[發明專利]一種基于時域卷積神經網絡的用戶側負荷概率預測方法

在審

• 申請號: 202011308724.4
• 申請日: 2020-11-20
• 公開（公告）號: CN112396234A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 原凱;宋毅;陳浩然;張真源;孫充勃;潘爾生;郭銘群;吳志力;姜世公;李敬如;楊衛紅;靳夏寧;胡丹蕾
• 申請（專利權）人: 國網經濟技術研究院有限公司;電子科技大學;國網天津市電力公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

本發明公開了一種基于時域卷積神經網絡的用戶側負荷概率預測方法，先采集用戶的歷史負荷數據以及對應時間范圍內的天氣類型和溫度值，然后進行預處理，以滿足時域卷積神經網絡的輸入需求；然后構建基于時域卷積神經網絡作為負荷概率預測模型，通過模型訓練使時域卷積神經網絡能夠精準預測負荷概率；最后對用戶實時采集的負荷數據進行預測。

技術領域

本發明屬于電力負荷預測技術領域，更為具體地講，涉及一種基于時域卷積神經網絡的用戶側負荷概率預測方法。

背景技術

隨著先進的計量基礎設施在現代電力系統中的廣泛應用，用戶端精細的負荷曲線和個人用電行為已經可以被很容易的獲取。然而，爆發性增長的數據超過了傳統負荷預測系統的能力，具體來講，大量的數據即使能夠被收集起來，卻沒能被有效分析和利用。近年來，隨著人工智能(AI)技術的發展，豐富細粒度的用電數據得以被處理分析，并加以利用。單個用戶的負荷預測為電力公司提供了精細化管理電網的機會，從而在電力零售市場上實現更好的決策。

為了更好地分析大批量的家庭用電負荷數據，并得到準確的負荷預測結果，目前有許多基于機器學習的負荷預測方法，這些方法可以依據機器學習的發展階段分為兩類，第一類是基于支持向量機，自回歸綜合移動平均法(ARIMA)，聚類法(clustering-basedapproach)等的傳統機器學習方法。第二類是基于遞歸神經網絡(RNN)和卷積神經網絡(CNN)，以及在此基礎上衍生出來的深度學習方法。

然而，第一類方法中，模型往往需要來自于人類經驗的復雜的特征工程，這不僅帶來了大量的工作量，也導致了預測模型的泛化性較差。而第二類方法與傳統的機器學習方法不同，深度學習方法具有高度靈活的架構，可以直接從原始數據中學習特征，并能提高其預測精度。但是，現有的基于RNN和CNN的個人用戶短期負荷預測方法存在模型結構性缺陷，難以應對嚴峻的現實挑戰：面對海量負荷數據的高頻模型訓練和在線更新，預測模型最基本的需求是盡可能的可靠，同時進行高效計算。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于時域卷積神經網絡的用戶側負荷概率預測方法，基于時域卷積神經網絡的負荷概率預測模型實現用戶負荷數據的概率預測。

為實現上述發明目的，本發明一種基于時域卷積神經網絡的用戶側負荷概率預測方法，其特征在于，包括以下步驟：

(1)、數據采集及預處理

(1.1)、采集歷史負荷、溫度和天氣數據

在一定時間范圍內按照固定周期采集用戶的有功功率作為歷史負荷數據X_load，同時采集對應時間范圍內的天氣類型X_weather和溫度值X_temperature，然后將天氣和溫度數據處理為與歷史負荷數據頻率相同的數據樣本X＝(X_weather,X_temperature,X_load)；

(1.2)、數據樣本清洗

對數據樣本X進行數據清洗，利用缺失值替換數據樣本中的異常值，然后在缺失值處進行鄰近插值處理，得到完整的數據樣本X′＝(X_weather′,X_temperature′,X_load′)；

(1.3)、Z-score標準化

對完整的數據樣本進行標準化處理，得到標準數據樣本X″＝(X_weather″,X_temperature″,X_load″)，Z-score標準化公式如下：

其中，x*為標準值，x為處理前的數據樣本值，μ為數據樣本的平均值，σ為數據樣本的標準偏差；