【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。