[發明專利]一種基于信息熵聚類和注意力機制的循環神經網絡短期負荷預測方法

在審

• 申請號: 201710848981.9
• 申請日: 2017-09-13
• 公開（公告）號: CN107590567A
• 公開（公告）日: 2018-01-16
• 發明（設計）人: 袁家斌;鄭慧婷
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;H02J3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及電網電力預測技術領域，尤其涉及一種基于特征信息熵聚類和注意力機制的循環神經網絡短期負荷預測方法。

背景技術

短期負荷預測在電力控制、安全、市場運作和電網合理調度計劃中都起到重要性作用。短期電力負荷預測主要用于預知未來幾小時，一天或者一周左右電力負荷使用情況。高精度的短期負荷預測有利于縮減電網運營經濟成本，電力系統設備調度與安全。由于電力負荷受各種因素的影響，在實際生產過程中很難實現高精度的負荷預測。

在已經主要應用的短期負荷預測模型中，主要分為傳統方法和人工智能方法。傳統方法是基于數學模型來構造的，包括多元線性回歸，隨機時間序列，指數平滑和基于先驗知識的方法。負荷預測是一個非線性問題，因此傳統方法較難實現高精度的預測。人工智能方法主要采用人工神經網絡，支持向量機，專家系統模型，模糊邏輯方法和貝葉斯神經網絡等方法。由于負荷受到眾多特征屬性以及未知因素的影響，沒有哪種方法能夠保證在所有情況下都能保證高精度的預測結果。

此外，隨著智能電表的普及和各自然因素、社會因素數據的不斷健全，如何從龐大的歷史數據中選取最有效的部分也成為研究的熱點。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于信息熵聚類和注意力(ATTENTION)機制的循環神經網絡短期負荷預測方法。

本發明的目的可以通過以下技術方案來實現：

一種基于信息熵聚類和注意力(ATTENTION)機制的循環神經網絡短期負荷預測方法，具體包括以下步驟：

步驟1：對電力負荷數據進行預處理，確定預測模型的輸入特征變量和輸出目標。xgboost 算法的輸入特征包括：季節、溫度(℃)、濕度(％)、風速(m/s)、降雨量、星期類型、法定節假日、日前負荷峰值、前七天的負荷平均、七天前負荷值、去年同時段負荷值；輸出目標為以上各特征對于負荷值得信息熵(重要度)；

步驟2：使用極端梯度提升算法(xgboost)計算影響電力負荷各輸入特征的信息熵，并歸一化各特征的信息熵，以適配聚類算法對數據的要求，將得到的m個特征的信息熵記為{w₁，w₂，...，w_m}；

步驟3：以各特征的信息熵作為重要性啟發信息構造基于特征權重的聚類，即樣本間距離采用加權歐氏距離衡量，調整聚類參數，使得聚類算法得到與要預測時間段負荷使用情況最相似的歷史日；

步驟4：依據距離預測時間由遠到近將相似的歷史日組成時間序列T；

步驟5：時間序列T作為ATTENTION循環神經網絡的編碼器(Encoder)輸入序列，訓練預測模型，編碼器的任務是轉換可變長度的輸入序列并將其編碼為固定長度向量，然后將其用作解碼器的輸入狀態。然后，解碼器產生長度為n的預測序列。在Encoder輸入相似歷史日的負荷值y＝{y₀，y₁，...，y_m-1}和特征向量f＝{f₀，f₁，...，f_m}。而注意力機制讓解碼器在每一步輸出時參與到預測輸出的不同部分。由模型Decoder部分預測負荷值實現短期負荷的高精度預測。為了提高預測精度，這里循環神經網絡用的是長短期記憶網絡 (LSTM)結構；

步驟6：判斷訓練模型是否收斂，如果尚未收斂則返回步驟5，否則由解碼器(Decoder) 獲得負荷預測結果。

與現有技術相比，本發明采用基于各特征信息熵的變權聚類算法對用電歷史數據進行聚類，最大程度上挖掘了預測日的用電規律，剔除了與預測日特征相似度較小的負荷曲線，通過選取聚類后與要預測時間段負荷使用情況最相似的歷史日進行預測模型訓練，可有效提高短期負荷預測的精度。

此外，本發明還采用了具有ATTENTION機制的LSTM循環神經網絡建立預測模型，能夠更有效的反應歷史數據的負荷曲線，從而進一步提高負荷預測精度。

附圖說明

圖1為本發明的流程圖；

圖2為基于注意力(ATTENTION)機制的循環神經網絡預測模型的流程圖。

具體實施方式

下面結合附圖對本發明進一步描述。以下實施例僅用于更加清楚地說明本發明的技術方案，而不能以此來限制本發明的保護范圍。

步驟1：數據預處理，確定輸入特征變量。