[發(fā)明專利]基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法及預(yù)測系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211032646.9
• 申請日: 2022-08-26
• 公開（公告）號: CN115358473A
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 胡博;王義賀;劉育博;楊超;何金松;趙桓萱;徐建鐵;張戈;劉碧琦;張皓翔;齊俊
• 申請（專利權(quán)）人: 國網(wǎng)遼寧省電力有限公司;國網(wǎng)遼寧省電力有限公司信息通信分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽維特專利商標(biāo)事務(wù)所(普通合伙) 21229
• 代理人: 李丹

本發(fā)明公開了一種基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法及預(yù)測系統(tǒng)，首先，采集負(fù)荷電力用戶的歷史日負(fù)荷數(shù)據(jù)的原始樣本集，之后，利用所述原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測樣本集，接著，對所述預(yù)測樣本集進(jìn)行特征提取及特征選擇，最后，根據(jù)選擇的特征對所有負(fù)荷電力用戶進(jìn)行負(fù)荷數(shù)據(jù)聚類，得到聚類分類，并利用與所述聚類分類對應(yīng)的負(fù)荷預(yù)測模型預(yù)測負(fù)荷電力用戶的電力負(fù)荷，得到預(yù)測結(jié)果。該預(yù)測方法及預(yù)測系統(tǒng)與受外界氣象、自身特性、樣本數(shù)量限制以及節(jié)假日調(diào)休方案等因素影響的傳統(tǒng)預(yù)測方法相比，在預(yù)測準(zhǔn)確性上可以達(dá)到很好的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及電力負(fù)荷預(yù)測技術(shù)領(lǐng)域，特別提供了一種基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法及預(yù)測系統(tǒng)。

背景技術(shù)

電力行業(yè)的建設(shè)和發(fā)展對社會(huì)具有非常重要的影響，如今各行各業(yè)的發(fā)展幾乎都離不開電能。為了支撐國家快速發(fā)展，電力系統(tǒng)的運(yùn)行必須要足夠的穩(wěn)定、高效、可靠。從電力系統(tǒng)的運(yùn)行特點(diǎn)進(jìn)行分析，主要有如下幾個(gè)方面：其一，電力能源難以大量儲(chǔ)存，需要即發(fā)即用，從發(fā)電、輸送電到用電的整個(gè)過程都是同步進(jìn)行的；其二，用電需求可能是突發(fā)性的，電力系統(tǒng)需要短時(shí)間內(nèi)對突然增長或者降低的用電需求進(jìn)行及時(shí)的反應(yīng)。

因此，為了確保電力系統(tǒng)高效平穩(wěn)運(yùn)行，合理的供電方案和調(diào)度計(jì)劃是不可或缺的，精準(zhǔn)的電力負(fù)荷預(yù)測可為此提供重要的參考。然而，負(fù)荷由于受外界氣象、負(fù)荷自身特性、節(jié)假日調(diào)休政策、歷史樣本集少等諸多因素的影響，呈現(xiàn)出固有的不確定性和波動(dòng)性，若是直接套用波動(dòng)較小的預(yù)測模型，其預(yù)測精度有明顯惡化的趨勢。

發(fā)明內(nèi)容

鑒于此，本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法及預(yù)測系統(tǒng)，以解決現(xiàn)有負(fù)荷預(yù)測方法預(yù)測精度不理想的問題。

本發(fā)明提供了一種基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法，包括如下步驟：

獲取待預(yù)測負(fù)荷電力用戶的歷史日負(fù)荷數(shù)據(jù)的原始樣本集；

利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對所述原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測樣本集；

對所述預(yù)測樣本集進(jìn)行特征提取；

根據(jù)提取出來的特征與負(fù)荷的相關(guān)性進(jìn)行特征選擇；

根據(jù)選擇的特征對所有負(fù)荷電力用戶進(jìn)行負(fù)荷數(shù)據(jù)聚類，得到聚類分類，并利用與所述聚類分類對應(yīng)的負(fù)荷預(yù)測模型預(yù)測負(fù)荷電力用戶的電力負(fù)荷。

優(yōu)選，利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對原始樣本集進(jìn)行樣本增強(qiáng)前，還包括對所述歷史日負(fù)荷數(shù)據(jù)的原始樣本集中的異常數(shù)據(jù)進(jìn)行異常值修正的步驟。

進(jìn)一步優(yōu)選，利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測樣本集具體包括如下步驟：

初始化深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN的生成器和判別器，其中，所述生成器為用于學(xué)習(xí)數(shù)據(jù)樣本的分布規(guī)律產(chǎn)生新的樣本數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，所述判別器為用于判斷輸入數(shù)據(jù)是否為真實(shí)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)；

利用初始化后的生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)交替訓(xùn)練，實(shí)現(xiàn)樣本增強(qiáng)。

進(jìn)一步優(yōu)選，對預(yù)測樣本集進(jìn)行特征提取時(shí)，考慮影響負(fù)荷的多種因素，其中，所述因素包括下述中的至少一種：外界氣象、負(fù)荷自身特性、節(jié)假日調(diào)休政策。

進(jìn)一步優(yōu)選，利用與所述聚類分類對應(yīng)的負(fù)荷預(yù)測模型預(yù)測負(fù)荷電力用戶的電力負(fù)荷具體為：將同一類的負(fù)荷電力用戶的負(fù)荷數(shù)據(jù)疊加在一起，輸入到與該類對應(yīng)的負(fù)荷預(yù)測模型中，得到該類負(fù)荷電力用戶的負(fù)荷預(yù)測結(jié)果。

本發(fā)明還提供了一種基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測系統(tǒng)，其特征在于，包括：

數(shù)據(jù)獲取及處理模塊：用于獲取待預(yù)測負(fù)荷電力用戶的歷史日負(fù)荷數(shù)據(jù)的原始樣本集；

樣本增強(qiáng)模塊：用于利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型GAN對所述原始樣本集進(jìn)行樣本增強(qiáng)，得到預(yù)測樣本集；