基于CNN和LSTM的电力系统负荷预测方法与流程

本发明涉及电力技术领域，尤其是一种基于cnn和lstm的电力系统负荷预测方法。

背景技术：

电力系统中准确的负荷预测是确保系统安全稳定运行的重要手段之一，同时也为供电企业的电力调度、电力设施建设等提供了重要依据。电力负荷影响因素众多(如社会因素、政策因素、气象因素、节假日因素等)，这些数据通常都会影响到电力的使用。因此，如何恰当使用这些因素的数据通过这些不同方面的影响因素来预测符合是提高预测精度的关键问题。

为此，相关技术中有使用cnn(convolutionalneuralnetworks，卷积神经网络)提取周期性负荷特征的做法，但其不具备在时间轴上的传播计算能力，预测精度不高。也有使用lstm(long-shorttermmemory，长短期记忆神经网络)预测电力负荷的做法，但其没有考虑到负荷的周期性，导致负荷预测的准确性仍旧较低。

技术实现要素：

本发明人针对上述问题及技术需求，提出了一种基于cnn和lstm的电力系统负荷预测方法，该方法包括：

获取电力系统负荷的历史时间序列数据，历史时间序列数据包括历史n个时间片段的电力负荷数据；

并将历史时间序列数据按照电力系统负荷的周期性转换为负荷图片，负荷图片中每个像素点均表示每个时间片段的电力负荷数据；

利用预先基于cnn网络训练得到的特征提取模型提取得到负荷图片中每个像素点的h个时间序列特征；

将提取得到时间序列特征的负荷图片再次转换为时间序列得到第一时间序列，第一时间序列包括n个时间片段各自对应的h个时间序列特征；

将第一时间序列输入预先基于lstm网络训练得到的负荷预测模型，负荷预测模型输出电力系统负荷的预测值。

本发明的有益技术效果是：

本申请公开了一种基于cnn和lstm的电力系统负荷预测方法，该方法将cnn和lstm进行结合，提高了对隐式的时间序列特征的提取能力以及时间轴上的计算能力，克服了cnn和lstm各自的缺点，对于拥有周期性和长时间依赖性的电力系统负荷的预测有较大的意义，有利于提高预测的精度和准确性，具有较高的应用价值。

附图说明

图1是本申请公开的电力系统负荷预测方法的方法流程示意图。

图2是利用本申请的方法进行预测的结果与利用单模型cnn和单模型lstm模型进行预测的结果的对比示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请公开了一种基于cnn和lstm的电力系统负荷预测方法，该方法包括如下步骤，请参考图1所示的流程示意图：

步骤s1，获取电力系统负荷的历史时间序列数据，历史时间序列数据包括历史n个时间片段的电力负荷数据，如图中以1～n分别表示各个时间片段的电力负荷数据，n为正整数，历史时间序列数据通常是预测时刻之前最近的n个连续的时间片段的电力负荷数据。每个时间片段的时间跨度相同，但每个时间片段的具体时间跨度可以根据实际需要配置，比如通常可以设置一个时间片段为一天，则历史时间序列数据包括最近n天的电力负荷数据。

步骤s2，通常来说，每天的电力负荷数据都与前几天或后几天的电力负荷数据相关，并且还与上一周或下一周同一天的电力负荷数据相关，也即电力系统负荷是具有周期性的，每个周期内的时间片段的电力负荷数据之间相关，不同周期之间相应的时间片段的电力负荷数据之间也相关。因此本申请将历史时间序列数据按照电力系统负荷的周期性转换为负荷图片，假设历史时间序列数据共包括n个周期的电力负荷数据，每个周期包括t个时间片段，则转换得到的负荷图片中包括n行t列的像素点，n×t＝n，每个像素点均表示每个时间片段的电力负荷数据，每一行对应电力系统负荷的一个周期，每一行中的t个像素点分别表示电力系统负荷的一个周期内t个时间片段的电力负荷数据，如图1中以k11表示第一行第一列的像素点，k12表示第一行第二列的像素点……knt表示第n行第t列的像素点，依次类推。

当一个时间片段为一天时，假设历史时间序列数据包括历史182个时间片段的电力负荷数据，通常取一周为一个周期，则每个周期包括7个时间片段，因此可以转换得到26行7列像素点的负荷图片，每个像素点与同一行左右的像素点具有相关性、也与同一列上下的像素点具有相关性。

步骤s2，利用预先基于cnn网络训练得到的特征提取模型提取得到负荷图片中每个像素点的h个时间序列特征。特征提取模型包括若干层卷积层，每层卷积层都采用relu激活函数，则特征提取模型利用若干层卷积层对负荷图片进行若干次二维卷积提取每个像素点的h个时间序列特征，二维卷积的运算过程为：

其中，z^l+1为第l+1层输出的特征图，(i,j)和(s0i+x,s0j+y)均表示像素坐标，z^l+1(i,j)为第l+1层输出的特征图中坐标为(i,j)的像素的值，(i,j)∈{0,1……ll+1}，ll+1为第l+1层输出的特征图z^l+1的尺寸，z^l为第l+1层输入的特征图，ω^l为第l+1层输入的对应特征图的权重矩阵，为对应值的权重，b为偏移量；ll为第l+1层输入的特征图z^l的尺寸，p为填充层数，f为卷积核大小，s0为卷积步长，k为卷积核的通道数，为第l+1层输入特征图中坐标为(s0i+x,s0j+y)的对应k通道像素的值。

以t＝7为例，则负荷图片中每行包括7个像素点，本申请中的特征提取模型采用四层卷积层，依次为第一卷积层、第二卷积层、第三卷积层和第四卷积层：第一卷积层的卷积核大小为7*2、卷积步长为1、卷积核的通道数为16，用于将一个周期也即一周内的负荷特征提取出来。第二卷积层的卷积核大小为2*1、卷积步长为1、卷积核的通道数为32，第二层的卷积核很小，可以提取短时间即两天内的相关特征。第三卷积层的卷积核大小为2*2、卷积步长为1、卷积核的通道数为64，第四卷积层的卷积核大小为4*4,、卷积步长为1、卷积核的通道数为128，第三卷积层和第四卷积层可以提取负荷变化的深层特征。则这种结构的特征提取模型共提取得到每个像素点的128个时间序列特征。

步骤s3，将提取得到时间序列特征的负荷图片再次转换为时间序列得到第一时间序列，第一时间序列包括n个时间片段各自对应的h个时间序列特征。

步骤s4，将第一时间序列输入预先基于lstm网络训练得到的负荷预测模型，负荷预测模型输出电力系统负荷的预测值。在本申请中，负荷预测模型中的lstm网络为多对多lstm，则在负荷预测模型中：

步骤s41，lstm网络的输出维度参数设为h，输出对应全部时间步数的输出，也即lstm网络对第一时间序列处理得到第二时间序列，第二时间序列包括全部n个时间片段，每个时间片段对应h个时间序列特征。

步骤s42，对lstm网络输出的第二时间序列中的每个时间片段分别应用一个全连接层得到第三时间序列，第三时间序列包括n个时间片段各自对应的一个时间序列特征。该步骤对时间片段使用了全连接层能有效避免不同时间片段的特征对同一时间片段提取特征的影响。

步骤s43，对第三时间序列中的n个时间片段应用一个全连接层得到电力系统负荷的归一化后的预测值。

步骤s44，对电力系统负荷的归一化后的预测值进行反归一化得到电力系统负荷的预测值。反归一化的具体公式为：

其中，xscaler表示反归一化后的值，在该步骤中即为电力系统负荷的预测值。xstd表示归一化的值，在该步骤中即为电力系统负荷的归一化后的预测值，ymin为归一化区间的最小值，ymax为归一化区间的最大值。xmin表示归一化前原始样本数据的最小值，在该步骤中即为历史时间序列数据中电力负荷数据的最小值。xmax表示归一化前原始样本数据的最大值，在该步骤中即为历史时间序列数据中电力负荷数据的最大值。

在本申请中，上述步骤s2使用到了训练好的特征提取模型，步骤s4使用到了训练好的负荷预测模型，则本申请在使用上述方法进行负荷预测之前，还包括对这两个模型的训练，则可以首先建立好网络模型，然后选取样本数据构造数据集，本申请选取了2015年至2018年美国pjm电力公司公布的纽约附近地区电力负荷数据以及澳洲电力公司公布的新南威尔士州区域电力负荷数据作为样本数据构造多组数据集。对多组数据集进行归一化为至[0.1,1]的归一化区间内，归一化公式与上述反归一化的公式相对：

xstd表示归一化的值，x表示原始样本数据，ymin为归一化区间的最小值即为0.1，ymax为归一化区间的最大值即为1，xmin表示样本数据的最小值，xmax表示样本数据的最大值。

将归一化后的数据集分组，划分为训练集和测试集，通常划分2/3数据集为训练集，剩余1/3为测试集，利用训练集和测试集对网络模型进行训练和测试，从而得到特征提取模型和负荷预测模型。在训练得到负荷预测模型时，lstm网络的参数按如下公式更新：

其中，ft表示遗忘门，it表示输入门，ot表示输出门，符号·表示向量的点乘，符号*表示向量元素按位相乘，wf、wi、wc以及wo均为权重参数，bf、bi、bc以及bo均为偏置量参数，表示当前输入的单元状态，ct表示当前时刻的单元状态，ct-1表示上一时刻的单元状态，[ht-1,xt]为将上一时刻的输出ht-1和当前时刻的输入xt连接成的一个新向量，σ表示sigmoid函数。

本申请这种方法结合了cnn和lstm的优点，其预测的结果与单模型cnn和单模型lstm的结果对比图请参考图2，相比于单模型结构，本申请的预测精度更高。

以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。