维重构数据输入到门控双重卷积神经网络模块，捕捉每个时间点电力负荷数
据之间的垂直相关性，得到非线性初步预测值；
[0011]将非线性初步预测值输入到基于池化操作的注意力机制模块，捕捉每个时间点电力负荷数据之间的水平相关性，得到非线性预测值；
[0012]将三维重构数据输入到自回归模块，得到线性预测值；
[0013]将线性预测值与非线性预测值进行集成，得到最终预测结果。
[0014]进一步的，所述门控双重卷积神经网络模块包括双重卷积神经网络和门控机制，所述双重卷积神经网络包含全局卷积通道和局部卷积通道，所述全局卷积通道和局部卷积通道的输出分别由c
g
和c
l
表示，所述门控机制表示为：
[0015][0016]其中，tanh(
·
)和σ(
·
)表示门控机制中的控制函数，表示元素乘积，X
c
表示门控双重卷积神经网络模块输出的非线性初步预测值。
[0017]进一步的，所述将非线性初步预测值输入到基于池化操作的注意力机制模块，捕捉每个时间点电力负荷数据之间的水平相关性，得到非线性预测值，包括：
[0018]利用线性连接计算电力负荷数据的第一注意力权重，采用如下公式：
[0019]a
l
＝softmax(tanh(W
linear
·
X
c
+b
linear
))；
[0020]其中，a
l
表示计算得到的第一注意力权重，W
linear
和b
linear
分别表示线性连的权重矩阵和偏差系数，X
c
表示非线性初步预测值；
[0021]利用平均池化层和最大池化层计算电力负荷数据的第二注意力权重，采用如下公式：
[0022]a
p
＝softmax(average[X
c
]+max[X
c
]))；
[0023]其中average[
·
]和max[
·
]分别表示对X
c
的平均池化操作和最大池化操作，a
l
表示计算得到的第二注意力权重；
[0024]将计算所得的第一、第二注意力权重分别与非线性初步预测值相乘再合并，得到非线性预测值。
[0025]进一步的，所述将三维重构数据输入到自回归模块，得到线性预测值，包括：
[0026]将三维重构数据输入到自回归模块，得到线性预测值，采用的公式如下：
[0027][0028]其中，y
L
、W
ar
和b
ar
分别表示线性预测值、权重矩阵和偏差系数，表示在t时刻第i个到第(i+K)个区域的电力负荷数据，K表示输入数据中包含的区域数量。
[0029]本申请提出的一种基于门控双重卷积神经网络的概率电力负荷预测方法，解决了模型对输入矩阵的形状不敏感的问题，能够捕捉到输入矩阵中的敏感特征，并在缩小PI宽度的同时使PICP值尽可能地向PINC值靠拢，从而提高概率电力负荷预测的准确性和可靠性。首先，将AR模型与深度学习模型集成，解决了模型对输入矩阵的形状不敏感问题，增强了模型的鲁棒性。然后，利用GDCNN方法有效地控制了信息流，捕捉了多个区域电力负荷数据之间的垂直相关性，从而提高了PI的覆盖率。最后，利用AMPO方法优化了负荷数据的注意力权重计算，有利于捕捉多个区域电力负荷数据之间的水平相关性并获得较窄PI。与此同时，本申请采用的两组真实数据集的实验结果均验证了本文所提出的模型的优越性，可见该模型在实际概率电力负荷预测方面有一定的应用潜力。
附图说明
[0030]图1为本申请门控双重卷积神经网络模型的结构示意图；
[0031]图2为本申请基于门控双重卷积神经网络的概率电力负荷预测方法流程图；
[0032]图3为本申请门控双重卷积神经网络模块示意图；
[0033]图4为本申请基于池化操作的注意力机制模块示意图。
具体实施方式
[0034]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控双重卷积神经网络的概率电力负荷预测方法，其特征在于，所述基于门控双重卷积神经网络的概率电力负荷预测方法，包括：获取预测地区所有区域在预设时间段内的电力负荷数据，采用滑动窗口将获取的电力负荷数据重建为包括时间、区域和批次的三维重构数据；将三维重构数据输入到门控双重卷积神经网络模块，捕捉每个时间点电力负荷数据之间的垂直相关性，得到非线性初步预测值；将非线性初步预测值输入到基于池化操作的注意力机制模块，捕捉每个时间点电力负荷数据之间的水平相关性，得到非线性预测值；将三维重构数据输入到自回归模块，得到线性预测值；将线性预测值与非线性预测值进行集成，得到最终预测结果。2.根据权利要求1所述的基于门控双重卷积神经网络的概率电力负荷预测方法，其特征在于，所述门控双重卷积神经网络模块包括双重卷积神经网络和门控机制，所述双重卷积神经网络包含全局卷积通道和局部卷积通道，所述全局卷积通道和局部卷积通道的输出分别由c
g
和c
l
表示，所述门控机制表示为：其中，tanh(
·
)和σ(
·
)表示门控机制中的控制函数，表示元素乘积，X
c
表示门控双重卷积神经网络模块输出的非线性初步预测值。3.根据权利要求1所述的基于门控双重卷积神经网络的概率电力负荷预测方法，其特征在于，所述将非线性初步预测值输入到基于池化操作的注意力机制模块，捕捉每个时间点电力负荷数据之间的水平相关性，得到非线性预测值，包括：利用线性连接计算电力负荷数据的第一注意力权重，采用如下公式：a
l

【专利技术属性】
技术研发人员：张帅，裘一蕾，张文宇，方圆，宋小波，姚家渭，徐纪元，
申请(专利权)人：杭州半云科技有限公司，
类型：发明
国别省市：