TCN-BiLSTM网络的多时间尺度负荷预测方法技术

本发明专利技术公开一种TCN

【技术实现步骤摘要】
TCN
‑
BiLSTM网络的多时间尺度负荷预测方法


[0001]本专利技术属于电力系统负荷预测领域，具体是一种TCN
‑
BiLSTM网络的多时间尺度负荷预测方法。

技术介绍

[0002]电力系统发展迅速，负荷侧的负荷类型呈现多元化，并随着智能电网的发展，越来越多的分布式电源、新能源产业接入电力系统，增强了负荷的随机性、非线性和不确定性，导致出现电能供应紧张、调度不经济、能源利用率低等诸多问题。为保障电力系统的安全稳定运行、提高电力系统可靠性，需进一步提高负荷预测的精度。随着人工智能技术发展日益成熟，并应用在电力系统负荷预测中，提高了负荷预测的精度及计算速度，同时也为电力系统负荷预测提供许多新的思路和方法。
[0003]目前的电力负荷预测主要包括基于负荷单尺度时序特征的电力负荷预测和基于负荷多尺度时序特征的电力负荷预测。负荷单尺度时序特征的电力负荷预测是以单位时间为预测步长的单步长预测，但较短的预测步长不能给电力企业和电力监管机构提供充足的电力调度及问题处理时间，而较长的预测步长又会造成预测精度下降，达不到理想预测结果，难以挖掘不同尺度的电力负荷数据的特征。由于电力负荷具有周期性强的特点，在不同的时间尺度下其负荷数据将会呈现不同的波动趋势，因此通过对数据进行不同尺度的处理，可以充分挖掘数据间不同的内在联系，对多尺度处理后的数据进行预测分析，也可以实现电力负荷的多步预测，在电力负荷预测研究中有重要价值。

技术实现思路

[0004]本专利技术的目的是解决现有技术中未对负荷数据进行多时间尺度的预测分析的问题。
[0005]为实现本专利技术目的而采用的技术方案是这样的，一种TCN
‑
BiLSTM网络的多时间尺度负荷预测方法，包括以下步骤：
[0006]获取间隔时间采样的负荷历史数据集合，并对所述负荷历史数据集合进行异常数据修正；
[0007]根据多时间尺度的需求，建立不同层数的TCN网络；
[0008]利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征；
[0009]将各层TCN网络提取的多时间尺度时序特征分别输入对应的BiLSTM网络中进行模型训练，得到BiLSTM网络训练模型；
[0010]将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构，得到TCN
‑
BiLSTM混合网络；
[0011]采用所述TCN
‑
BiLSTM混合网络进行多时间尺度负荷预测。
[0012]可选地，对所述负荷历史数据集合进行异常数据修正包括：
[0013]基于箱线图辨识异常值算法剔除明显异常不符合负荷客观分布规律的异常数据；
[0014]采用拉格朗日插值法进行数据的修补；
[0015]其中，拉格朗日插值函数模型为：
[0016]L
n
(x)＝y0l0(x)+y0l0(x)+
···
+y
n
l
n
(x)
[0017]式中，l0(x),l1(x),
…
,l
n
(x)为以x0,x1,
…
,x
n
为节点的n次插值基函数，在确定插值基函数之后，对点x0,x1,
…
,x
n
进行插值。
[0018]可选地，建立不同层数的TCN网络包括：
[0019]根据所需提取负荷的时间尺度大小要求，建立不同层数的TCN网络，其中，TCN网络的模型为：
[0020][0021]式中，表示在x
t
处的膨胀因果卷积，F＝(f1,f2,...,f
K
)为卷积核，X＝(x1,x2,...,x
T
)为时间序列，d为膨胀卷积的间隔采样参数；
[0022]调整TCN网络中每层的膨胀卷积参数，根据不同时间尺度需求进行采样，以提取负荷数据不同时间尺度的时序特征。
[0023]可选地，利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征的模型包括：
[0024]TCN网络的因果卷积模型：
[0025][0026]式中，表示在x
t
处的因果卷积，F＝(f1,f2,...,f
K
)为卷积核，X＝(x1,x2,...,x
T
)为时间序列；
[0027]TCN网络的膨胀因果卷积模型：
[0028][0029]式中，表示在x
t
处的膨胀因果卷积，F＝(f1,f2,...,f
K
)为卷积核，X＝(x1,x2,...,x
T
)为时间序列，d为膨胀卷积的间隔采样参数；
[0030]调整不同层数的膨胀因果卷积参数d，完成多时间尺度时序特征提取。
[0031]可选地，BiLSTM网络的训练包括：
[0032]确定BiLSTM网络模型，所述BiLSTM网络模型包括两个反向连接组合的单独的LSTM网络；
[0033]两个单独的LSTM网络反向连接组合成的BiLSTM网络结构为：
[0034][0035]式中,LSTM为传统的LSTM网络运算过程，h
t
为前向隐藏层状态，h
i
为后向隐藏层状态。
[0036]可选地，将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构包括：全连接层使用不同的权重加权求和得到TCN
‑
BiLSTM混合网络的模型为：
[0037]y
t
＝a1x1+a2x2+a3x3+...+a
n
x
n
[0038]式中，a为权重系数，x为BiLSTM输出结果，y
t
为加权求和后的输出结果。
[0039]可选地，每个单独的LSTM网络结构包括：
[0040]遗忘门：
[0041]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0042]式中，W
f
为遗忘门的权重矩阵，b
f
为遗忘门的偏置量，f
t
为遗忘门的输出，σ为sigmoid函数，h
t
‑1为上一时刻隐藏层输出，x
t
为输入数据；
[0043]输入门：
[0044][0045]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0046]式中，为记忆单元的候选状态，W
c
为候选状态的权重矩阵，b
c
为候选状态的偏置量；i
t...

【技术保护点】

【技术特征摘要】
1.TCN
‑
BiLSTM网络的多时间尺度负荷预测方法，其特征在于，包括以下步骤：获取间隔时间采样的负荷历史数据集合，并对所述负荷历史数据集合进行异常数据修正；根据多时间尺度的需求，建立不同层数的TCN网络；利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征；将各层TCN网络提取的多时间尺度时序特征分别输入对应的BiLSTM网络中进行模型训练，得到BiLSTM网络训练模型；将BiLSTM网络训练模型的输出结果通过全连接网络进行叠加重构，得到TCN
‑
BiLSTM混合网络；采用所述TCN
‑
BiLSTM混合网络进行多时间尺度负荷预测。2.根据权利要求1所述的TCN
‑
BiLSTM网络的多时间尺度负荷预测方法，其特征在于，对所述负荷历史数据集合进行异常数据修正包括：基于箱线图辨识异常值算法剔除明显异常不符合负荷客观分布规律的异常数据；采用拉格朗日插值法进行数据的修补；其中，拉格朗日插值函数模型为：L
n
(x)＝y0l0(x)+y0l0(x)+
···
+y
n
l
n
(x)式中，l0(x),l1(x),
…
,l
n
(x)为以x0,x1,
…
,x
n
为节点的n次插值基函数，在确定插值基函数之后，对点x0,x1,
…
,x
n
进行插值。3.根据权利要求1所述的TCN
‑
BiLSTM网络的多时间尺度负荷预测方法，其特征在于，建立不同层数的TCN网络包括：根据所需提取负荷的时间尺度大小要求，建立不同层数的TCN网络，其中，TCN网络的模型为：式中，表示在x
t
处的膨胀因果卷积，F＝(f1,f2,...,f
K
)为卷积核，X＝(x1,x2,...,x
T
)为时间序列，d为膨胀卷积的间隔采样参数；调整TCN网络中每层的膨胀卷积参数，根据不同时间尺度需求进行采样，以提取负荷数据不同时间尺度的时序特征。4.根据权利要求1所述的TCN
‑
BiLSTM网络的多时间尺度负荷预测方法，其特征在于，利用不同层数的TCN网络从修正后的负荷历史数据集合中提取数据的多时间尺度时序特征的模型包括：TCN网络的因果卷积模型：式中，表示在x
t
处的因果卷积，F＝(f1,f2,...,f
K
)为卷积核，X＝(x1,x2,...,x
T
)为时间序列；TCN网络的膨胀因果卷积模型：
式中，表示在x
t
处的膨胀因果卷积，F＝(f1,f2,...,f
K
)为卷积核，X＝(x1,x2,...,x
T
)为时间序列，d为膨胀卷积的间隔采样参数；调整不同层数的膨胀因果卷积参数d，完成多时间尺度时序特征提取。5.根据权利要求1所述的TCN
‑
BiLSTM网络的多时间尺度负荷预测方法，其特征在于，BiLSTM网络的训练包括：确定BiLSTM网络模型，所述BiLSTM网络模型包括两个反向连接...

【专利技术属性】
技术研发人员：吴秋莉，张炜，韦昌福，张龙飞，刘鹏，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：