技术领域
[0001] 本
发明涉及负荷预测技术领域，具体涉及一种基于深度神经网络的短期电力负荷预测方法及装置。
背景技术
[0002] 随着计算机科技、现代通信技术等不断发展，电力系统的规模也在不断的扩大，用户的电力需求也在随着日益增长。电力系统负荷预测是实现电力系统安全、经济运行的
基础。对一个电力系统而言，提高
电网运行的安全性和经济性，改善
电能质量，都依赖于准确的负荷预测。在短期负荷预测中，正确认识和分析影响负荷因素对负荷的影响一直是短期负荷预测的关键问题。目前短期电力系统负荷预测采用的方法有产值单耗法、指数平滑法和时间序列法。但是这些方法不仅需要大量细致的调研工作，且没有考虑到外部因素的影响，预测
精度比较低。
[0003] 因此，本领域需要提供一种计算速度快，且预测精度高的短期电力负荷预测方法。
发明内容
[0004] 针对
现有技术的不足，本发明提供一种基于深度神经网络的短期电力负荷预测方法，该方法计算速度快，预测精度高，可为自服务电网中的电力规划和调度决策提供准确的数据
支撑。
[0005] 本发明的目的是采用下述技术方案实现的：
[0006] 本发明提供一种基于深度神经网络的短期电力负荷预测方法，其改进之处在于，包括：
[0007] 获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；
[0008] 根据所述预测特征数据确定预测日中的预测时间的电力负荷。
[0009] 优选的，所述预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。
[0010] 优选的，所述根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：
[0011] 将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；
[0012] 其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。
[0013] 进一步的，所述预先建立的深度神经网络模型的建立过程包括：
[0014] 根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；
[0015] 将所述历史特征数据作为初始深度神经网络模型的
输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的
输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；
[0016] 若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；
[0017] 其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。
[0018] 进一步的，所述若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：
[0019] 将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；
[0020] 若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于
阈值，则训练后的深度神经网络模型满足收敛条件；
[0021] 将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。
[0022] 基于同一发明构思，本发明提供一种基于深度神经网络的短期电力负荷预测装置，其改进之处在于，包括：
[0023] 获取单元：获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；
[0024] 预测单元：述预测特征数据确定预测日中的预测时间的电力负荷。
[0025] 优选的，所述预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。
[0026] 优选的，根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：
[0027] 将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；
[0028] 其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。
[0029] 进一步的，所述预先建立的深度神经网络模型的建立过程包括：
[0030] 根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；
[0031] 将所述历史特征数据作为初始深度神经网络模型的输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；
[0032] 若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；
[0033] 其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。
[0034] 进一步的，所述若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：
[0035] 将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；
[0036] 若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于阈值，则训练后的深度神经网络模型满足收敛条件；
[0037] 将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。
[0038] 与最接近的现有技术相比，本发明具有的有益效果：
[0039] 本发明提供的一种基于深度神经网络的短期电力负荷预测方法及装置，根据预测日期、预测日期中的预测时间及其对应的天气数据确定预测特征数据；根据所述预测特征数据确定预测日中的预测时间的电力负荷；本发明利用神经网络获得预测时间的电力负荷，计算速度快，且考虑了影响负荷的外部因素，解决了短期电力负荷预测准确率不高的问题，可为自服务电网中的电力规划和调度决策提供准确的数据支撑。
附图说明
[0040] 图1是本发明短期电力负荷预测方法
流程图；
[0041] 图2是
实施例中电力台区未来5天的功率变化示意图；
[0042] 图3是本发明短期电力负荷预测装置示意图。
具体实施方式
[0043] 下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0044] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0045] 为解决自服务电网中，短期负载预测所面临的电力需求复杂性和季节性以及外部天气因素影响导致的预测准确率不高的问题，本发明提供一种基于深度神经网络的短期电力负荷预测方法，建立基于深度神经网络的短期负载
预测模型，研究考虑对多种不同层级的电力需求和外部天气因素进行建模，设计基于深度神经网络和
可视化技术的短期负载预测的应用。本
专利提出的短期负荷预测方法，计算速度快，预测精度高，能够很好地满足电网对电力负荷预测的需求并为自服务电网中的电力规划和调度决策提供借鉴，如图1所示，包括：
[0046] 获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；
[0047] 根据所述预测特征数据确定预测日中的预测时间的电力负荷。
[0048] 为了更加清楚的表明本发明的目的，下面结合具体的实施例对本发明的方法作进一步解释。
[0049] 在本发明的实施例中，预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。
[0050] 所述预测时间对应的天气数据包括降雨量等级和
温度值。
[0051] 在本发明的实施例中，根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：
[0052] 将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；
[0053] 其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。
[0054] 具体的，预先建立的深度神经网络模型的建立过程包括：
[0055] 根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；
[0056] 将所述历史特征数据作为初始深度神经网络模型的输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；
[0057] 若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；
[0058] 其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。
[0059] 本发明提供的最优实施例中，为了捕获外部条件影响及复杂的电力负载层级需求，可以基于下述训练方案建立所述预先建立的深度神经网络模型：
[0060] 首先将历史N天的电力功率数据和对应的外部天气数据进行数据预处理，去掉异常值与缺失值并进行归一化处理。然后使用一层深度神经网络将多种电力负载因式分解为隐藏空间的时序张量，同时通过另一层深度神经网络整合外部影响因素，即温度、降雨量等天气数据为另一张量，将上述二者作为上层深度神经网络的输入，进行
迭代训练。当网络达到收敛后，使用季节性平滑将参数矩阵扩展到N+Nf天的长度以便于训练未来功率。最后，通过使用训练好的模型并输入需要预测的天数的天气数据，输出预测结果并进行可视化展示。
[0061] 上述步骤中，季节性平滑用于扩展参数矩阵D并延长Nf天用于预测。对于季节平滑方法，本发明使用了Holt-Winters
算法。它能够结合给定的参数矩阵D，并捕获天级别的季节性。我们设置周期参数为7用于平滑以捕获周级别的季节性。最终得到新的参数矩阵。
[0062] 进一步的，若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：
[0063] 将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；
[0064] 若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于阈值，则训练后的深度神经网络模型满足收敛条件；
[0065] 将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。
[0066] 基于上述方案，根据已有的数据，通过神经网络训练出负荷预测模型，该模型可以实现短期的负荷预测效果，本发明在328天长度，133个
位置的数据上验证效果。结果表明，在RMSE，SMAPE，MAE，DTW等指标上均超越基线方法，具体效果如下表1所示。可以为电力公司的决策提供依据。对短期负荷进行预测后，结合可视化手段，可以观测出用户用电的趋势以及相关均值等衡量数字。
[0067] 表1模型效果对比
[0068]
[0069] 基于上述方案，本发明还提供了另一个实施例，选取某编号为26的电力台区，以本发明的步骤为例，进行更具体的描述。
[0070] 选取某编号为26的电力台区功率数据，时间跨度为328天，包含有功和
无功功率两种功率类型。外部天气因素同样为328天跨度，包含了温度和降雨量两种类型。然后将上述数据作为模型的输入，预测未来5天，即120小时内的功率变化情况。如下图2所示：
[0071] 通过图表可以清晰的知道视在功率极值出现在未来第81小时并达到170.82KW以及未来五天内视在功率、有功功率和无功功率的极值和平均值等参数。
[0072] 基于同一发明构思，本发明提供一种基于深度神经网络的短期电力负荷预测装置，如图3所示，包括：
[0073] 获取单元：获取预测日期、预测日期中的预测时间及其对应的天气数据的预测特征数据；
[0074] 预测单元：根据所述预测特征数据确定预测日中的预测时间的电力负荷。
[0075] 在本发明的实施例中，预测特征数据包括：预测日期的one-hot编码、预测时间的one-hot编码和预测时间对应的天气数据。
[0076] 在本发明的实施例中，根据所述预测特征数据确定预测日中的预测时间的电力负荷，包括：
[0077] 将所述预测特征数据作为预先建立的深度神经网络模型的输入，获取预先建立的深度神经网络模型的输出；
[0078] 其中，所述预先建立的深度神经网络模型的输出为预测日中的预测时间的电力负荷。
[0079] 具体的，预先建立的深度神经网络模型的建立过程包括：
[0080] 根据历史日期、历史日期中的历史时间及其对应的天气数据确定历史特征数据；
[0081] 将所述历史特征数据作为初始深度神经网络模型的输入层训练样本，历史特征数据对应的电力负荷作为初始深度神经网络模型的输出层训练样本，训练所述初始深度神经网络模型，获取训练后的深度神经网络模型；
[0082] 若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型；
[0083] 其中，所述历史特征数据包括：历史日期的one-hot编码、历史时间的one-hot编码和历史时间对应的天气数据。
[0084] 具体的，若训练后的深度神经网络模型满足收敛条件，则将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型，包括：
[0085] 将历史特征数据作为训练后的深度神经网络模型的输入，获取训练后的深度神经网络模型的输出；
[0086] 若训练后的深度神经网络模型的输出与历史特征数据对应的电力负荷间的误差小于阈值，则训练后的深度神经网络模型满足收敛条件；
[0087] 将所述训练后的深度神经网络模型作为所述预先建立的深度神经网络模型。
[0088] 综上所述，本发明提供的一种基于深度神经网络的短期电力负荷预测方法及装置，根据预测日期、预测日期中的预测时间及其对应的天气数据确定预测特征数据；根据所述预测特征数据确定预测日中的预测时间的电力负荷；本发明利用神经网络获得预测时间的电力负荷，计算速度快，且考虑了影响负荷的外部因素，解决了短期电力负荷预测准确率不高的问题，可为自服务电网中的电力规划和调度决策提供准确的数据支撑。
[0089] 本领域内的技术人员应明白，本
申请的实施例可提供为方法、系统、或
计算机程序产品。因此，本申请可采用完全
硬件实施例、完全
软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘
存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0090] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方
框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程
数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中
指定的功能的装置。
[0091] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0092] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0093] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行
修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的
权利要求保护范围之内。
