适应于虚拟电厂的多输入多输出超短期电力负荷预测方法技术

本发明专利技术公开了适应于虚拟电厂的多输入多输出超短期电力负荷预测方法，包括以下步骤：步骤一，获取信息；步骤二，数据集划分；步骤三，训练时序网络LSTM；步骤四，训练模型参数；本发明专利技术公开了一种适应于虚拟电厂的多输入多输出超短期电力负荷预测方法；首先从包含电力负荷信息、气象与节假日等数据的历史数据集中运用互信息法筛选出与结果相关性较高的特征以降低计算量；其次，选取特征挖掘深度置信网络DBN与时序长短期记忆网络LSTM，依据不同网络的特点划分训练集与测试集并完成基础网络的参数训练；最后基于上述网络训练结果，采用岭回归方式组合上述网络完成二次训练组合过程，得到最终的超短期电力负荷预测结果。最终的超短期电力负荷预测结果。最终的超短期电力负荷预测结果。

【技术实现步骤摘要】
适应于虚拟电厂的多输入多输出超短期电力负荷预测方法


[0001]本专利技术涉及电力系统能量管理与智能化应用
，具体为适应于虚拟电厂的多输入多输出超短期电力负荷预测方法。

技术介绍

[0002]虚拟电厂作为智能化的信息管理系统，通过运用通信以及软件分析等技术，可以实现对分布式电源、储能装置以及电动汽车等负荷资源的协调优化。通过能源资源整合，虚拟电厂不仅能够将分散的电源与负荷整合纳入调度系统，有效提高资源利用率以及更好地削峰填谷，同时也能够凭借更快更精准的调节能力参与到现货交易市场或辅助服务市场中。目前，我国的虚拟电厂以负荷侧资源调节为主，运用到数据采集分析技术、物联网技术、人工智能技术、负荷预测和智能管理技术等，提升能源利用效率，实现灵活调度与经济收益最大化。
[0003]电力负荷预测
有大量学者开展研究。早期主要运用时间序列法、指数平滑法等统计学方法进行预测，挖掘负荷数据的周期性规律，但此类方法大多只适用于线性预测。随着人工智能技术的发展，简单神经网络逐步被运用到负荷预测中，虽然此类方法能够一定程度上考虑非线性关系，但也存在学习速度慢等问题。

技术实现思路

[0004]本专利技术的目的在于提供适应于虚拟电厂的多输入多输出超短期电力负荷预测方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：适应于虚拟电厂的多输入多输出超短期电力负荷预测方法，包括以下步骤：步骤一，获取信息；步骤二，数据集划分；步骤三，训练时序网络LSTM；步骤四，训练模型参数；
[0006]其中在上述步骤一中，获取历史时刻电力负荷信息以及添加温度、湿度等气象数据和是否节假日的判断结果，对上述全部特征通过互信息法筛选与结果相关性较高的特征，降低计算量同时能够充分挖掘数据信息，完成预测的多输入过程；
[0007]其中在上述步骤二中，对筛选特征后的数据集进行划分，将其中70％运用于一次训练过程；对于侧重特征挖掘的DBN深度置信网络，通过K
‑
means聚类算法将样本划分为4类并在每一类中以7:3比例随机抽样划分训练集与测试集；DBN网络训练过程又分为无监督的预训练与有监督的精准调整过程，最终得到训练好的网络batchsize等参数以及一次训练结果；
[0008]其中在上述步骤三中，对时序网络LSTM进行训练，依据网络特点将训练集与测试集的划分方式修改为依据时间顺序划分；步骤二与步骤三中的深度网络训练过程均采用GPU进行，同时通过平均绝对误差百分比等指标进行评估；
[0009]其中在上述步骤四中，在步骤二与步骤三的基础上，采用获得较好一次训练预测效果的两个深度学习网络作为组合预测的基础模型，在全部数据集的后30％中，再次以7:3
划分训练集与测试集，其中训练集用于训练岭回归组合学习器的模型参数，测试集运用于获得最终的预测结果。
[0010]优选的，所述步骤一中，电力负荷数据的时间尺度为1小时(1h),预测任务为未来六个时刻点(6h)的数据，即实现多输出过程；对于每一次预测，本专利技术所述的方法采用多种维度的特征考量，除温度、湿度等气象数据以及节假日信息外，由于负荷预测的主要影响因素为历史负荷数据，因此还需添加当前时刻下前12个点(12h)的电力负荷数据，构建初始样本数据集D
initial
；通过互信息法提取相关特征，其原理如下所述：信息熵H描述了信息的不确定性，H越大表明了随机变量的不确定性越大，其中对于任意随机变量X，Ω
x
代表X的所有取值空间，p(x)表示X＝x的概率，
[0011][0012]互信息I(X；Y)度量了两个随机变量的依赖性，
[0013]I(X；Y)＝H(X)
‑
H(X|Y)＝H(Y)
‑
H(Y|X)
[0014]依据互信息量计算结果的大小可以筛选与结果相关性较大的特征；本专利技术中选取X为每一个特征量，Y为当前时刻的电力负荷数据，由计算结果选取与结果相关性较高的12个特征；同时，由于超短期电力负荷预测在节假日的准确性相对较低，因此添加节假日因素，将工作日、法定节假日、周末分别幅值0、1、2，形成节假日信息整型变量特征列作为第13个特征；删去未被选中的特征量，构建运用于负荷预测的数据集D0。
[0015]优选的，所述步骤二中，在步骤二中构建一种侧重于特征挖掘的深度网络DBN，作为预测的第一个基础网络模型；在数据集D0中选取前70％时刻的数据组成数据集D1，运用于一次训练过程，确定深度网络模型的超参数并完成训练过程；对于DBN网络，首先采用K
‑
means聚类方法快速、高效地依据选取的特征，将数据集分为4类，对于每一类数据采用随机抽样的方式以7:3的比例划分测试集与训练集；本专利技术采用的划分思想能够保证训练集数据的代表性，减小方差，提高DBN基础预测模型的预测精度；若C
i
表示第i簇，μ
i
为第i簇的均值向量，x表示样本，K
‑
means聚类的目标函数为
[0016][0017]其中2
‑
范数表示欧式距离，即可以表示为：
[0018][0019]与基础的K
‑
means聚类随机选取所有质心的方式不同，本专利技术中采用的K
‑
means++方法在随机选取第一个质心后，其余质心与第一个质心点的距离会尽可能地远，能够减少边界样本的数量同时加快算法的收敛速度；
[0020]在划分训练集与测试集后，为消除量纲的影响、提高训练效率，同时增强模型的稳定性和可解释性，保证结果合理、不失真，本专利技术中采用了标准化的方式，对训练集特征进行标准化处理并将处理结果作为后续标准化处理的参考对照；此外，为了提高整个预测过程的快速性，本专利技术的训练过程均基于GPU完成，其并行计算能力能够加速模型参数的调整
与更新等计算过程；上述深度置信网络DBN由多个受限玻尔兹曼机(RBM)堆叠形成，具有强大的特征挖掘能力，其训练过程主要包括无监督学习的预训练过程以及有标签监督学习的微调过程；预训练阶段包括从输入层逐层传递信息的正向传播过程以及每个RBM采用对比散度(CD
‑
k)算法进行参数更新的反向传播过程；对于每一个受限玻尔兹曼机RBM，分别包含一个可视层和一个隐藏层，其层内神经单元间互不影响，层间则呈全连接结构，每个神经单元为二值变量；若用v表示可视层神经元，用h表示隐藏层神经元，则单个受限玻尔兹曼机RBM的输入与输出间能量函数的表达式为：
[0021]E(v,h)＝
‑
∑a
i
v
i
‑
∑b
j
h
j
‑
∑v
i
h
j
w
ij
[0022]其中，偏置系数用a、b表示，权值系数用w表示；深度置信网络建立了特征和结果之间的联合概率分布，其RBM隐藏层与可视本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.适应于虚拟电厂的多输入多输出超短期电力负荷预测方法，包括以下步骤：步骤一，获取信息；步骤二，数据集划分；步骤三，训练时序网络LSTM；步骤四，训练模型参数；其特征在于：其中在上述步骤一中，获取历史时刻电力负荷信息以及添加温度、湿度等气象数据和是否节假日的判断结果，对上述全部特征通过互信息法筛选与结果相关性较高的特征，降低计算量同时能够充分挖掘数据信息，完成预测的多输入过程；其中在上述步骤二中，对筛选特征后的数据集进行划分，将其中70％运用于一次训练过程；对于侧重特征挖掘的DBN深度置信网络，通过K
‑
means聚类算法将样本划分为4类并在每一类中以7:3比例随机抽样划分训练集与测试集；DBN网络训练过程又分为无监督的预训练与有监督的精准调整过程，最终得到训练好的网络batchsize等参数以及一次训练结果；其中在上述步骤三中，对时序网络LSTM进行训练，依据网络特点将训练集与测试集的划分方式修改为依据时间顺序划分；步骤二与步骤三中的深度网络训练过程均采用GPU进行，同时通过平均绝对误差百分比等指标进行评估；其中在上述步骤四中，在步骤二与步骤三的基础上，采用获得较好一次训练预测效果的两个深度学习网络作为组合预测的基础模型，在全部数据集的后30％中，再次以7:3划分训练集与测试集，其中训练集用于训练岭回归组合学习器的模型参数，测试集运用于获得最终的预测结果。2.根据权利要求1所述的适应于虚拟电厂的多输入多输出超短期电力负荷预测方法，其特征在于：所述步骤一中，电力负荷数据的时间尺度为1小时(1h),预测任务为未来六个时刻点(6h)的数据，即实现多输出过程；对于每一次预测，本发明所述的方法采用多种维度的特征考量，除温度、湿度等气象数据以及节假日信息外，由于负荷预测的主要影响因素为历史负荷数据，因此还需添加当前时刻下前12个点(12h)的电力负荷数据，构建初始样本数据集D
initial
；通过互信息法提取相关特征，其原理如下所述：信息熵H描述了信息的不确定性，H越大表明了随机变量的不确定性越大，其中对于任意随机变量X，Ω
x
代表X的所有取值空间，p(x)表示X＝x的概率，互信息IX；Y度量了两个随机变量的依赖性，IX；Y＝HX
‑
HXY＝HY
‑
HYX依据互信息量计算结果的大小可以筛选与结果相关性较大的特征；本发明中选取X为每一个特征量，Y为当前时刻的电力负荷数据，由计算结果选取与结果相关性较高的12个特征；同时，由于超短期电力负荷预测在节假日的准确性相对较低，因此添加节假日因素，将工作日、法定节假日、周末分别幅值0、1、2，形成节假日信息整型变量特征列作为第13个特征；删去未被选中的特征量，构建运用于负荷预测的数据集D0。3.根据权利要求1所述的适应于虚拟电厂的多输入多输出超短期电力负荷预测方法，其特征在于：所述步骤二中，在步骤二中构建一种侧重于特征挖掘的深度网络DBN，作为预测的第一个基础网络模型；在数据集D0中选取前70％时刻的数据组成数据集D1，运用于一次训练过程，确定深度网络模型的超参数并完成训练过程；对于DBN网络，首先采用K
‑
means聚
类方法快速、高效地依据选取的特征，将数据集分为4类，对于每一类数据采用随机抽样的方式以7:3的比例划分测试集与训练集；本发明采用的划分思想能够保证训练集数据的代表性，减小方差，提高DBN基础预测模型的预测精度；若C
i
表示第i簇，μ
i
为第i簇的均值向量，x表示样本，K
‑
means聚类的目标函数为其中2
‑
范数表示欧式距离，即可以表示为：与基础的K
‑
means聚类随机选取所有质心的方式不同，本发明中采用的K
‑
means++方法在随机选取第一个质心后，其余质心与第一个质心点的距离会尽可能地远，能够减少边界样本的数量同时加快算法的收敛速度；在划分训练集与测试集后，为消除量纲的影响、提高训练效率，同时增强模型的稳定性和可解释性，保证结果合理、不失真，本发明中采用了标准化的方式，对训练集特征进行标准化处理并将处理结果作为后续标准化处理的参考对照；此外，为了提高整个预测过程的快速性，本发明的训练过程均基于GPU完成，其并行计算能力能够加速模型参数的调整与更新等计算过程；上述深度置信网络DBN由多个受限玻尔兹曼机(RBM)堆叠形成，具有强大的特征挖掘能力，其训练过程主要包括无监督学习的预训练过程以及有标签监督学习的微调过程；预训练阶段包括从输入层逐层传递信息的正向传播过程以及每个RBM采用对比散度(CD
‑
k)算法进行参数更新的反向传播过程；对于每一个受限玻尔兹曼机RBM，分别包含一个可视...

【专利技术属性】
技术研发人员：王斐，苏志鹏，岳晨昕，陈皓勇，周亮，叶萌，黄宇翔，蔡伟均，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：