一种基于深度学习和迁移学习的电力负荷预测方法技术

本发明专利技术涉及一种基于深度学习和迁移学习的电力负荷预测方法，采用迁移学习策略将相关性高的信息迁移到实验模型中，利用K

【技术实现步骤摘要】
一种基于深度学习和迁移学习的电力负荷预测方法


[0001]本专利技术涉及一种电力负荷预测的方法，尤其是涉及一种以深度学习网络和迁移学习网络为基础的负荷预测方法。

技术介绍

[0002]电力行业是国家发展的重要战略性产业，是国家经济的支撑和保障。准确的负荷预测能够帮助电力公司和能源供应商优化发电计划，同时还能减少能源浪费和碳排放，对于电力系统的稳定运行和可持续发展具有重要意义。目前，电力负荷预测方法可以归纳为经典预测方法、传统预测方法和现代智能预测方法。
[0003]由于现代电网规模庞大、数据复杂。使用传统预测算法如BP算法已不能满足波动巨大的电力负荷预测。其在预测时无法充分考虑众多特征因素的复杂性和影响效果，导致预测精度不高。此外，传统算法通常基于统计模型或时间序列模型，其建模方法相对固定，无法灵活地处理非线性关系和异常情况。传统算法模型通常需要手动选择合适的参数，错误的参数选择会导致预测结果不准确或不稳定，且其无法有效地处理大规模数据，当处理庞大的数据时，其计算效率和预测性能会受到限制。

技术实现思路

[0004]本专利技术主要是解决现有技术所存在的技术问题；提供了一种基于深度学习和迁移学习的电力负荷预测方法，通过深度学习网络和迁移学习网络的结合，将更加深入的挖掘电力负荷数据内部的关联特征，大大提升电力数据预测的精度和稳定性。
[0005]本专利技术还有一目的是解决现有技术所存在的技术问题；提供了一种基于迁移学习的源域数据确定方法，通过关联规则挖掘不同数据集与目标域数据集之间的内在联系，使用皮尔逊相关系数进一步对数据集中的特征进行筛选，最终确定所选择的源域数据集。
[0006]本专利技术再有一目的是解决现有技术所存在的技术问题；提供了一种基于深度学习的预测网络，网络内部细分为多个组成块，前一组成块对数据进行挖掘后接着送入后一组成块进一步提取特征，这样得到的网络结构可以大幅提升电力负荷数据预测的精度。
[0007]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：
[0008]一种基于深度学习和迁移学习的电力负荷预测方法，基于以下定义：
[0009]定义1，迁移模块：迁移模块主要对输入数据集中获取到的源域数据进行多特征分析，通过关联规则挖掘不同数据特征间的关系，并通过皮尔逊相关系数选择与电力负荷数据关联性较高的特征一起作为特征因子，在进行特征选择时，需要对迁移学习的性能进行充分考虑；
[0010]定义2，匹配处理模块：匹配处理模块将目标域数据与迁移模块的输出源域数据一起确定为待迁移目标，传递到输入样本并对其进行数据预处理操作，删除异常值、填入缺失值、量化数据以减少数据量纲不同对网络性能的影响；
[0011]定义3，K
‑
medoids聚类块：这个区块用于对数据进行聚类并确定聚类数，以更好地
捕获输入数据的分布规律，进一步对输入数据进行划分，更好地对网络数据进行传递；
[0012]定义4，深度网络模块：深度网络模块内包含的是基于深度学习的预测方法；根据送入网络的先后顺序，依次分别是TA
‑
TCN块、BIGRU块、DMS
‑
PSO块。TA
‑
TCN块提取不同时间步的相关性，BIGRU块通过前向隐藏层和后向隐藏层对模型的非线性特征进行提取，DMS
‑
PSO块更新粒子个体最佳位置和动态群组的最佳位置，通过不断迭代，对搜寻的参数进行更新并输出，进而优化网络内部的超参数；
[0013]定义5，预测模块：在训练过程结束后，网络模型会对其训练得到的参数和权重进行更新，并完成迭代，输出最终的预测结果；
[0014]具体包括：
[0015]步骤1，迁移源域数据集确定：将与目标域数据集相关的大量源域数据进行关联规则挖掘，通过皮尔逊相关系数确定源域数据，并对其内部不同的特征进行相关性分析，将相关性较高的特征确定为选择的特征因子；
[0016]步骤2，输入数据预处理：将确定好的源域数据与目标域数据送入输入样本，去除数据中的缺失值和异常值，通过数据归一化操作去除不同量纲对电力负荷数据的影响，同时引入日期因素和季节因素，综合考虑不同因素对历史负荷数据的影响；
[0017]步骤3，数据集聚类：对预处理后的数据集通过K
‑
medoids聚类算法进行分类，将具有相似负荷规律的数据聚为1类，通过相应的聚类方法确定聚类数；
[0018]步骤4，构建深度学习预测网络：由步骤3聚类后的数据依次送入深度学习预测网络中的TA
‑
TCN、BIGRU，通过DMS
‑
PSO对深度学习处理过程中的超参数进行优化更新；
[0019]步骤5，进行电力负荷预测：对步骤4中网络模型更新的参数进行提取，不断对网络的权重进行更新，遍历完成后，合并输入信息，输出最终的预测结果。
[0020]在上述的一种基于深度学习和迁移学习的电力负荷预测方法，所述的步骤2中，输入数据预处理的具体操作方法如下：
[0021]步骤2.1，通过VSCode软件对电力负荷数据集中的数据进行可视化分析，观察数据中是否有缺失值、异常值等数据；
[0022]步骤2.2，对包含的缺失数据综合考虑前一时刻、后一时刻、前一天、后一天的数据，利用权重系数对数据进行加权求和填补；
[0023]步骤2.3，对包含的异常数据通过横向处理和纵向处理进行修正；
[0024]步骤2.4，采用最大最小归一化对数据进行归一化处理；
[0025]步骤2.5，采用one
‑
hot编码对添加的季节信息和日期信息进行处理；将四个季节春季、夏季、秋季、冬季分别编码为0001,0010,0100,1000；将日期因素周一至周日分别编码为0000001,0000010,0000100,0001000,0010000,0100000,1000000。
[0026]在上述的一种基于深度学习和迁移学习的电力负荷预测方法，所述的步骤3中，数据集聚类的具体操作方法如下：
[0027]步骤3.1，聚类数确定：通过肘部法和轮廓系数法对聚类簇的个数进行确定。肘部法所使用的聚类评价指标为数据集中所有样本点到其簇中心的距离之和的平方。但是肘部法选择的并不是误差平方和最小的值，而是误差平方和骤降时所对应的值；轮廓系数法选择分布图中峰值较高的点，越大的轮廓系数意味着聚类结果越清晰、分离度越高；
[0028]步骤3.2，通过K
‑
medoids聚类算法把现有的电力负荷数据通过聚类数进行分类，
将相似特征的数据进行分组合并，更好地提取数据的模式和分布结构，输出到后续网络中。
[0029]在上述的一种基于深度学习和迁移学习的电力负荷预测方法，所述的步骤4中，构建深度学习预测网络的具体操作方法如下：
[0030]步骤4.1，通过TA
‑
TCN对数据特征进行进一步提取，采用并行拼接策略利用不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和迁移学习的电力负荷预测方法，基于以下定义：定义1，迁移模块：迁移模块主要对输入数据集中获取到的源域数据进行多特征分析，通过关联规则挖掘不同数据特征间的关系，并通过皮尔逊相关系数选择与电力负荷数据关联性较高的特征一起作为特征因子，在进行特征选择时，需要对迁移学习的性能进行充分考虑；定义2，匹配处理模块：匹配处理模块将目标域数据与迁移模块的输出源域数据一起确定为待迁移目标，传递到输入样本并对其进行数据预处理操作，删除异常值、填入缺失值、量化数据以减少数据量纲不同对网络性能的影响；定义3，K
‑
medoids聚类块：这个区块结构简单，用于对数据进行聚类并确定聚类数，以更好地捕获输入数据的分布规律，进一步对输入数据进行划分，更好地对网络数据进行传递；定义4，深度网络模块：深度网络模块内包含的是基于深度学习的预测方法；根据送入网络的先后顺序，依次分别是TA
‑
TCN块、BIGRU块、DMS
‑
PSO块；TA
‑
TCN块提取不同时间步的相关性，BIGRU块通过前向隐藏层和后向隐藏层对模型的非线性特征进行提取，DMS
‑
PSO块更新粒子个体最佳位置和动态群组的最佳位置，通过不断迭代，对搜寻的参数进行更新并输出，进而优化网络内部的超参数；定义5，预测模块：在训练过程结束后，网络模型会对其训练得到的参数和权重进行更新，并完成迭代，输出最终的预测结果；具体包括：步骤1，迁移源域数据集确定：将与目标域数据集相关的大量源域数据进行关联规则挖掘，通过皮尔逊相关系数确定源域数据，并对其内部不同的特征进行相关性分析，将相关性较高的特征确定为选择的特征因子；步骤2，输入数据预处理：将确定好的源域数据与目标域数据送入输入样本，去除数据中的缺失值和异常值，通过数据归一化操作去除不同量纲对电力负荷数据的影响，同时引入日期因素和季节因素，综合考虑不同因素对历史负荷数据的影响；步骤3，数据集聚类：对预处理后的数据集通过K
‑
medoids聚类算法进行分类，将具有相似负荷规律的数据聚为1类，通过相应的聚类方法确定聚类数；步骤4，构建深度学习预测网络：由步骤3聚类后的数据依次送入深度学习预测网络中的TA
‑
TCN、BIGRU，通过DMS
‑
PSO对深度学习处理过程中的超参数进行优化更新；步骤5，进行电力负荷预测：对步骤4中网络模型更新的参数进行提取，不断对网络的权重进行更新，遍历完成后，合并输入信息，输出最终的预测结果。2.根据权利要求1所述的一种基于深度学习和迁移学习的电力负荷预测方法，其特征在于，所述的步骤2中，输入数据预处理的具体操...

【专利技术属性】
技术研发人员：刘杰，周博文，田明，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：