【技术实现步骤摘要】
本公开涉及电力信息技术，尤其涉及一种短期电力负荷预测方法、装置、电子设备及介质。
技术介绍
1、电力能源是现代社会的支柱性能源，负荷预测是保证电力供需平衡的基础，一直以来是电力信息领域的一个研究热点，直接关系到电力系统的需求调度。
2、常用的负荷预测方法主要分为传统方法和现代方法。传统的预测方法是基于统计原理，使用简单运行速度快。而电力负荷预测本身是一个复杂的过程，在预测中仅凭单一的数据集，没有考虑影响因素，会导致预测误差较大，预测精度较低。现代预测方法主要是以神经网络为代表的人工智能学习方法，包括人工神经网络、随机森林、支持向量机、小波变换等。与传统方法相比，现代预测方法不仅在预测精度上有所提高，适应性也更强。人工智能学习方法具有强大的非线性拟合、数据分析和预测能力，这符合电力系统海量负荷数据处理的需要。
3、近年来，深度学习超强的学习能力和自适应能力使其成为负荷预测领域的焦点。卷积神经网络(cnn)是前向神经网络的一种。相比于传统的全连接神经网络，cnn模型的复杂程度大幅度降低。但因为序列信息中存在着长跨度的依赖关系，所以前向神经网络很难有效建模。循环神经网络(recursive neural network，rnn)，经过几十年的衍生变化，现已得到广泛应用。与传统神经网络相比，因rnn结构中存在自连接，所以它能获得大量信息，进而学习更复杂的映射关系。长短期记忆(long short-term memory，lstm)网络是rnn的改进网络，其有效解决了后者出现的梯度消失、梯度爆炸问题，使得信息能做到
技术实现思路
1、鉴于上述问题，本专利技术提供了一种短期电力负荷预测方法、装置、电子设备及介质，以解决电力负荷预测精度不高的问题。
2、本公开的一个方面提供了一种短期电力负荷预测方法，包括：构建电力负荷预测模型，所述电力负荷预测模型包括cnn特征提取模块和bilstm序列预测模块，所述cnn特征提取模块用于提取历史电力负荷数据包括的电力负荷特征，所述bilstm序列预测模块用于双向发掘所述电力负荷特征的时序特征，得到电力负荷预测输出值；采用灰狼优化算法优化所述cnn特征提取模块和所述bilstm序列预测模块中的超参数，得到优化后的电力负荷预测模型；将短期预设时段内的历史电力负荷数据输入优化后的所述电力负荷预测模型，得到短期电力负荷预测数据。
3、根据本公开的实施例，执行所述方法之前，所述方法还包括：对所述历史电力负荷数据进行预处理，所述预处理至少包括离群值检验、缺失值补全、归一化处理及降维处理。
4、根据本公开的实施例，在所述cnn特征提取模块中，提取历史电力负荷数据包括的电力负荷特征包括：将所述历史电力负荷数据输入所述cnn特征提取模块的图像输入层得到图像特征；将所述图像特征进行多次卷积和池化操作后，经过所述cnn特征提取模块的flatten层进行维度压缩，得到所述电力负荷特征。
5、根据本公开的实施例，在所述bilstm序列预测模块中，双向发掘所述电力负荷特征的时序特征，得到电力负荷预测输出值包括：将所述电力负荷特征分别输入所述bilstm序列预测模块的正向lstm和反向lstm进行电力负荷预测；融合所述正向lstm和所述反向lstm的电力负荷预测结果，得到所述电力负荷预测输出值。
6、根据本公开的实施例，所述采用灰狼优化算法优化所述cnn特征提取模块和所述bilstm序列预测模块中的超参数，得到优化后的电力负荷预测模型包括：初始化灰狼群体，灰狼的位置表示所述超参数；将所述灰狼的位置应用于所述cnn特征提取模块和所述bilstm序列预测模块，得到所述电力负荷预测输出值；基于所述电力负荷预测输出值和实际的电力负荷数据计算损失函数；筛选损失函数最小的三个灰狼，基于所述三个灰狼计算目标函数值；基于所述目标函数值计算新的灰狼的位置，更新所述灰狼群体；重复上述步骤，直至达到终止条件，得到最优的所述超参数；将所述超参数应用于所述cnn特征提取模块和所述bilstm序列预测模块，得到所述优化后的电力负荷预测模型。
7、根据本公开的实施例，所述基于所述三个灰狼计算目标函数值的计算公式为：
8、d＝|c*xα，β，δ-x|；
9、其中，d表示所述目标函数值，c表示所述三个灰狼的权重，xα，β，δ表示所述三只灰狼的位置的组合，x表示所述灰狼群体中的一个灰狼的位置。
10、根据本公开的实施例，所述基于所述目标函数值计算新的灰狼的位置，更新所述灰狼群体的计算公式为：
11、xnew＝xα，β，δ-a*d；
12、其中，xnew表示所述新的灰狼的位置，xα，β，δ表示所述三只灰狼的位置的组合，a表示所述目标函数值的权重，d表示所述目标函数值。
13、本公开的第二个方面提供了一种短期电力负荷预测装置，包括：模型构建模块，用于构建电力负荷预测模型，所述电力负荷预测模型包括cnn特征提取模块和bilstm序列预测模块，所述cnn特征提取模块用于提取历史电力负荷数据包括的电力负荷特征，所述bilstm序列预测模块用于双向发掘所述电力负荷特征的时序特征，得到电力负荷预测输出值；参数优化模块，用于采用灰狼优化算法优化所述cnn特征提取模块和所述bilstm序列预测模块中的超参数，得到优化后的电力负荷预测模型；模型应用模块，用于将短期预设时段内的历史电力负荷数据输入优化后的所述电力负荷预测模型，得到短期电力负荷预测数据。
14、本公开的第三个方面提供了一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现第一方面中的任一项所述短期电力负荷预测方法中的各个步骤。
15、本公开的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面中的任一项短期电力负荷预测方法中的各个步骤。
16、在本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：
17、本公开提供的一种短期电力负荷预测方法，综合利用cnn的特征表达能力和bilstm处理时序关系的能力，设计了一种基于cnn-bilstm组合神经网络的电力负荷预测模型。cnn主要用来提取空间特征，对于时序特征规律往往无法有效发掘，bilstm可以双向发掘时序特征，可以获得更多的有用信息。cnn与bilstm组合而成的cnn-bilstm能扬长避短，充分发挥两种模型在不同领域的作用。此外，本公开提出了采用灰狼优化算法(gwo)解决模型超参数陷入局部最优导致预测精度不理想的方法。在此过程中，灰狼优化算法可以对隐本文档来自技高网...
【技术保护点】
1.一种短期电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，执行所述方法之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，在所述CNN特征提取模块中，提取历史电力负荷数据包括的电力负荷特征包括：
4.根据权利要求1所述的方法，其特征在于，在所述BiLSTM序列预测模块中，双向发掘所述电力负荷特征的时序特征，得到电力负荷预测输出值包括：
5.根据权利要求1所述的方法，其特征在于，所述采用灰狼优化算法优化所述CNN特征提取模块和所述BiLSTM序列预测模块中的超参数，得到优化后的电力负荷预测模型包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述三个灰狼计算目标函数值的计算公式为：
7.根据权利要求5所述的方法，其特征在于，所述基于所述目标函数值计算新的灰狼的位置，更新所述灰狼群体的计算公式为：
8.一种短期电力负荷预测装置，其特征在于，包括：
9.一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中的任一项短期电力负荷预测方法中的各个步骤。
...【技术特征摘要】
1.一种短期电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，执行所述方法之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，在所述cnn特征提取模块中，提取历史电力负荷数据包括的电力负荷特征包括：
4.根据权利要求1所述的方法，其特征在于，在所述bilstm序列预测模块中，双向发掘所述电力负荷特征的时序特征，得到电力负荷预测输出值包括：
5.根据权利要求1所述的方法，其特征在于，所述采用灰狼优化算法优化所述cnn特征提取模块和所述bilstm序列预测模块中的超参数，得到优化后的电力负荷预测模型包括：
6.根据权利要求5所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。