【技术实现步骤摘要】
本专利技术涉及电力系统运行，尤其涉及一种考虑多尺度时序信息的负荷预测方法。
技术介绍
1、我国能源产业结构持续转型，电力系统中不同能源子系统在物理层面交互连接，多能负荷间耦合程度加深。同时伴随智能楼宇、虚拟电厂等新型负荷的不断涌现使预测场景趋于复杂化。多维因素影响下，综合能源系统负荷具有更大波动性，相关特征的构成复杂度更高。因此需要更为精确、可靠、稳定的负荷预测模型，为低碳发展途中平衡能源供应、系统经济高效运行提供重要保障。
2、基于统计学的传统预测方法难以对新型电力系统中的复杂负荷特性进行精确描述。伴随用电信息收集技术的不断发展，基于大数据技术的人工智能类负荷预测方法迅速发展。目前已有研究者借助lstm、gru等模型利用记忆功能来捕捉单尺度时序相关性，但由于研究中时序相关性与被预测样本时序最相关的信息，通常蕴含在预测时刻前多个小时内样本点与同时刻前多日的样本点中，且由小时层面与星期层面构成，使得针对目前样本中的时序相关性存在尚未实现完整捕捉的问题，难以挖掘不同尺度的电力负荷数据的特征。
技术实现思路
1、本专利技术提供一种考虑多尺度时序信息的负荷预测方法，以克服上述技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种考虑多尺度时序信息的负荷预测方法，包括以下步骤：
4、s1：获取若干母线对应的预设时间粒度的历史负荷数据，并基于prophet模型，根据电负荷需求历史数据获取prophet负荷时序分量；
5、
6、s2：根据所述历史负荷数据与prophet负荷时序分量，采用pearson相关系数法进行相关性分析以构建数据特征集合；
7、并基于滑动窗口法，根据数据特征集合构建不同时间步长的第一特征矩阵xlstm与第二特征矩阵xtcn；
8、s3：根据第一特征矩阵xlstm对构建的基于lstm短期时序相关性挖掘模块进行模型训练，以用于获取小时层面的短期时序信息；
9、根据第二特征矩阵xtcn对构建基于宽膨胀系数的tcn周度时序相关性挖掘模块进行模型训练，以用于获取星期层面的时序信息；
10、且将基于lstm短期时序相关性挖掘模块与tcn周度时序相关性挖掘模块的输出端进行拼接以获取lstm-tcn多尺度时序挖掘模块；
11、s4：获取lstm-tcn多尺度时序挖掘模块的拼接输出x'，并通过全连接层dense对拼接输出x'进行全连接运算，以用于联合训练优化所述lstm短期时序相关性挖掘模块与宽膨胀系数的tcn周度时序相关性挖掘模块的模型参数，获取优化lstm-tcn多尺度时序挖掘模块；
12、s5：将所述优化lstm-tcn时序挖掘模块的拼接输出xi作为gbrt算法的输入数据，将考虑多尺度时序信息的负荷作为输出数据进行基础决策树模型训练，获取最终的基础决策树模型以实现考虑多尺度时序信息的负荷预测。
13、进一步的，s1中所述获取prophet负荷时序分量的表达式为
14、l(t)＝g(t)+s(t)+h(t)+εt
15、式中：l(t)为待分解时间序列；g(t)为序列中的非周期特征，包括负荷趋势分量；s(t)为周期特征，包括季节分量、月分量、周期分量以及日分量；h(t)为节假日效应；εt为服从高斯分布的异常变化的误差项。
16、进一步的，s3中所述基于lstm短期时序相关性挖掘模块的表达式为
17、
18、ht＝ot⊙tanh(ct)
19、
20、it＝σ(wixt+uiht-1+bi)
21、ft＝σ(wfxt+ufhf-1+bf)
22、ot＝σ(woxt+uoht-1+bo)
23、式中：⊙表示lstm网络的元素相乘符号；ct-1表示上一时刻的记忆单元；wc与uc表示记忆单元的权重矩阵；xt表示输入样本第一特征矩阵xlstm；ht-1表示上一时刻的隐状态；bc表示偏置量；σ表示relu函数；wi与ui表示输入门的权重矩阵；bi表示输入门的偏置量；wf与uf表示遗忘门的权重矩阵；bf表示遗忘门的偏置量；wo与uo表示输出门的权重矩阵；bo表示输出门的偏置量；ct∈rd、ht∈rd以及分别为记忆单元、隐状态以及候选状态；ft∈[0,1]d、it∈[0,1]d、ot∈[0,1]d分别为遗忘软门、输入软门以及输出软门；
24、所述基于宽膨胀系数的tcn周度时序相关性挖掘模块包括非线性操作单元以及残差连接单元；
25、所述非线性操作单元用于对第二特征矩阵xtcn进行间隔采样获取的二维时间序列输入x＝(x0,x1,...,xt)进行非线性操作且所述非线性操作单元包括依次连接的扩张因果卷积层、权重归一化层、激活层以及丢弃层；
26、且所述非线性操作依次包括扩张因果卷积层的扩张卷积运算、权重归一化层的权重归一化运算、激活层的激活运算以及丢弃层的正则化运算；
27、所述扩张卷积运算f(t)的表达式为
28、
29、式中：xt-d·i表示输入数据；f(i)表示第i个滤波器；d表示扩张因子；n表示滤波器大小；t-d·i表示为因果卷积方向；f(t)表示扩张卷积运算的输出；
30、所述残差连接单元为卷积核的大小为1×1的卷积层，用于将二维时间序列输入x与非线性操作的输出线性叠加，以获取基于宽膨胀系数的tcn周度时序相关性挖掘模块的输出；
31、所述残差连接单元的表达式为
32、
33、式中：σ()表示为relu函数；表示为非线性操作运算；x＝(x0,x1,...,xt)表示二维时间序列输入；o表示tcn周度时序相关性挖掘模块的输出。
34、进一步的，所述s4具体包括以下步骤：
35、s41：将第一特征矩阵xlstm作为基于lstm短期时序相关性挖掘模块的输入数据；将第二特征矩阵xtcn作为基于宽膨胀系数的tcn周度时序相关性挖掘模块的输入数据；
36、并把基于lstm短期时序相关性挖掘模块与tcn周度时序相关性挖掘模块的输出进行拼接输出x'，并将拼接输出x'输入至全连接层dense进行全连接运算，获取负荷预测值；
37、s42：根据负荷预测值与负荷实际值获取平均绝对误差mae，并将所述平均绝对误差mae作为第一损失函数emae，用于lstm-tcn多尺度时序挖掘模块的迭代训练；
38、所述第一损失函数emae的表达式为
39、
40、式中：t为模型训练样本个数；为t时刻的负荷预测值，yt为t时刻的负荷实际值；
41、s43：判断当前第一损失函数emae的误差值与预设误差阈值的大小；
42、若当前第一损失函数emae的误差值小于等于预设误差阈值，则确认当前训练完成后的ls本文档来自技高网...
【技术保护点】
1.一种考虑多尺度时序信息的负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，S1中所述获取Prophet负荷时序分量的表达式为
3.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，S3中所述基于LSTM短期时序相关性挖掘模块的表达式为
4.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，所述S4具体包括以下步骤：
5.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，S5包括以下步骤：
6.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，S2中所述基于滑动窗口法，根据数据特征集合构建不同时间步长的第一特征矩阵Xlstm与第二特征矩阵Xtcn；
7.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，S2中所述采用Pearson相关系数法进行相关性分析的表达式为
【技术特征摘要】
1.一种考虑多尺度时序信息的负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，s1中所述获取prophet负荷时序分量的表达式为
3.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，s3中所述基于lstm短期时序相关性挖掘模块的表达式为
4.根据权利要求1所述的一种考虑多尺度时序信息的负荷预测方法，其特征在于，所述s4具体包括以下...
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。