[發明專利]考慮微氣象與用戶模式的居民負荷概率預測深度學習方法

有效

• 申請號: 202010035713.7
• 申請日: 2020-01-14
• 公開（公告）號: CN111275571B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 程禮臨;臧海祥;衛志農;許瑞琦;孫國強
• 申請（專利權）人: 河海大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種考慮微氣象與用戶模式的居民負荷概率預測深度學習方法，該方法首先采集歷史用戶用電負荷和數值微氣象預報等相關數據構造二維多通道特征圖譜，作為深度學習模型輸入；其次搭建深層擠壓?激勵殘差卷積神經網絡模型，對居民用電負荷進行用戶用電負荷概率預測的初步預測；然后基于稀疏?冗余特性表征方法，提取用戶每日負荷曲線中的特征模式，對概率預測區間進行不確定性校正；最后，對日前居民負荷概率預測結果進行誤差分析。本發明結合了微氣象數據與用電模式構造新的樣本作為模型輸入，有效地結合了居民所處地區附近的大量微氣象站址的氣象預報數據，以實現高精度的日前用戶用電負荷預測。

技術領域

本發明屬于電力系統大數據分析技術，具體涉及一種考慮微氣象與用戶模式的居民負荷概率預測深度學習方法。

背景技術

負荷預測的目的是提前預測電力負荷需求，為電網調度和電力市場規劃提供有價值的指導。可靠而準確的預測結果有利于充分利用供電設備并降低能源損耗。根據預測對象的不同，負荷預測可以歸納為不同的類型，包括系統負荷預測、配電網負荷預測、居民負荷預測等。其中，居民負荷相比于其他等級負荷，通常具有更高的隨機性和波動性，因而其預測不確定更強，其預測精度提升難度較大。此外，居民用戶還可以通過調整用電時段或通過分布式光伏、電動汽車上網等方式向電網售電，從而在電力市場中發揮積極作用，這一情況使他們的負荷預測更具挑戰性。因此，本發明針對住宅用戶總用電負荷引進了一種新型的概率預測方法，并基于用戶用電模式識別方法，有效衡量其負荷不確定性的近似變化范圍，以為電力系統運營調度提供負荷分布的置信區間預測值。

傳統的統計預測方法、機器學習預測方法已在負荷預測領域得到了大量應用。這些模型通常建模簡單，因而在小樣本集預測任務中取得了較好的結果。然而，隨著預測精度需求的不斷提升，這些傳統模型也逐漸暴露了一些問題。對于統計預測方法，其往往只能處理最近的歷史負荷數據，不能夠處理影響負荷水平的其他相關因素，諸如氣象預報數據，適用于簡單的中長期預測。對于傳統機器學習預測方法，其通常具有兩個共同的缺點：一方面，它們都是基于整個訓練數據集進行訓練的，以便在一定的性能標準下獲得最優的結果；但在這種情況下，當面對大量數據集時，它們的訓練用時可能會急劇提高。另一方面，由于機器學習模型的特點，它們往往側重于分析輸入與輸出之間的關系，而忽略了輸入之間的依賴關系。但實際上，這些預測輸入，如歷史負荷序列中的數據點，是相互關聯的。

針對傳統預測方法的不足，深度學習技術在預測領域得到了發展，其基于人工神經網絡設計深層結構，包含更多可訓練參數，并具有更好的泛化能力。神經網絡中的小批量策略也防止了模型直接在整個數據集上的訓練問題。然而從當前研究現狀可以看出，在用戶負荷預測領域，如何搭建有效準確的深度學習模型仍然是一大難題；此外，目前針對構造深度學習模型預測輸入的研究數量也十分有限。因此，對于上述兩個方面問題，本發明提出了一種考慮微氣象于用戶模式的居民負荷概率預測深度學習方法，提供了新型的數據處理和構造樣本輸入的方法，并引入了能夠實現多通道分析的深度學習模型，有效地結合了居民所處地區附近的大量微氣象站址的氣象預報數據，以實現高精度的日前用戶用電負荷預測。

發明內容

發明目的：針對上述現有技術中居民用電負荷預測的不足問題，本發明提供一種考慮微氣象與用戶模式的居民負荷概率預測深度學習方法。

技術方案：一種考慮微氣象與用戶模式的居民負荷概率預測深度學習方法，包括以下步驟：

(1)采集歷史近一周的用戶用電負荷序列、待預測時刻的數值微氣象預報數據，結合待預測日所處星期、用戶編號和微氣象站數量，進行數據維度轉換融合，構造二維多通道特征圖譜，作為深度學習模型輸入；

(2)基于二維多通道特征圖譜輸入，構建深層擠壓-激勵殘差卷積神經網絡模型，對居民用電負荷進行點預測；

(3)根據點預測結果的誤差，進行分段核密度估計，得到居民用戶用電負荷概率預測的初步結果；