一种基于信息融合的负荷预测方法及相关装置与流程

1.本技术涉及负荷预测技术领域，尤其涉及一种基于信息融合的负荷预测方法及相关装置。


背景技术：

2.短期负荷预测是实现电力系统安全经济运行和科学管理的基础，预测误差大小直接关系电网后续安全校核分析，所以，负荷预测对电网态势感知、负荷调度和配电网抢修等具有重要意义。目前短期负荷预测主要方法分为两类：基于人工智能方法和基于统计学方法。其中统计学方法包括：线性回归、自回归和多元线性回归等，该方法具有较好的稳定性，但是处理数据规模较小，对于原始数据要求高，难以适用于当前海量数据涌现情况。基于人工智能方法包括：人工神经网络、灰色关联算法、仿生学智能算法等，该类方法预测模型是在复杂的理论基础上构建的，因此模型中某些参数或权值选择将影响算法稳定性。
3.目前的方法研究重点均在于数据处理方面，即负荷数据层面，但是，负荷的波动受环境影响较大，例如，天气和假期等因素。而且，人工智能方法中的模型一定程度上缺乏细节优化，无法确保预测模型的稳定可靠性。


技术实现要素：

4.本技术提供了一种基于信息融合的负荷预测方法及相关装置，用于解决现有负荷预测方法缺乏对文本信息的研究以及对预测模型的细节优化，导致负荷预测结果缺乏准确性和可靠性的技术问题。
5.有鉴于此，本技术第一方面提供了一种基于信息融合的负荷预测方法，包括：
6.在配电网自动化系统中获取负荷数据和文本信息，所述文本信息包括假期、生产周期、检修计划和抢修任务；
7.基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征；
8.基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征；
9.将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，所述预置预测网络模型包括cnn层、lstm层和预置残余连接结构。
10.优选地，所述基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征，包括：
11.基于因式分解算法将所述负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；
12.基于并行分支计算方法将所述负荷矩阵分别进行特征挖掘计算，得到分支特征；
13.将所有的所述分支特征进行整合，得到初始数据特征。
14.优选地，所述基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征，包括：
15.将所述文本信息映射为文本离散值；
16.基于热编码算法将所述文本离散值扩展到欧式空间，得到文本矢量特征。
17.优选地，所述将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，之前还包括：
18.基于cnn网络、lstm网络和预置残余连接结构构建初始预测网络模型；
19.在所述初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。
20.本技术第二方面提供了一种基于信息融合的负荷预测装置，包括：
21.信息获取模块，用于在配电网自动化系统中获取负荷数据和文本信息，所述文本信息包括假期、生产周期、检修计划和抢修任务；
22.特征计算模块，用于基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征；
23.特征转换模块，用于基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征；
24.负荷预测模块，用于将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，所述预置预测网络模型包括cnn层、lstm层和预置残余连接结构。
25.优选地，所述特征计算模块，具体用于：
26.基于因式分解算法将所述负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；
27.基于并行分支计算方法将所述负荷矩阵分别进行特征挖掘计算，得到分支特征；
28.将所有的所述分支特征进行整合，得到初始数据特征。
29.优选地，所述特征转换模块，具体用于：
30.将所述文本信息映射为文本离散值；
31.基于热编码算法将所述文本离散值扩展到欧式空间，得到文本矢量特征。
32.优选地，还包括：
33.模型构建模块，用于基于cnn网络、lstm网络和预置残余连接结构构建初始预测网络模型；
34.模型优化模块，用于在所述初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。
35.本技术第三方面提供了一种基于信息融合的负荷预测设备，所述设备包括处理器以及存储器；
36.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
37.所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于信息融合的负荷预测方法。
38.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于信息融合的负荷预测方法。
39.从以上技术方案可以看出，本技术实施例具有以下优点：
40.本技术中，提供了一种基于信息融合的负荷预测方法，包括：在配电网自动化系统中获取负荷数据和文本信息，文本信息包括假期、生产周期、检修计划和抢修任务；基于因
式分解算法和并行分支计算方法对负荷数据进行特征计算，得到初始数据特征；基于热编码算法对文本信息进行矢量化转换，得到文本矢量特征；将初始数据特征和文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，预置预测网络模型包括cnn层、lstm层和预置残余连接结构。
41.本技术提供的基于信息融合的负荷预测方法，同时考虑负荷数据和负荷预测相关的文本信息，例如假期、生产周期等；从影响预测结果的环境因素进行分析，确保预测结果更加符合实际情况，更准确可靠；而预置预测网络模型中不仅有用于数据特征分析的cnn层，用于文本信息的时序分析的lstm层，还增加预置残余连接结构进行模型优化，使得模型更具有针对性，进而使负荷预测结果的可靠性有双重保障。因此，本技术能够解决现有负荷预测方法缺乏对文本信息的研究以及对预测模型的细节优化，导致负荷预测结果缺乏准确性和可靠性的技术问题。
附图说明
42.图1为本技术实施例提供的一种基于信息融合的负荷预测方法的流程示意图；
43.图2为本技术实施例提供的一种基于信息融合的负荷预测装置的结构示意图；
44.图3为本技术实施例提供的负荷数据初始挖掘流程示意图；
45.图4为本技术实施例提供的预置预测网络模型结构示意图；
46.图5为本技术实施例提供的lstm网络改进结构示意图。
具体实施方式
47.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.为了便于理解，请参阅图1，本技术提供的一种基于信息融合的负荷预测方法的实施例，包括：
49.步骤101、在配电网自动化系统中获取负荷数据和文本信息，文本信息包括假期、生产周期、检修计划和抢修任务。
50.从配电网自动化系统中获取负荷数据和文本信息的时候需要注意，不同类型的数据获取过程中要保持数据维度相同，所有的信息均有记录时间，便于后续的研究分析。
51.负荷数据一般包括：历史负荷、当前负荷、电价、潮流、气象数据等数据，文本信息包括：假期、生产周期、检修计划和抢修任务等信息，具体的还可以根据实际情况追加其他类型的数据，具体不作限定。
52.步骤102、基于因式分解算法和并行分支计算方法对负荷数据进行特征计算，得到初始数据特征。
53.进一步地，步骤102，包括：
54.基于因式分解算法将负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；
55.基于并行分支计算方法将负荷矩阵分别进行特征挖掘计算，得到分支特征；
56.将所有的分支特征进行整合，得到初始数据特征。
57.为了使初始数据特征输入模型后能够保持模型寻优梯度和速率，在此采用因式分解算法和并行分支计算方法对负荷数据进行初始化特征挖掘处理。因式分解是基于矩阵分解思想的处理操作，可以将大维数特征向量嵌入到低维数向量空间，减少了数据与模型的复杂性，可有效提高预测准确性。并行分支计算方法指的是将分解后的空间向量分别挖掘特征信息过程。
58.请参阅图3，负荷数据可以被因式分解为三组不同的子数据，这些子数据的数据形式是矩阵，分解后可以适当进行矩阵填充，保持矩阵形式一致；因式分解的过程随机，只要保证矩阵叠加后的信息与初始的负荷数据一致即可。三组子数据采用不同的核进行计算，挖掘出负荷数据不同层面的特征，即分支特征。根据叠加集成策略将并行的分支特征进行综合考虑，得到初始数据特征；一般情况下，可以采用拼接的方式进行整合，具体的也可以根据需要进行设计。
59.步骤103、基于热编码算法对文本信息进行矢量化转换，得到文本矢量特征。
60.进一步地，步骤103，包括：
61.将文本信息映射为文本离散值；
62.基于热编码算法将文本离散值扩展到欧式空间，得到文本矢量特征。
63.由于文本信息包含的信息量往往不在一个维度上，所以与数字信息较难融合在一起进行负荷预测分析。本实施例基于热编码算法对文本信息进行矢量化表达，将文本信息与数字信息统一到一个具体层面上，也便于后续的模型预测操作。而且，热编码方法既考虑了区分效果又考虑了计算量，具有良好特性。
64.本实施例列举一例，若文本信息为节假日，那么实际上设备的节假日文本信息可以表示为d
type
＝{工作日，周末，节假日，
……
}，对应的热编码算法的矢量化过程为：
[0065][0066]
其中，len(d
type
)表示矩阵d
type
的一个维度。文本元素被编码为行向量，时间的类型相应由行向量表示；或者，配电线路的文本状态可以矢量化表示，如：描述是“绝缘状况很差，历史负荷变化很大”可以用行向量表示，可以理解的是，文本数据矢量化后，需要进一步将维数扩展到与初始数据特征相同的维数。
[0067]
对于每一种文本信息，若存在m个值，经过热编码算法处理后可以转换成m个二元特征，每一个二元特征都有对应编码。例如，对于设备的好、中、差三个指标，换算后即为100，010，001；而以上的节假日亦可如此表示。另外，用拼接编码表达多个特征，例如“设备特征+日期特征”，表达为“100010”，可以解析为“设备号+周末”。
[0068]
步骤104、将初始数据特征和文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，预置预测网络模型包括cnn层、lstm层和预置残余连接结构。
[0069]
请参阅图4，预置预测网络模型中的cnn层对分析初始数据特征由良好效果，而lstm层对文本矢量的时序关联性分析具有较好的效果。除此之外，为了解决模型梯度扩散
的问题，本实施例在预置预测网络模型中增加旁路残余连接结构，即预置残余连接结构，用于优化模型。
[0070]
初始数据特征与文本矢量特征可以拼接成一个矩阵，然后输入预置预测网络模型中进行特征分析，以及负荷预测。
[0071]
进一步地，步骤104，之前还包括：
[0072]
基于cnn网络、lstm网络和预置残余连接结构构建初始预测网络模型；
[0073]
在初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。
[0074]
请参阅图4，其中包括多层网络结构，z为网络输出，y为第三层网络的输出，具体的特征处理关系可以表示为：
[0075]
y＝z
n-1
+x1+x2[0076]
其中，z
n-1
为第n-1层输出，x1、x2分别表示初始数据特征和文本矢量特征。若记本实施例中网络模型的损失函数为l(
·
)，那么可以求得损失函数分别对x1、x2的导数：
[0077][0078][0079]
图4中的cnn层的输出和网络状态为：
[0080][0081]st
、s
t-1
分别为第t层和t-1层神经元的输出，w
ss
、w
sx
、w
ys
均为卷积层权重矩阵，x
t-1
为t-1层输入，bs、by均为偏置矩阵，g(
·
)为激活函数，y
t
为cnn层输出。
[0082]
lstm层中选择单元控制循环递归结构中内部信息的积累，可以有选择的遗忘信息，防止算法过载，具体的框架请参阅图5，预置步长信息因子可以解释为：lstm层中当遗忘门输出为0时，表示将上一状态的信息全部丢弃；当遗忘门输出为1时，表示将上一状态的信息全部保留，使网络后期计算中可以重新考虑前面的信息，是一种跨时间步的信息，可以缓解模型梯度消失的问题，利用lstm加强历史数据的相关性分析，提高预测精度。此外需要指出的是：遗忘门确定前一时刻的某一部分数据需要遗忘，输入门确定当前输入的某一部分需要保留在状态，输出门确定当前时刻的系统输入，前一时刻的输入。具体表达如下：
[0083]it
＝σ(w
xi
x
t
+w
hiht-1
+w
cict-1
+bi)
[0084]ft
＝σ(w
xf
x
t
+w
hfht-1
+w
cfct-1
+bf)
[0085]ct
＝f
tct-1
+i
t
tanh(w
xc
x
t
+w
hcht-1
+bc)
[0086]ot
＝σ(w
xo
x
t
+w
hoht-1
+w
coct-1
+bo)
[0087]ht
＝o
t
tanh(c
t
)
[0088]
其中，i
t
、f
t
、c
t
、c
t-1
、o
t
分别为过程变量(sigmod的输出)、遗忘门、t时刻与t-1时刻单元状态和输出门；w
·
均为网络层权重，其中“·”为不同下角标，b
·
均为偏差值，σ(
·
)为sigmod函数，x
t
为lstm层输入，h
·
为单元输出。
[0089]
本技术实施例提供的基于信息融合的负荷预测方法，同时考虑负荷数据和负荷预测相关的文本信息，例如假期、生产周期等；从影响预测结果的环境因素进行分析，确保预测结果更加符合实际情况，更准确可靠；而预置预测网络模型中不仅有用于数据特征分析的cnn层，用于文本信息的时序分析的lstm层，还增加预置残余连接结构进行模型优化，使得模型更具有针对性，进而使负荷预测结果的可靠性有双重保障。因此，本技术实施例能够解决现有负荷预测方法缺乏对文本信息的研究以及对预测模型的细节优化，导致负荷预测结果缺乏准确性和可靠性的技术问题。
[0090]
为了便于理解，请参阅图2，本技术提供了一种基于信息融合的负荷预测装置的实施例，包括：
[0091]
信息获取模块201，用于在配电网自动化系统中获取负荷数据和文本信息，文本信息包括假期、生产周期、检修计划和抢修任务；
[0092]
特征计算模块202，用于基于因式分解算法和并行分支计算方法对负荷数据进行特征计算，得到初始数据特征；
[0093]
特征转换模块203，用于基于热编码算法对文本信息进行矢量化转换，得到文本矢量特征；
[0094]
负荷预测模块204，用于将初始数据特征和文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，预置预测网络模型包括cnn层、lstm层和预置残余连接结构。
[0095]
进一步地，特征计算模块202，具体用于：
[0096]
基于因式分解算法将负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；
[0097]
基于并行分支计算方法将负荷矩阵分别进行特征挖掘计算，得到分支特征；
[0098]
将所有的分支特征进行整合，得到初始数据特征。
[0099]
进一步地，特征转换模块203，具体用于：
[0100]
将文本信息映射为文本离散值；
[0101]
基于热编码算法将文本离散值扩展到欧式空间，得到文本矢量特征。
[0102]
进一步地，还包括：
[0103]
模型构建模块205，用于基于cnn网络、lstm网络和预置残余连接结构构建初始预测网络模型；
[0104]
模型优化模块206，用于在初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。
[0105]
本技术还提供了一种基于信息融合的负荷预测设备，设备包括处理器以及存储器；
[0106]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0107]
处理器用于根据程序代码中的指令执行上述方法实施例中的基于信息融合的负荷预测方法。
[0108]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的基于信息融合的负荷预测方法。
[0109]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其
它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0110]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0111]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0112]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：randomaccess memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。