一种基于预测协调的短期分层负荷在线预测方法及系统与流程

本发明属于电力系统中分层负荷的短期预测，具体涉及一种基于预测协调的短期分层负荷在线预测方法及系统。

背景技术：

1、随着现代配网系统中储能系统和分布式的新能源发电等技术的逐渐成熟和广泛应用，电力系统中的负荷预测变的越发重要。同时随着负荷预测模型的持续开发使用，针对单一负荷的预测精度已能够得到很好的保证，而电力系统也对负荷预测问题提出了新的要求。在全球范围内，分层预测作为预测的最新研究方向，其在负荷预测上的应用逐渐进入大众的视野，并引起了人们的广泛关注和讨论。

2、分层负荷预测是一种针对具有分层结构的多个负荷的预测问题，解决这一问题的关键就在于如何将已有的预测模型应用于具有分层结构的多个负荷上。现有关于分层负荷的预测策略都是将预测问题与分层问题分别独立求解。为处理这种分层结构，有两类主流的研究思路：

3、第一类方法先只完成部分预测，再利用分层结构完成剩余预测任务，其中包括三种方法：自上而下方法、自下而上方法、中间突破方法；

4、第二类方法先完成全部预测，再考虑以分层结构为约束建立优化问题，得到修正预测结果，这种方法被称为协调预测方法。

5、第一个问题在于，上述处理分层结构的策略都是将预测问题与分层问题分别独立求解，这就导致最终的预测精度受到限制。

6、第二个问题在于，现有的针对分层负荷的预测方法都只局限于采用离线训练、在线预测的方式进行预测，即批学习模式，这就导致批学习模式下的预测结果无法学习到最新样本的信息。而为了整合新信息，在每次获得新样本时重新训练模型会导致求解模型的次数急剧增大，在预测模型较为复杂的情况下，将导致产生大量计算复杂度。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于预测协调的短期分层负荷在线预测方法及系统，用于解决传统分层负荷预测方法在处理分层结构中未考虑结果的预测精度的技术问题，能够充分考虑分层负荷多个预测变量之间的累加一致性，并依据多个预测目标的预测地位调整预测模型，同时采用在线学习的模式实时更新预测模型，提高预测结果的适应不同类型分层负荷和时序不稳定变化的能力。

2、本发明采用以下技术方案：

3、一种基于预测协调的短期分层负荷在线预测方法，包括以下步骤：

4、使用分层负荷数据集训练长短期记忆神经网络预测模型进行负荷预测，得到不考虑分层结构的短期负荷预测结果，根据短期负荷预测结果建立改进的在线协调预测模型，并选择对应的在线更新权重规则，通过网格搜索法对在线更新权重规则中的超参数进行寻优确定，使用寻优确定的在线更新权重规则离线训练改进的在线协调预测模型；在线更新改进的在线协调预测模型，依据最新的数据更新在线协调预测模型得到预测结果。

5、具体的，分层负荷数据集包括分层结构底层的电力负荷数据和电力负荷的分层结构，依据分层结构的累加一致性，使用底层负荷数据累加得到所需具有调度和规划意义的中层以及上层电力负荷的时间序列数据，得到最终分层结构中全部层的电力负荷数据和电力负荷的分层结构。

6、进一步的，中层以及上层电力负荷的时间序列数据具体为：

7、获取分层结构底层的电力负荷数据和电力负荷的分层结构，保证各负荷的时间序列数据类型一致，时间序列的监测时刻相同且监测间隔相同；依据电力负荷的分层结构，建立具有累加一致性的分层结构约束方程，并计算得到具有调度和规划意义的中层以及上层电力负荷的时间序列数据。

8、具体的，通过网格搜索法对在线更新权重规则中的超参数进行寻优确定具体为：

9、s201、使用长短期记忆神经网络预测模型作为基预测进行负荷预测；基预测模型基于自回归模型，采用负荷的滞后项作为输入特征，待预测值作为输出特征，训练时依据负荷的时间序列特性确定神经网络超参数；

10、s202、构建考虑权重的协调优化目标，针对分层负荷协调预测方法，以考虑各预测问题地位的加权协调量最小为优化目标确定优化问题；构建考虑分层结构累加一致性的约束条件，针对所需的上层负荷和分层结构得到累加一致的矩阵等式方程，作为改进的在线协调预测模型；

11、s203、在电力系统实时运行前，依据计算复杂度确定在线更新权重策略；

12、s204、通过网格搜索法对在线更新权重规则中的超参数进行寻优确定。

13、进一步的，步骤s202中，优化问题为：

14、

15、

16、其中，ωi,t为每一时刻t各个预测结果所添加调整大小的权重，t为分层负荷训练数据的大小，为不考虑分层结构使用神经网络独立预测结果，为分层负荷使用改进的在线协调预测结果，为分层负荷使用改进的在线协调预测结果的向量形式。

17、进一步的，步骤s203中，在线更新权重策略采用随机梯度下降算法和指数遗忘算法，在线更新权重ωi,t的规则为：

18、

19、其中，ωi,t+1为t+1时刻分层负荷中第i个负荷预测结果所添加调整大小的权重，yi,t为分层负荷中t时刻第i个负荷的真实值，为分层负荷中t时刻第i个负荷的在线协调预测值。

20、进一步的，步骤s204具体为：

21、对于随机梯度下降法，确定更新的初值ω0以及学习率η和计算梯度时的δω超参数，取初值为在线更新模其中前一天的预测误差rmse之和，表示如下：

22、

23、指数遗忘法中，根据平滑误差更新权重规则中设置更新的初值与随机梯度下降法设置方法相同，λ遗忘因子超参数使用网格搜索法设置验证集交叉验证进行确定。

24、具体的，在线更新改进的在线协调预测模型具体为：

25、s301、获取实时运行时更新的最新监测分层负荷数据；

26、s302、依据训练好的在线更新权重规则更新权重参数；

27、s303、依据训练好的长短期记忆神经网络预测模型得到分层负荷的各负荷独立预测结果，将独立预测结果和步骤s302得到更新权重代入得到的改进在线协调预测模型中，求解出这一时刻的分层负荷在线预测结果，若需要继续进行在线预测，则返回重新开始，完成在线预测分层负荷。

28、进一步的，步骤s302中，随机梯度下降在线更新权重的规则为：

29、ωt+1＝max{0,ωt-ηj′t(yt-ft)}

30、

31、考虑使用指数平滑方法的权重更新为：

32、

33、

34、其中，j′为雅可比矩阵j的近似值，δωi为第i个值为δω，λ为遗忘因子，ωi,t+1为t+1时刻分层负荷中第i个负荷预测结果所添加调整大小的权重，ωi,t为t时刻分层负荷中第i个负荷预测结果所添加调整大小的权重，yi,t为分层负荷中t时刻第i个负荷的真实值，为分层负荷中t时刻第i个负荷的在线协调预测值。

35、第二方面，本发明实施例提供了一种基于预测协调的短期分层负荷在线预测系统，包括：

36、数据模块，获取分层负荷数据集；

37、训练模块，使用分层负荷数据集训练长短期记忆神经网络预测模型进行负荷预测，得到不考虑分层结构的短期负荷预测结果，根据短期负荷预测结果建立改进的在线协调预测模型，并选择对应的在线更新权重规则，通过网格搜索法对在线更新权重规则中的超参数进行寻优确定，使用寻优确定的在线更新权重规则离线训练改进的在线协调预测模型；

38、预测模块，在线更新改进的在线协调预测模型，依据最新的数据更新在线协调预测模型得到预测结果。

39、与现有技术相比，本发明至少具有以下有益效果：

40、一种基于预测协调的短期分层负荷在线预测方法，在电力系统对短期电力负荷预测的要求日益提高的背景下，提高分层负荷预测的预测精度，对电力系统在多水平、多层次下调度和规划电力负荷具有较大意义。通过考虑各预测问题的期望预测精度和实际预测精度，可以有效掌握各个预测问题的地位，充分发挥分层结构累加一致性的约束能力，同时采用在线学习的方式可以在几乎不增加计算成本的前提下，学习到负荷变化的特征信息，进一步提高分层负荷的预测精度。

41、进一步的，为更加简便地收集分层负荷数据，同时采用累加一致性的方式使用底层负荷数据得到中层和上层负荷数据时间序列避免了分层负荷数据异常的情况，省去了数据清洗的工作，更有利于后续的在线协调预测模型的训练求解。

42、进一步的，通过细化每一子步骤的工作可以更有条理地进行，分层负荷的在线协调预测方法首先需要得到分层负荷的独立预测结果才能进行，因此需要先试用长短期记忆神经网络预测模型得到基预测结果；再根据分层负荷结构构建考虑权重的协调优化模型，接下来需要考虑电力系统实时运行要求，依据时间复杂度要求确定在西安更新权重策略；最后使用分层负荷时间序列训练集得到在线更新权重规则。

43、进一步的，建立在线协调预测模型，使用基预测结果得到了考虑权重和分层特性的分层负荷预测结果，这种考虑权重的方法实际上是在调和优化中考虑了分层结构中不同预测问题的地位。在评判多个预测问题的地位时，我们往往考虑两个方面的因素：期望预测精度与实际预测精度。在不同的预测情境中，分层负荷中不同层之间的期望预测精度往往是不平衡的，同一层以内的实际预测精度也往往相差很大，因此分层负荷中的不同预测问题地位也是不同的。

44、进一步的，考虑了计算复杂度和实时运行预测要求之间矛盾所设计的，在不同的实时运行调度周期下，需要以时间复杂度为第一因素，预测精度为第二因素综合考虑选择合适的在线更新权重策略。

45、进一步的，使用网格搜索法确定在线更新权重规则中的超参数，完成最终的在线协调预测模型的训练过程，进而为后续的在线预测提供在线更新权重规则，得到在线分层负荷的预测结果。

46、进一步的，通过细化每一子步骤的工作，使得在线预测中可以更有条理的进行，需要不断地读取新的分层负荷数据，更新权重参数，进一步得到最新时刻的分层负荷预测结果。

47、可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

48、综上所述，本发明关注了具有分层结构的多负荷预测问题，针对保证累加一致性的分层优化问题展开了详细研究；首先考虑到分层负荷中预测问题的地位不同，提出了一种改进的调和优化模型，然后基于在线优化理论给出了在线梯度下降的权重更新规则和一种简化在线更新规则，将分层优化问题转化为一个在线预测问题；最终能够在满足分层负荷累加一致性的前提下，实现预测精度的稳定提升。

49、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。