基于循环神经网络和张量分解的电力系统负荷预测系统和方法技术方案

本发明专利技术公开了一种基于循环神经网络和张量分解的电力系统负荷预测系统，适用于电网负荷的短期预测系统。通过数据清洗得到删除异常值之后的数据集。通过选择合适的基本时间窗口，将记录的时间序列数据划分为若干个时间片，并用多个时间片拼接为二维张量。采用奇异值阈值算法(SVT)对缺失的数据进行插补，其中利用交替迭代的方式求得了插补矩阵的最优解，该矩阵作为补全后的样本数据。然后，使用动态时序规整(DTW)计算不同用电序列间的距离矩阵，将相似性高的时间序列作为一类数据，针对每一类数据，通过有监督的改进LSTM算法进行负荷预测。本发明专利技术可以更好地应对电力供需的不平衡问题，有效辅助新型电力系统安全经济运行，提高电力系统的稳定性和可靠性。提高电力系统的稳定性和可靠性。提高电力系统的稳定性和可靠性。

【技术实现步骤摘要】
基于循环神经网络和张量分解的电力系统负荷预测系统和方法


[0001]本专利技术涉及电力系统负荷预测的
，更具体地，涉及一种基于循环神经网络和张量分解的电力系统负荷预测。

技术介绍

[0002]当前，全球能源需求不断增加，导致温室气体排放量显著上升，加剧了全球气候变暖问题，环境保护和可持续发展的重要性日益受到国际社会的广泛关注。为解决这一挑战，推动经济社会的可持续发展，各国纷纷将绿色低碳能源转型作为重要发展战略目标。
[0003]在此背景下，随着电能替代和电气化水平的不断提高，电力负荷作为新型电力系统的关键组成部分正朝着多元化方向发展。与此同时，电力市场改革的深入推进引入了需求响应、共享经济、负荷聚合商、虚拟电厂等新技术和新角色，使得电力负荷呈现出更加复杂多变的新特性和新形态。因此，电力系统负荷预测作为基础支撑工作对于未来新型电力系统的规划、运行、控制和调度具有至关重要的意义。
[0004]近年来，随着智能量测设备的广泛部署和通信水平的迅速提升，电网公司的用电信息采集系统、SG186营销系统以及各类信息平台积累了海量的多源异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络和张量分解的电力系统负荷预测系统，其特征在于，所述预测系统包括时间序列数据获取模块、数据处理模块、数据插补模块、数据预测模块、输出模块；所述时间序列数据获取模块，通过国家电网的电量表和计量表等几个表格的关联，获取了电力系统用户的各自1000天的时间序列数据，其中包括综合倍率和日冻结示数两个字段的数据，将两个数据相乘最终得到了日用电量数据，并将用户日用电数据信息输入数据处理模块；所述数据处理模块，对获取的日用电量数据中的异常值进行处理，用空字段代替异常值，对单一维度的时间序列，按时间窗口大小进行划分，然后再将数据合并，构成含缺失值的二维张量数据样本，并将该样本输入数据插补模块；所述数据插补模块，对所获取的低秩的数据矩阵，即含缺失值的电力系统日用电量历史数据进行缺失值插补，构建不含缺失值的完整的数据集，该数据集作为训练样本输入数据预测模块，所述数据预测模块，包括基于长短期记忆人工神经网络(LSTM)的预测和DTW动态计算用电序列数据距离矩阵，先对输入的电力系统客户用电量历史数据进行分类，基于不同的类别分别采用改进LSTM模型进行日用电量预测。2.一种基于循环神经网络和张量分解的电力系统负荷预测方法，其特征在于，采用基于循环神经网络和张量分解的电力系统负荷预测系统，所述方法包括以下步骤：S1，获取国家电网电力检测设备所测的电力系统用电数据，包括用户档案数据、日冻结电能示值、用户实时功率、用户日电量等时间序列数据；S2，对获取的日用电量数据进行清洗，剔除含缺失值的样本，筛选均值，方差较小的样本，采用3σ原则处理离群数据样本，并进行数据归一化、非线性化，对单一维度的时间序列，按时间顺序进行拼接，得到含缺失值的二维张量；S3，利用奇异值阈值算法(SVT)对表示每个用户日用电量数据的二维张量进行缺失数据的插补，从而获得完整的二维张量数据；S4，利用DTW动态时序规整计算不同用电序列数据间距离矩阵，基于该矩阵使用K
‑
Means进行聚类，对每一个类别的数据通过改进的长短期记忆人工神经网络LSTM对电力系统电负荷进行预测。3.根据权利要求2所述的基于循环神经网络和张量分解的电力系统负荷预测方法，其特征在于，S2中数据处理和清洗工作包括剔除含缺失值的样本，筛选均值，方差较小的样本，处理离群数据样本，并进行数据归一化，具体如下：S2.1，采用3σ原则进行离群值的处理：首先数据需要服从正态分布，在3σ原则下，样本数据值的大小如果不在μ
±
3σ范围内，将其视为异常值，其公式如下，其中X为服从正态分布的观测值，μ为分布的平均值，而σ为标准差：S2.2，为将原始数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放，采用min
‑
max归一化，其公式如下：
4.根据权利要求2所述的基于循环神经网络和张量分解的电力系统负荷预测方法，其特征在于，S3中模型采用了奇异值阈值算法(SVT)对表示每个用户日用电量数据的二维张量进行缺失数据的插补，具体如下：S3.1，假设原始数据矩阵是低秩的，但是矩阵中含有很多未知的元素，从一个含有缺失元素的矩阵中恢复出一个元素完整的低秩阵，这就是是低秩矩阵填充问题，S3.2，奇异值阈值算法(SVT)流程如下：S3.2.1，求解正则化的最优化问题：s.t.Ω(X)＝P
Ω
(M)其中，τ>0，Ω为观测样本下标的集合，为优化变量，M为真实的未知矩阵，表示将优化问题进行凸松弛之后再正则化之后的结果，当τ
→
+∞时，上述最优化问题的最优解收敛到凸优化的最优解，投影算子P
Ω
由下列公式表示：S3.2.2，构造最优化问题的拉格朗日函数：其中，拉格朗日乘子对于某些λ>0，D
λ
是λ的邻近算子，此无约束问题的解的特征可以由不动点方程来表示，将SVT算法重新定义为一种拉格朗日乘子算法将使我们能够将SVT算法扩展到其他涉及凸约束下核形式最小化的问题，若强对偶成立，且拉格朗日函数的鞍点为优化问题的原函数与对偶问题的最优解即如果(X*,Y*)是拉格朗日函数的一个中点，则有：拉格朗日算法是通过迭代解决鞍点问题，其迭代解为：其中{δk}
k≥1
是正步长的序列，Y
k
为迭代的中间矩阵，k表示迭代进行的次数，P
Ω
(M
‑
X
k
)是消失在外的矩阵跨度上的正交投影且P
Ω
(M
‑
X
k
)等于(M
‑
X
k
)
ij
。5.根据权利要求2所述的基于循环神经网络和张量分解的电力系统负荷预测方法，其特征在于，S4中模型采用了基于DTW动态时序规整以及K
...

【专利技术属性】
技术研发人员：陈都鑫，陶淳，虞文武，吴雅晴，王伟，李明，翟千惠，
申请(专利权)人：东南大学，
类型：发明
国别省市：