基于集成片段变换和时间卷积网络的电力负荷分布预测方法技术

一种基于集成片段变换和时间卷积网络的电力负荷分布预测方法。该方法通过集成片段变换对历史电力负荷数据与天气数据进行分解，获得时间序列的趋势项与周期项分量；利用时间卷积网络自适应学习历史数据中的模式特征，构建电力负荷多步预测模型；引入分位数损失目标，得到不同分位数下的预测模型；最后将训练完成的模型应用于实际电力负荷预测中，将中位数模型预测值作为实时负荷预测结果，并利用核密度估计获取实时负荷预测分布。该方法能够为电力负荷预测提供更加全面、精准的信息，对电力系统的调度管理提供重要支持。统的调度管理提供重要支持。统的调度管理提供重要支持。

【技术实现步骤摘要】
基于集成片段变换和时间卷积网络的电力负荷分布预测方法


[0001]本专利技术涉及电力负荷预测与电网优化控制
，特别涉及一种基于EPT（EnsemblePatch Transformation, 集成片段变换）和时间卷积网络的电力负荷分布预测方法。

技术介绍

[0002]电力系统是现代社会的重要基础设施之一，而电力负荷预测是电力系统运行和规划中的重要问题。准确地预测电力负荷分布可以帮助电力系统规划和优化电网设备，确保电力系统的稳定运行。
[0003]现有研究通过采用统计模型、人工神经网络等方法来预测电力负荷。但仍存在一定局限性，如对于非线性关系建模能力有限，不能很好地处理时间序列数据的周期性变化等问题。基于EPT和时间卷积网络的电力负荷分布预测方法，通过对历史电力负荷数据和天气数据进行分解和学习，可以更好地捕捉数据的周期性变化和趋势性变化，提高了预测的准确性和泛化能力。所采用的时间卷积网络相较于传统的RNN和LSTM等循环神经网络具有更优的长期依耐性建模能力、更简单的模型结构，在在预测准确性、计算效率具有更优越的性能。
[0004]现有电力负荷预测通常采用点估计的方法对未来时刻的负荷进行确定性预测，可以反映未来电力负荷的整体趋势。然而上述方法无法考虑预测结果的不确定性。电力负荷区间预测可以给出一定的置信区间，但仍无法对负荷分布特点进行表达。因此，对电力负荷进行分布预测可以有效弥补上述不足，提供更加准确的电力负荷预测结果和决策支持。

技术实现思路

[0005]本公开提供一种基于EPT和时间卷积网络的电力负荷分布预测方法，其能够实现对电力系统负荷需求的准确预测，为电力调度和能源规划提供重要的参考依据。
[0006]本公开提供的基于EPT和时间卷积网络的电力负荷分布预测方法，包括以下步骤：S1、收集电力负荷历史数据及相应时刻的天气数据，其中电力负荷数据应为固定时间间隔的时间序列，天气数据主要包括温度，湿度，辐射强度等时间序列。利用EPT对各时间序列进行分解，获得各序列的趋势项和周期项分量；S2、设定时间卷积网络模型参数，构建负荷预测神经网络模型。基于各序列的趋势项和周期项分量构建训练样本集；S3、引入分位数损失优化目标，利用Adam优化模型参数。以0.05为间隔，获得不同分位数损失优化目标下的负荷预测模型；S4、综合分析不同分位数损失优化目标下的负荷预测结果，以中位数（即0.5分位数）下模型预测结果为实际负荷预测结果，基于不同分位数下模型预测结果和核密度估计获取实时负荷预测分布。
[0007]进一步的，步骤S1中，电力负荷数据采样间隔通常应低于1h，此处建议为15min。天
气数据与电力负荷数据采样时刻需保持一致。综合考虑电力负荷数据、温度、湿度、辐射强度多源时间序列数据进行负荷预测，多源时间序列可以表示为度多源时间序列数据进行负荷预测，多源时间序列可以表示为为时间序列长度。对各时间序列进行EPT分解，由以下公式表达：其中，和分别表示时间序列高频和低频分量。
[0008]则多源时间序列经EPT分解后可表示为，其中包括各时间序列的低频趋势项分量和高频周期性分量。
[0009]进一步的，步骤S2中，首先，设定时间卷积网络模型参数，包括输入层、两层隐藏层和一层输出层。输入层通道数为8，两层隐藏层和输出层通道数分别为64、64、1。两层隐藏层和输出层卷积核尺寸分别为32、16、1。基于设定的时间卷积网络参数，构建端对端的负荷预测神经网络模型，输入为经过EPT分解的多源时间序列，输出为特定预测步长下的负荷。
[0010]然后，构建训练样本集。训练样本集中的模型输入为多源时间序列片段，可以表示为，其中为模型输入的片段长度，为样本个数。模型输出标签为，表示个时间步长后的实际负荷值。
[0011]进一步的，步骤S3具体包括：S31、引入分位数损失优化目标，可以表示如下：其中为时间卷积网络模型参数权重，为模型参数偏置，表示时间卷积神经网络模型，将原始多源时间序列片段映射至负荷预测值，分位数。
[0012]S32、利用Adam优化分位数损失，更新模型参数，可以表示如下：其中为时间卷积网络模型参数集合，和为第次模型参数更新中引入动量的一阶矩和二阶矩估计，和为衰减速率参数，为损失优化目标对模型参数的求导，为学习率，为偏置项常数。
[0013]S33、以0.05为间隔，获取从0至1的20个不同分位数损失优化目标下的预测模型及对应的模型负荷预测结果。
[0014]进一步的，步骤S4中，以中位数（即0.5分位数）的预测模型输出结果作为实际负荷预测结果，即。
[0015]不同分位数下模型预测结果，假定分位数在0至1连续取值，关于负荷预测值的条件密度可以表示如下：进一步离散化，利用高斯核密度估计可得负荷预测分布结果。
[0016]进一步的，本公开还包括步骤S5：在测试集中检验已训练模型的效果和可行性。
[0017]步骤S5中，选取测试集样本及对应的预测负荷进行模型检验，分别采用均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，归一化均方根误差(NRMSE)，和R2指标评估模型负荷预测的精度与有效性。各指标定义如下：有效性。各指标定义如下：有效性。各指标定义如下：有效性。各指标定义如下：有效性。各指标定义如下：本公开的具体实施可借助计算机程序实现，可采用包括但不限于Python、MATLAB的编程语言。
[0018]本公开还包括一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
[0019]本公开提供的方法，通过EPT对历史电力负荷数据与天气数据进行分解，获得时间序列的趋势项与周期项分量；利用人工智能深度学习模型，即时间卷积网络，构建电力负荷多步预测模型；引入分位数损失优化目标，基于不同分位数下模型预测结果和核函数估计方法获得电力负荷分布预测结果。
[0020]与现有技术相比，本公开的有益效果是：1）通过EPT对历史电力负荷数据与天气数据进行分解，可以更好地捕捉数据的周期性变化和趋势性变化，提高了预测的准确性和泛化能力；2）相较于传统的RNN和LSTM等循环神经网络，本公开采用的时间卷积网络具有更优的长期依耐性建模能力、更简单的模型结构，在预测准确性、计算效率具有更优越的性能；3）通过引入分位数损失优化目标和核函数估计方法，可以给出各时刻预测负荷的区间及分
布，提供更加准确的电力负荷预测结果和决策支持，为电力调度和能源规划提供重要参考。
附图说明
[0021]通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例方式中，相同的参考标号通常代表相同部件。
[0022]图1为根据本公开的电力负荷分布预测方法示例性实施例流程图；图2为实施例中所采用的时间卷积网络结构示意图；图3为实施例中所采用的部分电力负荷数据曲线。
具体实施方式...

【技术保护点】

【技术特征摘要】
1.一种基于集成片段变换和时间卷积网络的电力负荷分布预测方法，包括以下步骤：S1、获取电力负荷历史数据及对应时刻的天气数据，其中，电力负荷数据为固定时间间隔的时间序列，天气数据为包括温度，湿度，辐射强度在内的时间序列；利用EPT即集成片段变换，对各时间序列进行分解，获得各序列的趋势项和周期项分量；S2、设定时间卷积网络模型参数，构建负荷预测神经网络模型；基于所述各序列的趋势项和周期项分量构建训练样本集；S3、引入分位数损失优化目标，优化模型参数；获得具有一定间隔的不同分位数损失优化目标下的负荷预测模型；S4、以中位数损失优化目标下的模型预测结果为实际负荷预测结果，基于不同分位数下模型预测结果和核密度估计获取实时负荷预测分布。2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，电力负荷数据采样间隔为15min；利用EPT变换对各时间序列进行分解的具体方法为：将包括电力负荷数据和天气数据的多源时间序列数据表示为：，其中，为时间序列长度，表示电力负荷数据，表示气温，表示湿度，表示辐射强度；对各时间序列进行EPT分解，由以下公式表达：其中，和分别表示时间序列高频和低频分量；则多源时间序列经EPT分解后可表示为，其中包括各时间序列的高频周期性分量和低频趋势项分量。3.根据权利要求2所述的方法，其特征在于，所述步骤S2具体包括：设定时间卷积网络模型参数，包括输入层、两层隐藏层和一层输出层；基于设定的时间卷积网络参数，构建端对端的负荷预测神经网络模型，输入为经过EPT分解的多源时间序列，输出为特定预测步长下的负荷；构建训练样本集，训练样本集中的模型输入为多源时间序列片段，表示为，其中...

【专利技术属性】
技术研发人员：韩特，郭阳阳，康佳宁，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：