一种基于CNN-BiLSTM-AE短期电力负荷预测方法技术

本申请涉及一种基于组合深度学习模型的短期负荷预测方法和系统。在本文中，我们开发了一个短期电力负荷预测模型，并利用澳大利亚某地区真实负荷数据集对其进行了评估。首先，对输入数据进行预处理，以删除缺失、冗余和离群值。接下来，我们应用不同的归一化技术来更好地表示输入数据，从而产生一个有效的模型。进一步，我们开发了一种新的模型CNN

【技术实现步骤摘要】
一种基于CNN
‑
BiLSTM
‑
AE短期电力负荷预测方法


[0001]本申请涉及电力短期负荷预测
，特别是涉及一种基于组合深度学习模型的短期电力预测方法。

技术介绍

[0002]短期负荷预测是电力系统正常运行的一个基本程序。电力的经济和存储调度，电力市场交易等过程严重依赖于需求预测的精度。受各种因素的影响，包括天气、社会和经济因素，STLF是一个复杂的非线性问题，意味着大量的数据，需要先进的计算方法，以实现更好的准确性的结果。多年来，研究人员提出了解决STLF问题的各种方法。许多研究采用了自回归积分移动平均线(ARIMA) 和该方法的变化。然而，传统的统计方法在适应预测模型的不断变化的负荷性质方面的缺陷，不能很好的处理非线性问题。
[0003]与此同时机器学习技术提供了有效的方法来处理这个复杂的问题，通过允许建立高性能的模型来定义影响功率需求的各种因素的非线性相互依赖性。最常见的应用包括支持向量回归(SVR)和人工神经网络(ANN)。所有这些技术在使用各种类型的大量数据进行训练时都有更好的结果，这证明了大数据实现概念在电力系统操作改进中的重要性。
[0004]STLF问题可以作为一个时间序列问题来处理，它涉及到基于历史负荷数据的第二天负荷轮廓预测。基于RNN(递归神经网络)及其变化的模型，LSTM (长短期记忆)和GRU(门控递归单元)网络，很好地捕获了每周负载伪周期，但在吸收可能影响消费的外部因素方面存在问题。不考虑这些因素可能会导致预测准确率不高。/>
技术实现思路

[0005]基于此，有必要针对上述技术问题，本文提供了一种能提取更加准确的空间特征和时序特征的混合的网络模型，以此降低预测误差，提高预测的准确度和预测效率。
[0006]一种基于组合深度学习模型的短期电力负荷预测方法，所述方法包括：
[0007]读取数据集电力负荷数据，数据集中有少存在缺失或者异常的负荷数据。对异常数据统一采取填充均值的方法。均值填充是使用所有样本数据的均值或者众数替代异常值对数据进行填补。为了使得模型的训练加快，更早达到收敛，本文对输入数据进行归一化处理。将输入数据通过归一化算法映射到[0，1]区间。
[0008]对澳大利亚某地区负荷数据集进行划分。数据整体分布情况如图1所示。从图中的负荷数据分布可以分析出，以年为单位来看负荷分布展现出周期性，但以天为周期来看负荷数据具有较大起伏。澳大利亚某地区负荷数据集包括了 2006年1月1日至2011年1月1日的真实负荷数据。数据以30min为单位进行采样，每天采集48个点。时序数据按照8:1:1的比例进行顺序切分，前80％的数据作为训练集，后20％数据均分为验证集和测试集，其中验证集用于训练过程中的参数调优，测试集则作为最后的模型评估不会参与到训练过程中。在本文实验中，统计了每天的日负荷量，将实验任务设置为根据前T天的日总负荷量(T为时间步长)，预测第(T+n)天的日总负荷量。并进行预处理得到负荷数据的时间序列。
[0009]本文为了判断模型的预测的准确率，误差指标选用了平均绝对百分比误差 (mean absolute percentage error，MAPE)和均方根误差(root mean square error， RMSE)。
[0010]CNN
[0011]是专门为网格拓扑数据处理而开发的。例如，用于处理图像和视频之类的视觉数据，视觉数据被视为一个二维网格，而时间序列数据则被视为一维数据。 CNN使用了一个权重共享的概念，在非线性问题中提供了很高的精度，如能量负荷预测。一维的卷积池化层如图2所示。当对输入数据应用卷积时，将I1、I2、 I3、I4、I5、I6转换为特征映射C1、C2、C3、C4。接下来，利用池化层对卷积层的特征映射进行采样。池化层过程对于提取高级卷积特征非常重要；应用池化层后，将特征映射的维数降为2。
[0012]BiLSTM
[0013]LSTM分为遗忘门、输入门和输出门。遗忘门对前面时刻的记忆信息和新输入的信息进行选择，通过sigmoid函数进行筛选，当值为1时代表所有信息全部通过，值为0代表所有信息均不能通过。由于遗忘门的存在，LSTM很难会发生梯度消失现象。
[0014]BiLSTM是由前向LSTM层与后向LSTM层组合而成。在前向层中，输入序列输入LSTM模型。在后向层中，输入序列的反向形式输入LSTM模型。这种结构可以提取负荷序列的前向关系和后向关系，并连接到同一个输出，所以可以用于对输入的电力负荷序列数据进行双向时序特征提取。
[0015]BiLSTM
‑
AE
[0016]自动编码器(AE)通常用于表示学习，以理解特征向量中的无监督输入。使用BiLSTM
‑
AE的传统方法如图3所示。我们对一个时间序列的序列数据集采用了序列对序列的自编码器模型。AE由一个编码器和一个解码器组成，其中输入序列首先被编码，然后被解码。设xt为输入特征，F为特征空间。所应用的编码器函数是φ：xt
→
F，它学习重要的特征并对特征向量F进行编码。在解码器中，
[0017]CNN
‑
BiLSTM
‑
AE模型，采用两层1D卷积层、一层池化层。卷积核设置为 8个和16个，卷积核大小设置为3，池化层中stride＝2。激活函数选择RELU。 BiLSTM分为四层其中前两层用于AE的编码器，后两层用于AE的解码器，其中BiLSTM神经元个数为32，其后连接Dense层，本节中Dense层起到加强学习数据特征的作用，设置4个神经元，训练次数为500轮，batch
‑
size设定为 100个，损失函数选用均方根误差，优化算法选用adam。并使用checkPoint当训练轮次增加，损失值没有明显提升时，保存当前最优的模型参数。
[0018]用于根据所述电力负荷时间序列对所述组合深度学习网络进行训练，得到训练好的短期电力预测模型；
[0019]将所述电力负荷时间序列数据输入到所述短期电力负荷预测模型中，得到未来三天的预测值。
具体实施方式
[0020]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0021]在一个实施例中，如图5所示，提供了一种基于组合深度学习模型的短期电力负荷
预测方法，该方法包括以下步骤：
[0022]步骤100：获取负荷数据，得到负荷数据的时间序列。
[0023]负荷数据为澳大利亚某地区电力2006年1月1日至2011年1月1日的真实负荷数据。数据以30min为单位进行采样。每天采集48个点。时序数据按照8:1:1的比例进行顺序切分，前80％的数据作为训练集，后20％数据均分为验证集和测试集。
[0024]步骤102：对时间序列数据进行预处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合深度学习模型的短期电力负荷预测方法，能有效提高负荷预测精度，所述方法包括：获取电力负荷数据，对输入数据进行预处理，以删除缺失、冗余和离群值。接下俩应用不同的归一化技术来更好地表示输入数据，然后得到负荷数据多步长的时间序列；构建组合深度学习网络CNN
‑
BiLSTM
‑
AE；该模型对比三个预测模块：CNN，BiLSTM
‑
AE和FC。首先，使用两个CNN层从数据集中的几个变量中提取信息，获得数据的空间特征，然后将信息输入BiLSTM
‑
AE，BiLSTM将序列转换为一个编码的特征向量，然后通过另一个BiLSTM解码。编码的特征向量层复制这些编码的序列，使用这两个重构的解码器对输入的长序列和短序列进行重构，用来保证存储在潜在向量中的特征具有一定的意义。最后使用密集层进行输出预测。根据所述电力负荷数据的时间序列对所述组合深度学习网络进行训练，得到训练好的短期电力负荷预测模型；获取数据集中的每小时电力负荷数据，并进行预处理得到电力负荷数据的的时间序列；将所述电力负荷书的时间序列输入到所述短期电力负荷预测模型中，得到未来三天的电力负荷预测值。2.根据权利要求1所述的方法，其特征在于，获取电力负荷预测数据，并进行预处理得到电力负荷数据的时间序列，包括：获取数据集中的每小时电力负荷数据；对数据集中的电力负荷数据采用插值法补全空缺值，并分割时间步长为8，得到每电力负荷数据的时间序列。3.根据权利要求1所述的方法，其特征在于，根据电力负荷数据的时间序列对所述组合深度学习网络CNN
‑
BiLSTM
‑
AE进行训练，得到训练好的电力负荷数据预测模型，包括：将电力负荷数据的时间序列作为1路输入，并将数据集上电力负荷数据的时间序列分为训练样本，验证样本和测试样本；将所述训练样本一一对应输入到一维的卷积神经网络模块中，提取数据的空间特征向量。将提取了空间特征向量的数据重构为三个维度输入BiLSTM
‑
AE的编码器部分，编码器由两层BiLSTM组成BiLSTM，其中BiLSTM神经元个数为32，对...

【专利技术属性】
技术研发人员：蔡汉飞，陈曦，徐启航，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：