首页 / 专利分类库 / 发电、变电或配电 / 一种极端天气下电力负荷预测方法及系统

一种极端天气下负荷预测方法及系统

申请号 CN202311603637.5 申请日 2023-11-28 公开(公告)号 CN117955083A 公开(公告)日 2024-04-30
申请人 国网江苏省电力有限公司无锡供电分公司; 发明人 刘航; 陈志刚; 毛晓波; 邱辛泰; 周磊; 朱明成; 徐青山; 杨永标; 张赫祥;
摘要 一种极端天气下 电 力 负荷 预测方法,其特征在于,所述方法包括以下步骤:步骤1,采集极端天气数据、对应于所述极端天气数据的历史电力负荷数据,并对所述极端天气数据、所述历史电力负荷数据做归一化预处理;步骤2,通过频域分解 算法 从归一化后的所述历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于所述低频负荷分量、第一高频分量、第二高频分量、归一化后的所述极端的气数据构建输入矩阵;步骤3,将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
权利要求

1.一种极端天气下负荷预测方法,其特征在于,所述方法包括以下步骤:
步骤1,采集极端天气数据、对应于所述极端天气数据的历史电力负荷数据,并对所述极端天气数据、所述历史电力负荷数据做归一化预处理;
步骤2,通过频域分解算法从归一化后的所述历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于所述低频负荷分量、第一高频分量、第二高频分量、归一化后的所述极端的气数据构建输入矩阵;
步骤3,将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
2.根据权利要求1所述的一种极端天气下电力负荷预测方法,其特征在于:
所述频域分解算法采用多个关联的负荷分解函数对历史电力负荷数据进行积分变换;
所述积分变换为:
式中,f(t)为t时刻的所述历史电力负荷数据,
ψ(t)为所述多个关联的负荷分解函数。
3.根据权利要求2所述的一种极端天气下电力负荷预测方法,其特征在于:
所述负荷分解函数的频域表达为:
式中,N为分解层数,
N N
ak为分解系数,且有 F(x)为符合(1‑x)F(x)+xF(1‑x)=1条件的多
项式,且x=1+cosω。
4.根据权利要求3所述的一种极端天气下电力负荷预测方法,其特征在于:
N=2,且
‑jω ‑2jω
低频负荷分量的频率为0,第一高频分量的频率为e ,第二高频分量的频率为e ;
丢弃其余频率的分量后,利用所述低频负荷分量、第一高频分量、第二高频分量构建特征矩阵。
5.根据权利要求1所述的一种极端天气下电力负荷预测方法,其特征在于:
所述Stacked‑LSTM模型的训练方法为:
通过训练调整所述Stacked‑LSTM模型中超参数的取值;其中,
所述超参数为下述内容中的部分或全部:堆叠数量、LSTM架构,以及每一个LSTM架构中存储单元数、隐藏层数、权重初始化、激活函数、优化算法、学习率、迭代次数、批次大小、正则化方法。
6.根据权利要求5所述的一种极端天气下电力负荷预测方法,其特征在于:
所述训练包括:
为待训练超参数随机赋值,并构建待训练超参数向量作为训练模型的输入粒子;
在每次迭代过程中,将所述输入粒子按预设比例划分为第一类粒子、第二类粒子、第三类粒子和第四类粒子;
其中,所述第一类粒子利用第一位置更新公式迭代更新位置;
所述第二类粒子利用第二位置更新公式更新位置并新增所述第三类粒子;
所述第三类粒子在所述初始位置停留预设迭代次数后,先利用第三位置更新公式更新位置,再按预设比例转化为第一类粒子、第二类粒子和第四类粒子;
所述第四类粒子按照第四位置更新公式更新位置。
7.根据权利要求6所述的一种极端天气下电力负荷预测方法,其特征在于:
所述第一类粒子利用第一位置更新公式迭代更新位置,还包括:
式中,t′为迭代次数,
为第i个第一类粒子在第t′次迭代后的位置,
为种群最差位置,
α、b和k为位置更新参数。
8.根据权利要求7所述的一种极端天气下电力负荷预测方法,其特征在于:
所述第二类粒子利用第二位置更新公式更新位置并新增所述第三类粒子,还包括:
所述第二类粒子的更新位置、新增的所述第三类粒子的初始位置为:
式中, 为新粒子在所有粒子中的第i个在t′次迭代后的位置,
为当前种群的全局最优位置,
b1和b2为两个1×D的独立随机向量,D为自然数,
且有 其中,Ub和Lb为第二位置更新的上下界,R与迭代
次数正相关。
9.根据权利要求8所述的一种极端天气下电力负荷预测方法,其特征在于:
所述第三类粒子在所述初始位置停留预设迭代次数后,利用第三位置更新公式更新位置至:
式中,C1随机取值,且随机条件符合正态分布,
C2为1×D的随机向量,
且有第三位置更新的上下界 其中, 为当前种群
的局部最优位置。
10.根据权利要求9所述的一种极端天气下电力负荷预测方法,其特征在于:
所述第四类粒子按照第四位置更新公式更新位置,还包括:
所述第四位置更新公式为:
S为常数,
g为1×D的随机向量。
11.一种极端天气下电力负荷预测系统,其特征在于:
所述系统用于实现权利要求1‑10任一项所述极端天气下电力负荷预测方法的步骤;并且,
所述系统包括采集模、分解模块和输出模块;其中,
所述采集模块,用于采集极端天气数据、对应于所述极端天气数据的历史电力负荷数据,并对所述极端天气数据、所述历史电力负荷数据做归一化预处理;
所述分解模块,用于通过频域分解算法从归一化后的所述历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于所述低频负荷分量、第一高频分量、第二高频分量、归一化后的所述极端的气数据构建输入矩阵;
所述输出模块,用于将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
12.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1‑10任一项所述方法的步骤。
13.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1‑10任一项所述方法的步骤。

说明书全文

一种极端天气下负荷预测方法及系统

技术领域

[0001] 本发明涉及电力负荷预测领域,更具体的,涉及一种极端天气下电力负荷预测方法及系统。

背景技术

[0002] 极端天气能够导致电网遭受严重破坏。目前,吸取电网应急处理的经验和教训,在电网优化设计、电网运行控制、抗灾预防体制等方面累积的宝贵经验,使得电力系统具备了一定的抵御极端天气的能力。
[0003] 然而,随着全球气候变暖,极端天气气候事件的出现频率发生变化,呈现出增多增强的趋势。极端天气下的电力负荷精准预测是维护电网安全稳定的重要基础。当前,负荷预测方法主要包括以统计学模型为基础的传统预测方法、以机器学习模型为基础的智能预测方法,大多没有考虑到极端天气对负荷增长态势的影响。其中智能预测方法主要是通过BP神经网络、支持向量机随机森林方法等处理负荷预测中的非线性问题。由于负荷数据中存在大量噪声,单独的智能预测方法预测精度并不能满足实际需求。
[0004] 此外,现有的大部分预测方法对负荷数据中存在的大量噪声影响预测的情况并未作针对性处理,导致预测精度不够;同时,预测方法没有直接把天气因素作为影响因子进行考察,在极端天气下负荷预测失准。采用LSTM神经网络模型能够有效适配具备时间连续性的历史电力负荷数据和极端天气数据,但是LSTM神经网络模型训练中需要确定大量超参数,当前超参数的确定多通过人工经验选取或使用传统的粒子群优化算法、果蝇优化算法等实现寻优,仍然存在容易陷入局部最优解和收敛性差的问题。
[0005] 为此,亟需一种极端天气下电力负荷预测方法及系统。

发明内容

[0006] 为解决现有技术中存在的不足,本发明提供一种极端天气下电力负荷预测方法及系统,通过将历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,采用改进的粒子群优化算法对Stacked‑LSTM模型进行训练,以获取电力负荷预测结果。
[0007] 本发明采用如下的技术方案。
[0008] 本发明第一方面,涉及一种极端天气下电力负荷预测方法,方法包括以下步骤:步骤1,采集极端天气数据、对应于极端天气数据的历史电力负荷数据,并对极端天气数据、历史电力负荷数据做归一化预处理;步骤2,通过频域分解算法从归一化后的历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于低频负荷分量、第一高频分量、第二高频分量、归一化后的极端的气数据构建输入矩阵;步骤3,将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
[0009] 优选的,频域分解算法采用多个关联的负荷分解函数对历史电力负荷数据进行积分变换;积分变换为:
[0010]
[0011] 式中,f(t)为t时刻的历史电力负荷数据,ψ(t)为多个关联的负荷分解函数。
[0012] 优选的,负荷分解函数的频域表达为:
[0013]
[0014] 式中,N为分解层数,ak为分解系数,且有 F(x)为符合(1‑x)NFN
(x)+xF(1‑x)=1条件的多项式,且x=1+cosω。
[0015] 优选的,N=2,且 低频负荷分量的频率为0,第一高频分‑jω ‑2jω
量的频率为e ,第二高频分量的频率为e ;丢弃其余频率的分量后,利用低频负荷分量、第一高频分量、第二高频分量构建特征矩阵。
[0016] 优选的,Stacked‑LSTM模型的训练方法为:通过训练调整Stacked‑LSTM模型中超参数的取值;其中,超参数为下述内容中的部分或全部:堆叠数量、LSTM架构,以及每一个LSTM架构中存储单元数、隐藏层数、权重初始化、激活函数、优化算法、学习率、迭代次数、批次大小、正则化方法。
[0017] 优选的,训练包括:为待训练超参数随机赋值,并构建待训练超参数向量作为训练模型的输入粒子;在每次迭代过程中,将输入粒子按预设比例划分为第一类粒子、第二类粒子、第三类粒子和第四类粒子;其中,第一类粒子利用第一位置更新公式迭代更新位置;第二类粒子利用第二位置更新公式更新位置并新增所述第三类粒子;第三类粒子在所述初始位置停留预设迭代次数后,先利用第三位置更新公式更新位置,再按预设比例转化为第一类粒子、第二类粒子和第四类粒子;第四类粒子按照第四位置更新公式更新位置。
[0018] 优选的,第一类粒子利用第一位置更新公式迭代更新位置,还包括:
[0019]
[0020] 式中,t′为迭代次数,
[0021] 为第i个第一类粒子在第t′次迭代后的位置,
[0022] 为种群最差位置,
[0023] α、b和k为位置更新参数。
[0024] 优选的,第二类粒子利用第二位置更新公式更新位置并新增第三类粒子,还包括:第二类粒子的更新位置、新增的第三类粒子的初始位置为:
[0025]
[0026] 式中, 为新粒子在所有粒子中的第i个在t′次迭代后的位置,
[0027] 为当前种群的全局最优位置,
[0028] b1和b2为两个1×D的独立随机向量,D为自然数,
[0029] 且有 其中,Ub和Lb为第二位置更新的上下界,R与迭代次数正相关。
[0030] 优选的,第三类粒子在初始位置停留预设迭代次数后,利用第三位置更新公式更新位置至:
[0031]
[0032] 式中,C1随机取值,且随机条件符合正态分布,
[0033] C2为1×D的随机向量,
[0034] 且有第三位置更新的上下界 其中, 为当前种群的局部最优位置。
[0035] 优选的,第四类粒子按照第四位置更新公式更新位置,还包括:第四位置更新公式为:
[0036]
[0037] S为常数,
[0038] g为1×D的随机向量。
[0039] 本发明第二方面,涉及一种极端天气下电力负荷预测系统,系统用于实现本发明第一方面中所述的一种极端天气下电力负荷预测方法的步骤;并且,系统包括采集模、分解模块和输出模块;其中,采集模块,用于采集极端天气数据、对应于所述极端天气数据的历史电力负荷数据,并对所述极端天气数据、所述历史电力负荷数据做归一化预处理;分解模块,用于通过频域分解算法从归一化后的所述历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于所述低频负荷分量、第一高频分量、第二高频分量、归一化后的所述极端的气数据构建输入矩阵;输出模块,用于将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
[0040] 本发明第三方面,涉及一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。
[0041] 本发明第四方面,涉及计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面中方法的步骤。
[0042] 本发明的有益效果在于,与现有技术相比,本发明中的一种极端天气下电力负荷预测方法及系统,通过将历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,采用改进的粒子群优化算法对Stacked‑LSTM模型进行训练,以获取电力负荷预测结果。本发明有效可靠,能从历史电力负荷数据中准确提取极端天气特征,并采用改进的粒子群优化算法克服了局部最优和收敛慢的问题,确保了算法的精确度。附图说明
[0043] 图1为本发明一种极端天气下电力负荷预测方法的步骤示意图;
[0044] 图2为本发明一种极端天气下电力负荷预测系统的模块构造示意图。

具体实施方式

[0045] 为使本发明的目的、技术方案和优点更加清晰,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有做出创造性劳动的前提下,根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例,都应当属于本发明的保护范围。
[0046] 图1为本发明一种极端天气下电力负荷预测方法的步骤示意图。如图1所示,本发明第一方面,涉及一种极端天气下电力负荷预测方法,方法包括步骤1至步骤3。
[0047] 步骤1,采集极端天气数据、对应于极端天气数据的历史电力负荷数据,并对极端天气数据、历史电力负荷数据做归一化预处理。
[0048] 极端天气是对罕见的,且对人类社会和生态系统产生破坏的天气现象的统称。极端天气包括极端高温、极端低温,极端降、极端干旱、雹、强、龙卷风、雷暴、热带气旋等。极端天气可以按统计频率或观测值定义。在一个30年气候区间,日发生次数小于10%的天气现象可被定义为极端天气。若单次天气事件的观测指标,如气温、气压、风速等,超过给定的阈值,其也可被定义为极端天气。
[0049] 在本发明中,极端天气可能根据电力系统受各类气候因素的影响程度而确定。例如,某个电力系统区域中存在较大规模的风电场,则风速超标类型的极端天气可在该区域中重点考量,相应的采集指标也应相应下调。
[0050] 极端天气数据包括温度、湿度、降雨量、风速等天气因素。
[0051] 历史电力负荷数据可以以极端天气数据对应的时间为筛选条件。
[0052] 本预测方法可以将历史电力负荷数据和温度、湿度、降雨量、风速等天气因素做归一化预处理。
[0053] 步骤2,通过频域分解算法从归一化后的所述历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于低频负荷分量、第一高频分量、第二高频分量、归一化后的极端的气数据构建输入矩阵。
[0054] 优选的,频域分解算法采用多个关联的负荷分解函数对历史电力负荷数据进行积分变换;积分变换为:
[0055]
[0056] 式中,f(t)为t时刻的历史电力负荷数据,ψ(t)为多个关联的负荷分解函数。
[0057] 容易想到的,为了实现频域分解,可选用基本函数ψ(t),令
[0058]
[0059] 此时,a和b随需求调节不断变化,实际上能够获得一簇函数ψa,b(t)。可以看出ψa,b(t)是由ψ(t)做了伸缩平移后得到的表达式。
[0060] 通常考虑历史电力负荷数据f(t)为平方可积函数,那么有积分变换后的频域离散函数
[0061] 此时,负荷分解函数的频域表达为:
[0062]
[0063] 式中,N为分解层数,N N
[0064] ak为分解系数,且有 F(x)为符合(1‑x)F(x)+xF(1‑x)=1条件的多项式,且x=1+cosω。
[0065] 一实施例中,N=2,且 低频负荷分量的频率为0,第一高‑jω ‑2jω
频分量的频率为e ,第二高频分量的频率为e ;丢弃其余频率的分量后,利用所述低频负荷分量、第一高频分量、第二高频分量构建特征矩阵。
[0066] 由此,提取出由1个低频分量和2个高频分量组成的特征矩阵,并将其同归一化后的天气数据共同组成输入矩阵。
[0067] 步骤3,将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
[0068] LSTM是循环神经网络(Recurrent Neural Network,RNN)的一种,是为了解决长序列训练过程中的梯度消失和梯度爆炸问题,它可以有选择的对记忆细胞进行更新,相对于RNN来说,LSTM可以获取较早时间长距离数据的信息,可以在更长的序列中有更好的表现。
[0069] 堆栈式长短期记忆神经网络模型(Stacked‑LSTM)是基于原始LSTM模型的改进。针对电力负荷数据复杂度高的特征,为进一步提取数据间深层次的抽象特征,可增加LSTM模型中隐藏层数,在每个隐藏层中有更多记忆细胞。
[0070] 然而,由于堆栈式长短期记忆神经网络模型存在更多的运算单元,堆叠过程中需要的超参数也更加多样化,如何选用合适的LSTM模型来确保预测结果的准确是本发明中的重要问题。
[0071] Stacked‑LSTM模型的训练方法为:通过训练调整所述Stacked‑LSTM模型中超参数的取值;其中,超参数为下述内容中的部分或全部:堆叠数量、LSTM架构,以及每一个LSTM架构中存储单元数、隐藏层数、权重初始化、激活函数、优化算法、学习率、迭代次数、批次大小、正则化方法。
[0072] 训练包括:为待训练超参数随机赋值,并构建待训练超参数向量作为训练模型的输入粒子;在每次迭代过程中,将所述输入粒子按预设比例划分为第一类粒子、第二类粒子、第三类粒子和第四类粒子;其中,第一类粒子利用第一位置更新公式迭代更新位置;第二类粒子利用第二位置更新公式更新位置并新增所述第三类粒子;第三类粒子在所述初始位置停留预设迭代次数后,先利用第三位置更新公式更新位置,再按预设比例转化为第一类粒子、第二类粒子和第四类粒子;第四类粒子按照第四位置更新公式更新位置。
[0073] 第一类粒子利用第一位置更新公式迭代更新位置,还包括:
[0074]
[0075] 式中,t′为迭代次数,
[0076] 为第i个第一类粒子在第t′次迭代后的位置,
[0077] 为种群最差位置,
[0078] α、b和k为位置更新参数。其中k为一常值,代表偏转系数。b是(0,1)之间一常数。α是赋值为‑1或1的自然系数,‑1表示偏离原方向,1表示无偏差。
[0079] 此外,若第一类粒子迭代时遇到障碍物时,会重新确定前进的方向,此时位置更新公式为:
[0080]
[0081] θ为位置更新方向,在0~π之间,当tan(θ)为0或无意义时,位置不更新。
[0082] 第二类粒子利用第二位置更新公式更新位置并新增所述第三类粒子,还包括:第二类粒子的更新位置、新增的所述第三类粒子的初始位置为:
[0083]
[0084] 式中, 为新粒子在所有粒子中的第i个在t′次迭代后的位置,
[0085] 为当前种群的全局最优位置,
[0086] b1和b2为两个1×D的独立随机向量,D为自然数,
[0087] 且有 其中,Ub和Lb为第二位置更新的上下界,R与迭代次数正相关。具体的, T为最大迭代次数。
[0088] 第三类粒子在所述初始位置停留预设迭代次数后,利用第三位置更新公式更新位置至:
[0089]
[0090] 式中,C1随机取值,且随机条件符合正态分布,
[0091] C2为1×D的随机向量,
[0092] 且有第三位置更新的上下界 其中, 为当前种群的局部最优位置。
[0093] 第四类粒子按照第四位置更新公式更新位置,还包括:
[0094] 所述第四位置更新公式为:
[0095]
[0096] S为常数,
[0097] g为1×D的随机向量。
[0098] 本发明一实施例中,四类粒子的划分比例为6:6:7:11。
[0099] 通过上述训练,方法合理的加深了神经网络层数,增加了输入矩阵随时间的抽象级别,在预测电力负荷增长这类复杂问题时有更好的准确性。
[0100] 本发明第二方面,涉及一种极端天气下电力负荷预测系统,系统用于实现本发明第一方面极端天气下电力负荷预测方法的步骤;并且,系统包括采集模块、分解模块和输出模块;其中,采集模块,用于采集极端天气数据、对应于所述极端天气数据的历史电力负荷数据,并对所述极端天气数据、所述历史电力负荷数据做归一化预处理;分解模块,用于通过频域分解算法从归一化后的所述历史电力负荷数据划分出低频负荷分量、第一高频分量和第二高频分量,并基于所述低频负荷分量、第一高频分量、第二高频分量、归一化后的所述极端的气数据构建输入矩阵;输出模块,用于将输入矩阵输入至训练后的Stacked‑LSTM模型中,输出电力负荷预测结果。
[0101] 本发明第三方面,涉及一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据指令进行操作以执行本发明第一方面方法的步骤。
[0102] 本发明第四方面,涉及计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明第一方面方法的步骤。
[0103] 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。
QQ群二维码
意见反馈