基于人口流动数据和双阶段注意力机制的负荷预测方法和系统技术方案

本发明专利技术公开了基于人口流动数据和双阶段注意力机制的负荷预测方法和系统，所述方法包括：获取天气数据、时间数据、历史负荷数据和人口流动数据作为模型训练数据；对训练数据进行多源信息处理和筛选；训练基于双阶段注意力机制的负荷预测模型；采用训练后的负荷预测模型进行负荷预测，得到初步预测结果；对初步预测结果进行预测误差修正，获得最终的负荷预测结果。本发明专利技术可提高率模型负荷预测的准确率。本发明专利技术可提高率模型负荷预测的准确率。本发明专利技术可提高率模型负荷预测的准确率。

【技术实现步骤摘要】
基于人口流动数据和双阶段注意力机制的负荷预测方法和系统


[0001]本专利技术涉及电网负荷预测
，具体涉及基于人口流动数据和双阶段注意力机制的负荷预测方法和系统。

技术介绍

[0002]准确的电力负荷预测是电网安全可靠运行的关键，因为它是发电规划的基础，是电网科学管理和调度的重要依据。传统的负荷预测方法大多基于历史负荷数据、天气数据以时间数据作为预测未来短时用电负荷大小的依据，导致用电负荷特征变化时，历史负荷数据难以变化之后的用电特性。根据历史负荷数据等传统负荷预测方法必然会产生较大误差，将会对电网的调度以及安全运行产生较大威胁。
[0003]基于深度学习的负荷预测方法作为当前的研究热点，吸引了众多国内外学者参与相关研究。目前基于深度学习算法的负荷识别方法主要包括数据采集、特征提取、样本训练和预测结果输出这几个主要步骤，主要针对负荷识别的深度学习算法展开研究，通过改善传统的深度学习算法的结构和相关参数，实现了预测精度的提升，并获得众多成果。算法的基本思想为利用长短记忆神经网络(LSTM)、反向传播神经网络(BP)、深度卷积神经网络(CNN)等作为计算模型，并依据历史数据和气象数据等作为训练数据机进行负荷的识别。
[0004]现有的负荷识别方法存在的问题有：仅依靠历史用电负荷数据、电气数据等作为模型的训练数据，由此训练得到的模型，对于多维度的输入数据无法有效获取数据的重要负荷特征，甚至造成输入数据特征冗余。

技术实现思路

[0005]为解决针对现阶段负荷预测研究的不足，本专利技术提供基于人口流动数据和双阶段注意力机制的负荷预测方法和系统，涉及互信息算法，以及改进的长短记忆神经网络，且在长短记忆神经网络中加入两阶段的注意力机制算法，利用天气负荷数据、时间数据、历史负荷数据以及人口流动数据作为模型的输入数据，可以通过人口流动数据反映居民用电负荷情况，并利用互信息算法提取用电负荷与相关影响关系的不同权重，在模型训练阶段，双阶段注意力机制能够有效提取数据的时间序列和特征序，并在模型训练完成后增加的误差修正模块，进一步提高率模型负荷预测的准确率。
[0006]本专利技术采用如下的技术方案。
[0007]基于人口流动数据和双阶段注意力机制的负荷预测方法，包括以下步骤：
[0008]步骤1、获取天气数据、时间数据、历史负荷数据和人口流动数据作为模型训练数据；
[0009]步骤2、对步骤1得到的训练数据进行多源信息处理和筛选；
[0010]步骤3、采用步骤2得到的数据训练基于双阶段注意力机制的负荷预测模型；
[0011]步骤4、采用训练后的负荷预测模型进行负荷预测，得到初步预测结果；
[0012]步骤5、对初步预测结果进行预测误差修正，获得最终的负荷预测结果。
[0013]优选地，步骤1具体包括：
[0014]步骤11、获取天气数据、历史用电负荷数据、时间数据以及人口流动数据；
[0015]步骤12、将步骤1得到的用电负荷相关数据进行合并，得到与时间序列相关的特征序列矩阵数据，作为模型训练数据。
[0016]优选地，所述天气数据包括温度、湿度、天晴、下雨、气压；
[0017]所述时间数据包括工作日、休息日、节假日信息；
[0018]所述人口流动数据包括商场、车站、居家、公司信息。
[0019]优选地，步骤2具体包括：
[0020]步骤21、对训练数据进行归一化处理；
[0021]步骤22、根据MI算法计算训练数据中天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性；
[0022]步骤23、从训练数据中筛选获取天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性最大的特征序列数据。
[0023]优选地，步骤22中，根据MI算法计算训练数据中天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性的公式为：
[0024][0025]其中，P(x，y)是x和y的联合概率密度函数；
[0026]p(x)和p(y)是边际密度函数；
[0027]x表示不同影响因素，包括天气数据、历史负荷数据、时间数据以及人口流动数据；
[0028]y表示用电负荷大小；
[0029]X、Y分别表示输入序列和输出序列。
[0030]优选地，步骤3所述基于双阶段注意力机制的负荷预测模型为改进的长短记忆网络，该网络包括：
[0031]第一阶段编码层，其采用特征注意力机制获取输入数据的关键特征量
[0032]第二阶段解码层，其采用时间注意力机制获取长时间相关性中的关键信息
[0033]优选地，编码层对于输入序列X中的第k维度序列X
k
，根据上一时刻编码器的隐藏状态ht
‑
1和单元状态St
‑
1构造注意力机制如下式所示：
[0034][0035][0036]其中，和是模型需要学习的参数；
[0037]和是编码层的隐藏状态和单元状态；
[0038]m是隐藏层的大小；
[0039]t表示时刻；
[0040]n分别表示注意力权重、权重向量、第i个序列的权重向量、序列的长度。
[0041]优选地，解码层根据下式计算注意力权重向量e
i
，该向量表示未归一化的输入重要性；
[0042]e
i
＝tanh(W
d
[h
i
；s
t
‑1]+b
d
)
[0043]其中，Wd和b
d
是需要模型学习的权重参数；
[0044]模型经过训练后，得到表示未归一化的隐藏状态重要性的e
i
，通过下式进行归一化，得到各个时刻的输入序列的关注概率β
i
β
i
表示不同时刻产生上下文的重要程度；
[0045][0046]其中，T表示时间周期。
[0047]优选地，步骤5中，将原始的真实负荷值与初步负荷预测结果进行作差以获取误差值，并采用长短记忆网络对误差值进行训练，获得预测误差值，采用预测误差值对初步负荷预测结果进行修正。
[0048]优选地，还包括对预测结果进行准确性评价，具体的：
[0049]在点负荷预测中，使用平均绝对误差MAE、根均方误差EMSE作为评价指标；
[0050]在概率负荷预测中，使用弹球损失Pinball loss和Winkler指数作为评价指标。
[0051]基于人口流动数据和双阶段注意力机制的负荷预测系统，包括：
[0052]数据获取模块，用于获取天气数据、时间数据、历史负荷数据和人口流动数据作为模型训练数据；
[0053]数据处理模块，用于对数据获取模块得到的训练数据进行多源信息处理和筛选；
[0054]模型训练模块，用于采用数据处理模块得到的数据训练基于双阶段注意力机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人口流动数据和双阶段注意力机制的负荷预测方法，其特征在于：所述方法包括以下步骤：步骤1、获取天气数据、时间数据、历史负荷数据和人口流动数据作为模型训练数据；步骤2、对步骤1得到的训练数据进行多源信息处理和筛选；步骤3、采用步骤2得到的数据训练基于双阶段注意力机制的负荷预测模型；步骤4、采用训练后的负荷预测模型进行负荷预测，得到初步预测结果；步骤5、对初步预测结果进行预测误差修正，获得最终的负荷预测结果。2.根据权利要求1所述的基于人口流动数据和双阶段注意力机制的负荷预测方法，其特征在于：步骤1具体包括：步骤11、获取天气数据、历史用电负荷数据、时间数据以及人口流动数据；步骤12、将步骤1得到的用电负荷相关数据进行合并，得到与时间序列相关的特征序列矩阵数据，作为模型训练数据。3.根据权利要求1所述的基于人口流动数据和双阶段注意力机制的负荷预测方法，其特征在于：所述天气数据包括温度、湿度、天晴、下雨、气压；所述时间数据包括工作日、休息日、节假日信息；所述人口流动数据包括商场、车站、居家、公司信息。4.根据权利要求1所述的基于人口流动数据和双阶段注意力机制的负荷预测方法，其特征在于：步骤2具体包括：步骤21、对训练数据进行归一化处理；步骤22、根据MI算法计算训练数据中天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性；步骤23、从训练数据中筛选获取天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性最大的特征序列数据。5.根据权利要求4所述的基于人口流动数据和双阶段注意力机制的负荷预测方法，其特征在于：步骤22中，根据MI算法计算训练数据中天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性的公式为：其中，P(x，y)是x和y的联合概率密度函数；p(x)和p(y)是边际密度函数；x表示不同影响因素，包括天气数据、历史负荷数据、时间数据以及人口流动数据；y表示用电负荷大小；X、Y分别表示输入序列和输出序列。6.根据权利要求1所述的基于人口流动数据和双阶段注意力机制的负荷预测方法，其
特征在于：步骤3所述基于双阶段注意力机制的负荷预测模型为改进的长短记忆网络，该网络包括：第一阶段编码层，其采用特征注意力机制获取输入数据的关键特征量第二阶段解码层，其采用时间注意力机制获取长时间相关性中的关键信息7.根据权利要求6所述的基于人口流动数据和双阶段注意力机制的负荷预测方法，其特征在于：编码层对于输入序列X中的第k维度序列X
k
，根据上一时刻编码器的隐藏状态ht
‑
1和单元状态St
‑
1构造注意力机制如下式所示：1构造注意力机制如下...

【专利技术属性】
技术研发人员：韩少华，方鑫，汪志成，刘林，卜强生，罗非，王秀茹，张宸宇，周福举，汪家铭，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院国网江苏省电力有限公司，
类型：发明
国别省市：