一种电力系统区域负荷的组合预测方法、装置和存储介质与流程

本发明涉及电力系统区域负荷预测，特别是涉及一种电力系统区域负荷的组合预测方法、装置和存储介质。

背景技术：

1、短期负荷预测技术可以预测未来数小时到数周的负荷变化。传统的预测方法多采用时间序列预测模型、回归分析、灰色模型等。随着“智能电网”的不断建设，智能检测设备大量投入应用到电网中，涌现出海量、高维度的电力数据，传统的预测手段难以适用于复杂数据的预测分析。人工智能的到来，支持向量机、bp神经网络、深度学习等预测方法显现出了极大的优势，但采用单一的预测模型有一定的局限性，具有预测精度和效率低下的问题。

技术实现思路

1、本发明的目的是提供一种电力系统区域负荷的组合预测方法、装置和存储介质，可对电力系统区域范围负荷进行短期单步预测和多步预测，且能够得到更加高效、精度更高的预测效果。

2、为实现上述目的，本发明提供了如下方案：

3、一种电力系统区域负荷的组合预测方法，包括：

4、获取区域负荷数据，对所述区域负荷数据进行预处理；

5、构建预测模型，基于预处理后的区域负荷数据对所述预测模型进行训练和测试，获取最终预测模型；

6、利用所述最终预测模型对区域负荷进行预测，获得区域负荷预测结果；

7、对所述区域负荷预测结果进行特征格式还原，获取所述区域负荷的预测值，以完成对电力系统区域负荷的组合预测。

8、可选地，获取所述区域负荷数据，进一步包括：

9、获取变电站管辖区域范围内的负荷量，所述负荷量为所述变电站所连最高电压等级线路的有功功率。

10、可选地，对所述区域负荷数据进行预处理，进一步包括：

11、对所述区域负荷数据进行数据筛选、数据归一化和数据划分；所述数据筛选用于去除所述区域负荷数据中的异常值，并根据时间顺序将所述区域负荷数据进行排序；所述数据归一化用于对所述区域负荷数据进行线性变换，将其结果映射到预设区间之内；所述数据划分用于将归一化后的所述区域负荷数据依据设定的输入、输出步长建立输入数据、输出数据对应关系，并将所述区域负荷数据划分为训练集和数据集。

12、可选地，构建所述预测模型包括：基于卷积神经网络和长短期记忆网络构建cnn-lstm组合预测模型；

13、所述cnn-lstm组合预测模型包括：cnn时空耦合学习层、lstm长时序特征学习层和dnn组合输出层，所述cnn时空耦合学习层用于提取所述区域负荷数据的空间耦合特征与短期时序特征，所述lstm长时序特征学习层用于学习所述区域负荷数据的长时间序列特征，所述dnn组合输出层用于输出所述cnn-lstm组合预测模型的预测结果。

14、可选地，所述cnn时空耦合学习层包括：一维卷积层和第一全连接层，所述一维卷积层的卷积核大小为ω*n，其中，ω为所述卷积核的设定长度，用于提取所述短期时序特征，n为特征维度，用于捕获各特征量间的约束关系，所述卷积核对二维输入数据进行卷积操作的公式为：

15、

16、式中，(x,y)为二维输入数据的空间坐标，ω*n为卷积核大小，v为二维输入数据的值，b为偏差，a为卷积核中对应位置上的值；

17、所述一维卷积层输出x个特征向量，将所述特征向量展平为张量，由所述第一全连接层输出，在所述第一全连接层前加入relu激活函数，所述relu激活函数的公式为：

18、

19、式中，f(x)为输入相应，c为预定值，x为输入值，e为自然常数。

20、可选地，所述lstm长时序特征学习层包括：双向lstm层和第二全连接层，所述双向lstm层包括两个方向相反的单向lstm层，所述双向lstm层用于训练向前序列与向后序列；将所述双向lstm层的输出结果作为所述第二全连接层的输入，所述第二全连接层用于整合网络输出的前向预测和后向预测结果。

21、可选地，所述单向lstm层由lstm神经元构成，所述lstm神经元包括：遗忘门、输入门、输出门、记忆单元，所述单向lstm层用于选择性地遗忘历史信息和保留新的信息，建立序列长期依赖关系；

22、所述lstm神经元的计算过程包括：若输入时序向量为x＝{x1,x2,…,xt-1,xt}，递归隐藏层按时间t＝1～t依次计算所述遗忘门、输入门、输出门、记忆单元的激活值，所述递归隐藏层包含多个所述lstm神经元，对应时间t的计算公式如下：

23、遗忘门：

24、ft＝σ(wfxxt+wfhht-1+bf)

25、输入门：

26、at＝σ(wixxt+wihht-1+bi)

27、bt＝tanh(wixxt+wihht-1+bi)

28、输出门：

29、ot＝σ(woxxt+wohht-1+bo)

30、记忆单元：

31、ct＝ft×ct-1+at×bt

32、递归隐藏层：

33、ht＝ot×tanh(ct)

34、式中，ft为遗忘门的激活值，at和bt分别为输入门两个的激活值，ot为输出门的激活值，ct为记忆单元的激活值，ht为递归隐藏层的输出，wf、wi、wo表示各个门权重，bf、bi、bo表示偏置，σ表示sigmod函数，tanh表示双曲正切函数，xt为t时刻的输入值，ht-1为前一时刻隐藏层的激活值，ct-1为前一时刻记忆单元的激活值。

35、可选地，所述dnn组合输出层包括：第三全连接层和relu激活函数，所述第三全连接层包含三层，用于组合、处理所述cnn时空耦合学习层和所述lstm长时序特征学习层的特征输出；所述relu激活函数加入到所述第三全连接层中，用于提高所述cnn-lstm组合预测模型的性能，捕捉数据中的非线性关系。

36、可选地，基于预处理后的区域负荷数据对所述预测模型进行训练和测试包括：

37、基于所述预处理后的区域负荷数据构建数据集，将所述数据集分为训练集和测试集；

38、通过所述训练集的输入、输出对应关系调整模型参数的权值和偏置，以batch_size进行训练，利用均方差计算理论输出与预测输出的损失值，计算所述损失值的公式为：

39、

40、式中，loss为一个batch_size的损失值，xi为第i个训练数据的理论输出，为第i个训练数据的预测输出；

41、当所述损失值低于设定阈值，进入模型测试，所述模型测试包括：将所述测试集输入所述模型进行测试，输出预测值，计算所述预测值和真实值之间的均方根误差作为所述模型的评价指标，计算所述预测值和真实值之间的均方根误差的公式为：

42、

43、式中，m为测试集数据个数，m为自然数；yi和分别为第i个测试数据的真实值和预测值。

44、可选地，对所述区域负荷预测结果进行特征格式还原，获取所述区域负荷的预测值包括：

45、所述特征格式还原包括特征位置格式还原与特征形式格式还原；

46、通过所述特征位置格式还原将一维向量转化为步长×特征的二维格式；所述一维向量通过多步预测直接输出法将所述区域负荷预测结果的各步长特征拉平组合而成；

47、通过所述特征形式格式还原对经过特征位置格式还原后的区域负荷预测结果进行反归一化，获取所述区域负荷的预测值。

48、为进一步实现上述目的，本发明还提供了一种电力系统区域负荷的组合预测装置，包括

49、数据获取模块，用于获取区域负荷数据，并对所述区域负荷数据进行预处理；

50、模型构建模块，用于构建预测模型，并基于预处理后的区域负荷数据对所述预测模型进行训练和测试，获取最终预测模型；

51、负荷预测模块，用于利用所述最终预测模型对区域负荷进行预测，获得区域负荷预测结果，并对所述区域负荷预测结果进行特征格式还原，获取所述区域负荷的预测值。

52、为进一步实现上述目的，本发明还提供了一种存储介质，包括程序指令，所述程序指令运行时控制所述存储介质所在设备执行电力系统区域负荷的组合预测方法。

53、为进一步实现上述目的，本发明还提供了一种电子设备，包括存储器，用于存储程序指令；处理器，用于执行所述存储器中的所述程序指令，以实现电力系统区域负荷的组合预测方法。

54、本发明的有益效果为：

55、本发明通过构建cnn-lstm组合预测模型，利用cnn与lstm学习层分别同步获取数据的空间耦合特征、短期时序特征以及长期时序特征，克服了单一模型存在的局限性，有效提高了预测精度和效率；多步预测结果采用直接输出法，有效避免了因滚动预测造成的累计误差；与现有的单一预测模型、其他组合方式的预测模型相比，本发明具有更加好的预测效果、更高的时间优越性。