极端因素影响下的电力系统短期负荷预测方法与预测装置与流程

[0001]
本申请涉及电力负荷预测领域，具体而言，涉及一种极端因素影响下的电力系统短期负荷预测方法、预测装置、计算机可读存储介质与处理器。


背景技术：

[0002]
目前气候突变导致气象预测的准确性下降，进而影响电网负荷预测准确率，快速增长的分布式光伏出力、煤改电等负荷所导致的难以预见的电网负荷特性变化，影响日前负荷预测准确率的各方面干扰因素叠加，导致传统的“回归/外推”和“神经网络”等负荷预测方法越来越难适用于现有的日前负荷预测工作。
[0003]
趋势外推法是根据预测对象本身的历史数据寻找其变化规律，而相关因素法则是研究负荷与其它因素之间的相互关系，根据未来其它因素的变化，判断未来的负荷变化趋势。短期负荷预测一般考虑相同类型的日负荷及其周期性规律，结合气象变化条件进行预测，受环境因素影响较大。
[0004]
国内来看，目前负荷预测研究工作，主要集中于预测方法，其中包括灰色预测法、回归分析法、时间序列法、人工智能法等。为了提高预测精度，组合模型也是一个重要的方向。但是，这些研究比较忽视对不同类别自身的规律性的深层次分析，忽视内在规律性的深层次挖掘对预测精度提升的重要作用，缺乏体系化的规律性数值化分析方法研究，缺乏适用于当地电力需求发展规律性的预测算法择优机制。特别地，目前，对于雷雨、大风等极端气象影响下的电网负荷预测的准确度较差。


技术实现要素：

[0005]
本申请的主要目的在于提供一种极端因素影响下的电力系统短期负荷预测方法、预测装置、计算机可读存储介质与处理器，以解决现有技术中对于雷雨、大风等极端气象影响下的电网负荷预测的准确度较差的问题。
[0006]
为了实现上述目的，根据本申请的一个方面，提供了一种极端因素影响下的电力系统短期负荷预测方法，包括：获取训练数据，所述训练数据包括历史负荷数据和工作日变量，所述工作日变量包括第一时间变量和第二时间变量，所述第一时间变量表示一周中的某一天，所述第二时间变量表示一天中对应的某一个或者某几个小时；构建概率预测模型，所述概率预测模型为分位数lstm预测模型，所述分位数lstm预测模型是基于深度学习lstm网络和分位数损失函数构建的；应用所述概率预测模型对所述训练数据进行训练，所述概率预测模型的输入是所述历史负荷数据和所述工作日变量，所述概率预测模型的输出是预测分位数；根据所述预测分位数预测极端因素影响下的电力系统短期负荷。
[0007]
进一步地，构建概率预测模型，包括：构建lstm模块，所述lstm模块由多个lstm单元堆叠而成，所述lstm模块的输入是所述历史负荷数据，所述lstm模块的输出是最后时刻的隐藏状态；对所述第一时间变量进行编码得到第一编码向量，对所述第二时间变量进行编码得到第二编码向量；构建全连接网络；将所述最后时刻的隐藏状态、所述第一编码向量
和所述第二编码向量输入所述全连接网络，所述全连接网络输出所述预测分位数。
[0008]
进一步地，所述预测分位数有多个，所述分位数损失函数为所有的所述预测分位数的平均分位数损失。
[0009]
进一步地，所述预测方法还包括：获取训练数据集，将所述训练数据集分为三个部分，分别为第一数据集、第二数据集和第三数据集，所述训练数据集包括所述历史负荷数据、所述工作日变量和天气条件；将第一数据集中的所述历史负荷数据、所述工作日变量和所述天气条件作为输入特征向量训练点预测模型；利用所述第二数据集进行虚拟预测并计算对应的预测残差；根据所述点预测模型和所述预测残差，确定概率残差预测模型。
[0010]
进一步地，根据所述点预测模型和所述预测残差，确定概率残差预测模型，包括：根据所述点预测模型，确定点预测值；获取所述点预测值的分位数；获取所述预测残差的分位数；根据所述点预测值的分位数和所述预测残差的分位数，确定所述电力系统短期负荷。
[0011]
进一步地，根据所述点预测模型和所述预测残差，确定概率残差预测模型，包括：根据所述点预测模型、所述第二数据集中的所述历史负荷数据和相关因子训练所述概率残差预测模型。
[0012]
根据本申请的一个方面，提供了一种极端因素影响下的电力系统短期负荷预测装置，包括：第一获取单元，用于获取训练数据，所述训练数据包括历史负荷数据和工作日变量，所述工作日变量包括第一时间变量和第二时间变量，所述第一时间变量表示一周中的某一天，所述第二时间变量表示一天中对应的某一个或者某几个小时；构建单元，用于构建概率预测模型，所述概率预测模型为分位数lstm预测模型，所述分位数lstm预测模型是基于深度学习lstm网络和分位数损失函数构建的；第一训练单元，用于应用所述概率预测模型对所述训练数据进行训练，所述概率预测模型的输入是所述历史负荷数据和所述工作日变量，所述概率预测模型的输出是预测分位数；第一预测单元，用于根据所述预测分位数预测极端因素影响下的电力系统短期负荷。
[0013]
进一步地，构建单元包括：第一构建模块，用于构建lstm模块，所述lstm模块由多个lstm单元堆叠而成，所述lstm模块的输入是所述历史负荷数据，所述lstm模块的输出是最后时刻的隐藏状态；编码模块，用于对所述第一时间变量进行编码得到第一编码向量，对所述第二时间变量进行编码得到第二编码向量；第二构建模块，用于构建全连接网络；处理模块，用于将所述最后时刻的隐藏状态、所述第一编码向量和所述第二编码向量输入所述全连接网络，所述全连接网络输出所述预测分位数。
[0014]
根据本申请的另一个方面，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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的极端因素影响下的电力系统短期负荷预测方法。
[0015]
根据本申请的又一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的极端因素影响下的电力系统短期负荷预测方法。
[0016]
应用本申请的技术方案，通过将深度学习lstm网络和分位数损失函数相结合构建概率预测模型，应用概率预测模型的输出的预测分位数，可以确定极端因素影响下的电力系统短期负荷，实现了对极端因素影响下的电力系统短期负荷的概率预测，例如，可以预测明年十月一日的负荷分布为40％的80kw、30％的100kw、30％的120kw。而不仅仅是预测明年十月一日的负荷为110kw，实现了对极端因素影响下的电力系统短期负荷的精确预测。对极
端因素影响下的电力系统短期负荷的精确预测，有利于提升对大电网的驾驭能力，提高电网的安全运行水平，有利于提高电网调度的精细化水平，提高电网运行的节能性和经济性，为调度部门应对电力市场改革奠定重要基础。
附图说明
[0017]
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]
图1示出了根据本申请的实施例的极端因素影响下的电力系统短期负荷预测方法流程图；
[0019]
图2示出了根据本申请的实施例的极端因素影响下的电力系统短期负荷预测装置示意图；
[0020]
图3示出了现有的一种简单rnn的基本拓扑结构示意图；
[0021]
图4示出了根据本申请的实施例的lstm单元的示意图；
[0022]
图5示出了根据本申请的实施例的概率预测模型示意图；
[0023]
图6示出了根据本申请的实施例的基于条件残差的概率预测框架示意图。
具体实施方式
[0024]
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0025]
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
[0026]
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0027]
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
[0028]
根据本申请的实施例，提供了一种极端因素影响下的电力系统短期负荷预测方法。
[0029]
图1是根据本申请实施例的极端因素影响下的电力系统短期负荷预测方法的流程图。如图1所示，该方法包括以下步骤：
[0030]
步骤s101，获取训练数据，上述训练数据包括历史负荷数据和工作日变量，上述工
作日变量包括第一时间变量和第二时间变量，上述第一时间变量表示一周中的某一天，上述第二时间变量表示一天中对应的某一个或者某几个小时；
[0031]
步骤s102，构建概率预测模型，上述概率预测模型为分位数lstm预测模型，上述分位数lstm预测模型是基于深度学习lstm网络和分位数损失函数构建的；
[0032]
步骤s103，应用上述概率预测模型对上述训练数据进行训练，上述概率预测模型的输入是上述历史负荷数据和上述工作日变量，上述概率预测模型的输出是预测分位数；
[0033]
步骤s104，根据上述预测分位数预测极端因素影响下的电力系统短期负荷。
[0034]
具体地，极端因素包括雷雨、大风、暴雪等极端的天气因素。
[0035]
具体地，基于深度学习lstm网络和分位数损失函数构建的概率预测模型，利用lstm捕捉负荷数据中的长期和短期关联性，利用提前给定的分位数实现分位数回归以提供更多未来不确定性信息。
[0036]
上述方案中，通过将深度学习lstm网络和分位数损失函数相结合构建概率预测模型，应用概率预测模型的输出的预测分位数，可以确定极端因素影响下的电力系统短期负荷，实现了对极端因素影响下的电力系统短期负荷的概率预测，例如，可以预测明年十月一日的负荷分布为40％的80kw、30％的100kw、30％的120kw。而不仅仅是预测明年十月一日的负荷为110kw，实现了对极端因素影响下的电力系统短期负荷的精确预测。对极端因素影响下的电力系统短期负荷的精确预测，有利于提升对大电网的驾驭能力，提高电网的安全运行水平，有利于提高电网调度的精细化水平，提高电网运行的节能性和经济性，为调度部门应对电力市场改革奠定重要基础。
[0037]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0038]
本申请的一种实施例中，构建概率预测模型，包括：构建lstm模块，上述lstm模块由多个lstm单元堆叠而成，上述lstm模块的输入是上述历史负荷数据，上述lstm模块的输出是最后时刻的隐藏状态；对上述第一时间变量进行编码得到第一编码向量，对上述第二时间变量进行编码得到第二编码向量；构建全连接网络；将上述最后时刻的隐藏状态、上述第一编码向量和上述第二编码向量输入上述全连接网络，上述全连接网络输出上述预测分位数。基于深度学习lstm网络和分位数损失函数构建的概率预测模型，实现了对极端因素影响下的电力系统短期负荷的精确预测。
[0039]
本申请的一种实施例中，上述预测分位数有多个，上述分位数损失函数为所有的上述预测分位数的平均分位数损失。当需要训练许多分位数时，其计算复杂度很高，将所有的上述预测分位数的平均分位数损失设置为分位数损失函数，减少了计算量。
[0040]
本申请的一种实施例中，上述预测方法还包括：获取训练数据集，将上述训练数据集分为三个部分，分别为第一数据集、第二数据集和第三数据集，上述训练数据集包括上述历史负荷数据、上述工作日变量和天气条件；将第一数据集中的上述历史负荷数据、上述工作日变量和上述天气条件作为输入特征向量训练点预测模型；利用上述第二数据集进行虚拟预测并计算对应的预测残差；根据上述点预测模型和上述预测残差，确定概率残差预测模型。引入条件残差建模，实现了对极端因素影响下的电力系统短期负荷的更精确预测。
[0041]
本申请的一种实施例中，根据上述点预测模型和上述预测残差，确定概率残差预
测模型，包括：根据上述点预测模型，确定点预测值；获取上述点预测值的分位数；获取上述预测残差的分位数；根据上述点预测值的分位数和上述预测残差的分位数，确定上述电力系统短期负荷。将点预测模型和预测残差相结合，建立的概率残差预测模型，结合点预测值的分位数和上述预测残差的分位数，实现了对电力系统短期负荷的精确确定。
[0042]
本申请的一种实施例中，根据上述点预测模型和上述预测残差，确定概率残差预测模型，包括：根据上述点预测模型、上述第二数据集中的上述历史负荷数据和相关因子来训练上述概率残差预测模型。上述相关因子包括天气数据、日期类型和外部相关因子。
[0043]
本申请实施例还提供了一种极端因素影响下的电力系统短期负荷预测装置，需要说明的是，本申请实施例的极端因素影响下的电力系统短期负荷预测装置可以用于执行本申请实施例所提供的用于极端因素影响下的电力系统短期负荷预测方法。以下对本申请实施例提供的极端因素影响下的电力系统短期负荷预测装置进行介绍。
[0044]
图2是根据本申请实施例的极端因素影响下的电力系统短期负荷预测装置的示意图。如图2所示，该装置包括：
[0045]
第一获取单元10，用于获取训练数据，上述训练数据包括历史负荷数据和工作日变量，上述工作日变量包括第一时间变量和第二时间变量，上述第一时间变量表示一周中的某一天，上述第二时间变量表示一天中对应的某一个或者某几个小时；
[0046]
构建单元20，用于构建概率预测模型，上述概率预测模型为分位数lstm预测模型，上述分位数lstm预测模型是基于深度学习lstm网络和分位数损失函数构建的；
[0047]
第一训练单元30，用于应用上述概率预测模型对上述训练数据进行训练，上述概率预测模型的输入是上述历史负荷数据和上述工作日变量，上述概率预测模型的输出是预测分位数；
[0048]
第一预测单元40，用于根据上述预测分位数预测极端因素影响下的电力系统短期负荷。
[0049]
具体地，极端因素包括雷雨、大风、暴雪等极端的天气因素。
[0050]
具体地，基于深度学习lstm网络和分位数损失函数构建的概率预测模型，利用lstm捕捉负荷数据中的长期和短期关联性，利用提前给定的分位数实现分位数回归以提供更多未来不确定性信息。
[0051]
上述方案中，通过将深度学习lstm网络和分位数损失函数相结合构建概率预测模型，应用概率预测模型的输出的预测分位数，可以确定极端因素影响下的电力系统短期负荷，实现了对极端因素影响下的电力系统短期负荷的概率预测，例如，可以预测明年十月一日的负荷分布为40％的80kw、30％的100kw、30％的120kw。而不仅仅是预测明年十月一日的负荷为110kw，实现了对极端因素影响下的电力系统短期负荷的精确预测。对极端因素影响下的电力系统短期负荷的精确预测，有利于提升对大电网的驾驭能力，提高电网的安全运行水平，有利于提高电网调度的精细化水平，提高电网运行的节能性和经济性，为调度部门应对电力市场改革奠定重要基础。
[0052]
本申请的一种实施例中，构建单元包括第一构建模块、编码模块、第二构建模块和处理模块，第一构建模块，用于构建lstm模块，上述lstm模块由多个lstm单元堆叠而成，上述lstm模块的输入是上述历史负荷数据，上述lstm模块的输出是最后时刻的隐藏状态；编码模块，用于对上述第一时间变量进行编码得到第一编码向量，对上述第二时间变量进行
编码得到第二编码向量；第二构建模块，用于构建全连接网络；处理模块，用于将上述最后时刻的隐藏状态、上述第一编码向量和上述第二编码向量输入上述全连接网络，上述全连接网络输出上述预测分位数。基于深度学习lstm网络和分位数损失函数构建的概率预测模型，实现了对极端因素影响下的电力系统短期负荷的精确预测。
[0053]
本申请的一种实施例中，上述预测分位数有多个，上述分位数损失函数为所有的上述预测分位数的平均分位数损失。当需要训练许多分位数时，其计算复杂度很高，将所有的上述预测分位数的平均分位数损失设置为分位数损失函数，减少了计算量。
[0054]
本申请的一种实施例中，上述预测装置还包括第二获取单元、第二训练单元、第二预测单元和确定单元，第二获取单元用于获取训练数据集，将上述训练数据集分为三个部分，分别为第一数据集、第二数据集和第三数据集，上述训练数据集包括上述历史负荷数据、上述工作日变量和天气条件；第二训练单元用于将第一数据集中的上述历史负荷数据、上述工作日变量和上述天气条件作为输入特征向量训练点预测模型；第二预测单元利用上述第二数据集进行虚拟预测并计算对应的预测残差；确定单元用于根据上述点预测模型和上述预测残差，确定概率残差预测模型。引入条件残差建模，实现了对极端因素影响下的电力系统短期负荷的更精确预测。
[0055]
本申请的一种实施例中，确定单元还用于根据上述点预测模型，确定点预测值；获取上述点预测值的分位数；获取上述预测残差的分位数；根据上述点预测值的分位数和上述预测残差的分位数，确定上述电力系统短期负荷。将点预测模型和预测残差相结合，建立的概率残差预测模型，结合点预测值的分位数和上述预测残差的分位数，实现了对电力系统短期负荷的精确确定。
[0056]
本申请的一种实施例中，确定单元用于根据上述点预测模型、上述第二数据集中的上述历史负荷数据和相关因子来训练上述概率残差预测模型。上述相关因子包括天气数据、日期类型和外部相关因子。
[0057]
上述极端因素影响下的电力系统短期负荷预测装置包括处理器和存储器，上述第一获取单元、构建单元、第一训练单元和第一预测单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0058]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高极端因素影响下的电力系统短期负荷预测的精度。
[0059]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0060]
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述极端因素影响下的电力系统短期负荷预测方法。
[0061]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述极端因素影响下的电力系统短期负荷预测方法。
[0062]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0063]
步骤s101，获取训练数据，上述训练数据包括历史负荷数据和工作日变量，上述工
作日变量包括第一时间变量和第二时间变量，上述第一时间变量表示一周中的某一天，上述第二时间变量表示一天中对应的某一个或者某几个小时；
[0064]
步骤s102，构建概率预测模型，上述概率预测模型为分位数lstm预测模型，上述分位数lstm预测模型是基于深度学习lstm网络和分位数损失函数构建的；
[0065]
步骤s103，应用上述概率预测模型对上述训练数据进行训练，上述概率预测模型的输入是上述历史负荷数据和上述工作日变量，上述概率预测模型的输出是预测分位数；
[0066]
步骤s104，根据上述预测分位数预测极端因素影响下的电力系统短期负荷。
[0067]
本文中的设备可以是服务器、pc、pad、手机等。
[0068]
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0069]
步骤s101，获取训练数据，上述训练数据包括历史负荷数据和工作日变量，上述工作日变量包括第一时间变量和第二时间变量，上述第一时间变量表示一周中的某一天，上述第二时间变量表示一天中对应的某一个或者某几个小时；
[0070]
步骤s102，构建概率预测模型，上述概率预测模型为分位数lstm预测模型，上述分位数lstm预测模型是基于深度学习lstm网络和分位数损失函数构建的；
[0071]
步骤s103，应用上述概率预测模型对上述训练数据进行训练，上述概率预测模型的输入是上述历史负荷数据和上述工作日变量，上述概率预测模型的输出是预测分位数；
[0072]
步骤s104，根据上述预测分位数预测极端因素影响下的电力系统短期负荷。
[0073]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0074]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0075]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0076]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0077]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0078]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0079]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0080]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0081]
实施例1
[0082]
该实施例涉及分位数lstm的基本结构。图3示出了现有的一种简单rnn的基本拓扑结构示意图；图4示出了根据本申请的实施例的lstm单元的示意图；图5示出了根据本申请的实施例的概率预测模型示意图。
[0083]
lstm是一种基于rnn架构的，有效应用于时间序列建模和预测的模型。传统的神经网络试图从静态的角度来学习输入和输出之间的对应关系。然而，当输入数据是时间序列时，如果这些数据被单独地训练，则有可能丢失掉时序内在关联信息。与传统神经网络相比，rnn尝试在每两个“输入-输出”对之间建立其连接关系。图3给出了一个简单rnn的基本拓扑结构，其输出y
t
不仅由输入x
t
决定，还由上一个隐藏状态h
t-1
共同决定，可见隐藏状态h
t
是保留时间序列内相关性信息的关键部分。
[0084]
但是，简单的rnn只有一个隐藏状态h，它对短期的输入很敏感。为了捕获时间序列中的长期相关性，lstm单元包含两个隐藏状态h
t
和c
t
，分别用于保存短期信息和长期信息。lstm单元的内部结构如图4所示。
[0085]
隐藏状态c包含一个额外的机制，用于策略性地忘记与当前时间相对应的无关信息。为了保留长期信息，在lstm单元中引入了三个控制门，如图4所示，分别是遗忘门f
t
，输入i
t
门和输出门o
t
。控制门基本上是完连接层(表示为σ)；
[0086]
lstm单元中的第一个门是遗忘门f
t
，它确定从上一个状态c
t-1
保留多少信息。在t时刻的遗忘状态表示为：
[0087]
f
t
＝σ(w
f
·
[h
t-1
,x
t
]+b
f
)，
ꢀꢀꢀ
(公式1)
[0088]
其中，σ(
·
)表示sigmoid激活函数；x
t
是回归模型的输入，主要包括历史负荷数据、工作日数据和外部相关因素；f
t
、h
t-1
和b
f
分别表示t时刻的遗忘门向量、输出向量(也就是状态时间向量)在时间t-1的值，以及遗忘门在时间t时刻的偏置；w
f
是遗忘门的权重矩阵；[
·
]表示向量的连接运算符。
[0089]
第二个门是输入门i
t
，它确定多少当前信息应被视为输入，以生成当前状态c
t
。i
t
的计算方法是：
[0090]
i
t
＝σ(w
i
·
[h
t-1
,x
t
]+b
i
)
ꢀꢀꢀ
(公式2)
[0091]
其中，w
i
和b
i
分别表示输入门的权重矩阵和偏置。可以看出i
t
与f
t
有类似表达式。两个门都由h
t-1
和x
t
决定。
[0092]
当前隐藏状态c
t
是通过添加他们控制的信息来确定的。长期信息由f
t
控制，短期信息由i
t
控制：
[0093][0094][0095]
其中tanh(
·
)表示tanh激活函数；w
c
和b
c
分别表示权重矩阵和对应的偏置；运算符*表示阿达马乘积(hadamard乘积，两个矩阵元素对应相乘)。
[0096]
lstm单元的最后一个阶段是计算最终可以将多少信息视为输出，于是选择另一个控制门作为输出门o
t
：
[0097]
o
t
＝σ(w
o
·
[h
t-1
,x
t
]+b
o
).
ꢀꢀꢀ
(公式4)
[0098]
各类门通过执行阿达马乘积来控制信息流，因此lstm h
t
的最终输出为：
[0099]
h
t
＝o
t
*tanh(c
t
).
ꢀꢀꢀ
(公式5)
[0100]
如上上述，分位数lstm是lstm和分位数损失函数的结合，其整体分位数lstm网络如图5所示。
[0101]
具体地说，本文提出的分位数lstm网络由三个阶段组成。
[0102]
第一阶段由lstm单元堆叠，其中输入是时序的历史负荷数据，输出是最后时刻的隐藏状态h
t
，对应于从历史负荷数据提取的编码特征。图5中m表示提前预测的时间段数，d表示在预测模型中需要考虑的输入时间段数。
[0103]
第二阶段是一个one-hot encoding，将分类时间变量w
t
和h
t
转换为数值编码向量，其中week
t
和hour
t
分别表示一周中的某天和一天中对应的小时。week
t(en)
和hour
t(en)
分别表示对应于周和小时变量的编码向量。
[0104]
第三阶段是全连接(full connected)网络，其中输入是从上述两个阶段生成的级联特征向量，输出是预测的分位数。
[0105]
传统的分位数回归中针对每个分位数单独地训练模型。训练目标是最小化第q个分位数的平均损失函数l
q
，描述如下：
[0106][0107]
当需要训练许多分位数时，其计算复杂度很高。为了减少计算量，在第三阶段设计了多个输出，并且损失函数被视为所有分位数的平均分位数损失l：
[0108][0109]
这样，lstm网络只需要训练一次。数值实验表明，这种紧凑模型具有与多个单独模型相当的预测性能。
[0110]
实施例2
[0111]
本实施例涉及一种具体的极端因素影响下的电力系统短期负荷预测方法。该方法的实施过程可大致分为三个阶段：数据准备，模型训练和概率预测实施。
[0112]
(1)、数据准备
[0113]
在数据准备阶段，此处仅使用了历史负荷数据，因为天气数据在我们的数据集中不可用。我们首先按如下方式清理负荷数据集。任何非数字数据简单地由前一天和后一天的同一时间段的平均负荷数据替换。回归模型的输入数据包括历史负荷数据和工作日变量，例如一天中的小时和一周中的天。在确定输入和输出数据集之后，我们将数据集分成三个部分用于模型训练，验证和测试。
[0114]
(2)、模型训练
[0115]
第一步是建立神经网络。根据图6，使用tensorflow生成静态计算图。然后，初始化参数，参数可以分为权重型参数和偏置型参数。三个阶段中的所有权重型参数都用从平值为0、标准差为0.01的正态分布采样的值初始化，所有偏差型参数都初始化为0。这种初始化可以在某种程度上阻止神经网络陷入局部最小值。神经网络的损失函数使用基于梯度下降的方法-adam进行优化，最大训练迭代次数定义为n
max
，并使用早停(early stopping)机制来防止模型过学习。具体地说，如果监视的验证损失在k次迭代内中没有减小，则终止训练过程。
[0116]
应用adam的一个前提是损失函数是可微分的，以便使用梯度下降算法来训练神经网络。然而，分位数损失并非处处可导，于是在损失函数中引入huber范数以使损失函数处处可导。huber范数可以看作是l1和l2范数的组合：
[0117][0118]
其中，∈表示l1和l2范数的幅度阈值。当预测误差低于阈值时，huber范数是l2范数；当预测误差大于阈值时，huber范数是l1范数。
[0119]
然后将通过huber范数替换，近似的分位数损失可以按如下公式计算：
[0120][0121]
与标准分位数损失相比，当预测误差为零时近似分位数损失是可微分的，即当预测误差大于阈值时，近似分位数损失的梯度等于标准分位数损失的梯度；并且当预测误差低于阈值时，两个求导的差异非常小。
[0122]
(3)、概率预测实施
[0123]
概率预测的效果通过分位数损失的平均值来评估，除了计算平均分位数损失之外，还可以绘制预测的分位数。通过可视化的方式可以清楚地看到这些分位数如何覆盖不同时间段的实际负荷值。
[0124]
为实现对负荷的精确预测，引入了条件残差建模，图6示出了根据本申请的实施例的基于条件残差的概率预测框架示意图。
[0125]
包括训练阶段和测试阶段。可以将数据集分为三个部分：t1(第一数据集)，t2(第二数据集)和t3(第三数据集)。在训练阶段，首先利用tl数据集对应的历史负荷数据、天气条件和日期类型作为输入特征向量训练点预测模型f；然后，在t2数据集上进行虚拟预测并计算对应的预测残差∈
t
。最后，使用点预测f结合t2中的历史负荷数据和相关因子来训练概率残差预测模型g
q
。
[0126]
在测试阶段，我们首先使用t3中的特征进行点预测。然后，我们应用非参数分位数回归模型对点预测的残差的条件概率分布进行建模，其中点预测，历史负荷数据和其他相关因子用作输入特征。最后，点预测f和残差预测∈
tq
将被结合来用于概率负荷预测。
[0127]
具体实施步骤如下：
[0128]
首先利用训练好的点预测模型f，得到点预测结果
[0129][0130]
其中，w和x
t
分别表示预测模型的参数和输入特征向量。预测模型f可以是任何点预测模型。
[0131]
进而可以计算预测残差：
[0132][0133]
公式12表明，可以通过分位数计算∈
t
的分布和点预测结果来计算y
t
的概率分布。我们可以使用一系列分位数来描述y
t
的分布：
[0134][0135]
其中，和∈
t,q
表示在t时点预测值和预测残差的q分位数。
[0136]
如公式12所示，集成负荷概率预测问题被转化为残差概率建模问题。残差的概率分布往往与负荷水平具有一定的关联性，所以也将也作为残差分位数回归模型的输入特征：
[0137][0138]
其中，g
q
和w
q
是q分位数回归模型及其相应参数；∈
t,q
是t时残差的q分位数。值得注意的是，条件残差建模提出的是一个通用的概率性预测框架，和具体点预测方法或分位数回归方法的选取无关。分位数回归模型可以是任何形式的分位数回归模型，例如分位数rf(qrf)和分位数gbrt(qgbrt)。
[0139]
极端因素场景下的概率负荷预测的算例来自爱尔兰数据集，随机选择的100个极端场景负荷情况进行了算例分析，测试了提前30分钟、1小时、2小时和4小时的预测模型。
[0140]
表1各模型超参数设置
[0141][0142]
表2不同方法对100个极端场景预测的平均分位数损失(kw)
[0143][0144]
分位数lstm(在下文中表示为qlstm)和若干基准方法(qrnn，qgbrt和lstm+e)的超参数如表1所示。qlstm和lstm+e的结构除了损失函数之外是相同的，这使得我们能够进行公平的比较。qrnn的完全连接层与qlstm中阶段3的完全连接层相同。qgbrt的估计器数量设置为500，这使得gbrt成为一个足够强大的学习模型。
[0145]
表2给出了qlstm和其他三种基准方法对100个极端场景预测结果的平均分位数损失，其中qlstm在四个不同的提前时间预测中都具有最低的分位数损失。在表2中，i_qrnn、i_qgbrt和i_lstm+e分别表示与qrnn，qgbrt和lstm+e相比，所提出qltsm模型的相对改进。qrnn具有比qgbrt和lstm+e更好的性能，而lstm+e具有最差的性能，其主要原因是其预测误差遵循高斯分布的假设不合理。与qrnn相比，qlstm在不同提前时间预测中的相对改进分别为3.46％、2.76％、2.18％和2.19％。
[0146]
表3不同方法对100个极端场景预测的平均分位数损失(kw)
[0147][0148][0149]
由表3中的不同方法对100个极端场景预测的平均分位数损失，qlstm几乎对所有极端场景的预测结果都优于其他方法。
[0150]
综上，极端场景下负荷概率预测的分位数lstm模型能够达到良好的效果：1)对于几乎所有用户，分位数lstm具有比qrnn，qgbrt和lstm+e更好的性能。面向概率负荷预测的条件残差建模方法较以往有较大的性能提高。主要有两个原因：1)将概率预测问题转化为
残差建模，点预测结果起到了初始化作用，类似增强梯度方法的过程以增强模型并辅助概率残差建模的优化过程。预测残差建模不会导致过学习，因为点预测和残差建模是在两个不同的数据集中进行的。2)点预测用作概率残差建模的输入，这有助于点预测和残差之间的相依关系的建模。该方法还揭示了点预测和概率预测的关系，指出一个好的点预测模型能够有效提升概率预测的精度。
[0151]
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
[0152]
1)、本申请的极端因素影响下的电力系统短期负荷预测方法，通过将深度学习lstm网络和分位数损失函数相结合构建概率预测模型，应用概率预测模型的输出的预测分位数，可以确定极端因素影响下的电力系统短期负荷，实现了对极端因素影响下的电力系统短期负荷的概率预测，例如，可以预测明年十月一日的负荷分布为40％的80kw、30％的100kw、30％的120kw。而不仅仅是预测明年十月一日的负荷为110kw，实现了对极端因素影响下的电力系统短期负荷的精确预测。对极端因素影响下的电力系统短期负荷的精确预测，有利于提升对大电网的驾驭能力，提高电网的安全运行水平，有利于提高电网调度的精细化水平，提高电网运行的节能性和经济性，为调度部门应对电力市场改革奠定重要基础。
[0153]
2)、本申请的极端因素影响下的电力系统短期负荷预测装置，通过将深度学习lstm网络和分位数损失函数相结合构建概率预测模型，应用概率预测模型的输出的预测分位数，可以确定极端因素影响下的电力系统短期负荷，实现了对极端因素影响下的电力系统短期负荷的概率预测，例如，可以预测明年十月一日的负荷分布为40％的80kw、30％的100kw、30％的120kw。而不仅仅是预测明年十月一日的负荷为110kw，实现了对极端因素影响下的电力系统短期负荷的精确预测。对极端因素影响下的电力系统短期负荷的精确预测，有利于提升对大电网的驾驭能力，提高电网的安全运行水平，有利于提高电网调度的精细化水平，提高电网运行的节能性和经济性，为调度部门应对电力市场改革奠定重要基础。
[0154]
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。