基于智能电表数据的短期楼宇电力负荷预测方法及系统与流程

本发明涉及短期楼宇电力负荷预测，特别是指一种基于智能电表数据的短期楼宇电力负荷预测方法及系统。
背景技术：
：随着普通个体住户的生活水平的提高，个体楼宇负荷水平也在提高，其负荷由于居住者的行为而具有极大的波动性。在用电高峰期间，当个体楼宇同时使用多种大功率电器时，电网馈线会增大供电压力，进而使整个配电网的供电压力增大。因此，通过客户侧需求响应，供应商可以通过调整电价实现电网的削峰，居民也可以减少电力账单。短期楼宇负荷预测是客户侧需求响应的一项关键技术，可以实现配电部门与用户之间的双赢。楼宇内客户的用电行为的多变与预测的效果有显著的相关性，且数据量庞大，给时间序列模型的学习带来巨大挑战。传统预测方法采用长短期时间记忆递归神经网络，在考虑居民家电消费的情况下，基于家电使用数据学习居民使用家电的习惯，得到了比多个基准优秀的预测性能。然而，长短期时间记忆等递归神经网络不能并行处理输入序列，因此模型训练的开销会随着输入序列长度的增加而增加，会忘记较久远的历史信息，使得预测结果失准。技术实现要素：本发明的目的在于提供一种预测性能更优的基于智能电表数据的短期楼宇电力负荷预测方法及系统。为实现上述目的，本发明所设计的基于智能电表数据的短期楼宇电力负荷预测方法，包括如下步骤：1)数据输入：以总表负荷数据和内部负荷数据作为输入数据，其中，内部负荷数据包括各分表负荷数据和未测量负荷数据；2)数据处理：对总表负荷数据和内部负荷数据进行缺失数据、异常数据的查找，再对缺失数据进行填补，对异常值进行修正，并根据预先基于历史负荷数据进行的内部负荷数据与总表负荷数据的相关性分析结果，保留相关系数大于设定值的内部负荷数据，删除其他内部负荷数据；3)负荷预测：将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列，输入到预先训练稳定的时间卷积网络(简称tcn)中，对目标未来时间(下一组用电数据产生的时间)的楼宇电力负荷进行短期预测。优选地，所述步骤1)还包括数据采集步骤，即采集楼宇总表和各分表(如洗衣机、插头等等)在预测时间前一段时间的时间序列用电数据，再根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据，从而得到所述输入数据。优选地，所述步骤1)中，采集的时间序列长度与训练时每次输入时间卷积网络的时间序列长度相等。优选地，所述步骤3)中，卷积层包括因果卷积和空洞卷积。优选地，所述时间卷积网络的基本结构是由2～4个残差层构成的残差网络，每个残差层包括1～2个基本层、1～2个卷积层以及1个直连层。优选地，所述步骤3)中，卷积层包括因果卷积和空洞卷积。优选地，所述步骤3)中，时间卷积网络的神经元数目为250～350。优选地，所述步骤3)中，时间卷积网络的预先训练包括如下步骤：根据训练需要输入过去一段时间的总表负荷数据和内部负荷数据；采用所述步骤2)中方法对负荷数据进行填补与修正，继而对各内部负荷数据与总表负荷数据进行相关性分析，选取相关系数大于设定值(优选为0.1)的内部负荷数据作为辅助输入数据，并将其与总表负荷数据结合，对时间卷积网络进行训练。优选地，所述时间卷积网络的训练参数设置为：批量设为60，学习率为0.00001，对模型进行10轮训练，每轮训练次数设为20个epoch，每个epoch训练对整个数据集训练一遍，10轮训练共计得到10个得分，取得分平均值作为预测准确率指标。本发明同时提供了一种为实现上述方法而设计的短期楼宇电力负荷预测系统，包括：数据采集模块，被配置为实现所述数据采集步骤；数据处理模块，被配置为实现所述数据处理步骤；负荷预测模块，被配置为实现所述负荷预测步骤。优选地，所述负荷预测模块采用时间卷积网络，所述时间卷积网络包括2个残差层，每个残差层包括1～2个基本层、1～2个卷积层以及1个直连层。与现有技术相比，本发明的有益效果在于：本发明采用时间卷积神经网络，结合智能电表的分表与总表，将总表负荷数据、各分表负荷数据和未测量负荷数据作为预测任务的输入数据，并对输入数据进行相关性分析，提取与作为目标任务的总负荷相关的内部负荷数据作为辅助输入数据，与传统方法相比，训练达到稳定的时间明显缩短，误差显著减小，大幅提高了楼宇电力负荷短期预测的准确性。附图说明图1为本发明实施例1提供的短期楼宇电力负荷预测系统的结构方框图。图2～4分别为本发明实施例1提供的时间卷积网络的因果卷积、空洞卷积和残差连接的结构示意图。图5为本发明实施例2进行相关性分析得到的各内部负荷与总表负荷数据的相关系数条形图。图6为本发明实施例2中不同结构参数的各tcn网络与传统的lstm网络的性能迭代对比图。图7为本发明实施例2中不同结构参数的各tcn网络与传统算法的预测结果对比图。图8为图7中方框内的细节放大图。其中：数据采集模块1、数据处理模块2、负荷预测模块3具体实施方式下面结合附图和具体实施例对本发明作进一步的详细说明。实施例1本实施例对神经网络的构建、训练和应用分别进行说明。1、构建时间卷积网络，并对参数进行设置选择历史输入序列的长度(n+1)，设置卷积核大小k，步长stride为1，为保证网络的输出序列的长度与输入序列的长度相同，需要进行因果卷积，进行如下参数设置与操作：卷积参数零填充(padding)确定为k-1，则输出序列长度为(n+k-1)，执行尾除操作，将末尾未来输出序列去除，即如图2所示，尾除数目等于padding。基于因果卷积，为自适应调整时间卷积网络深度，采用空洞卷积(dilatedconvolution)。具体来说，给出输入序列xn+1＝{x0,x1,...,xn}，f(i)是卷积函数，空洞卷积可以定义为：d是空洞因子，m-i·d为被选中做卷积的元素的输入序列号。当d＝1时，空洞卷积退化为一般的一维卷积。随着网络层数的增加，d呈指数增长，层次越高的网络序列覆盖的历史信息越多。如图3所示。基于因果卷积和空洞卷积，构建残差连接，具体来说第一个分支，如果输出序列的长度不等于输入序列，则输入层通过1x1卷积连接到输出层，否则输入层通过恒等映射连接到输出层；第二分支，输入序列连接到由卷积层、激活层、dropout层依次构成的多个相同结构叠加的网络。如图4所示。在以上的基础上，根据序列长度、空洞卷积以及残差连接机制确定模型深度设计。具体来说，开始时，假设网络的深度为l，输入层的深度是0，每一层是一个残差层。可以通过以下公式推导出第n层神经元中最后输出序列所能蕴含的最长的历史记忆信息:il是第l层残差神经元最后序列值可以依赖的最长输入序列信息。进行负荷预测时，把上一层神经元的输出序列作为本层的输入序列，在最终向上经过所有残差层后仅将输出序列的最后值作为残差网络的输出，如图4所示。图4所示的残差结构对基本层进行了叠加，也可以根据需要对卷积层进行叠加，或者同时叠加基本层和卷积层。最终，将各个并行的残差网络的输出作为前馈神经网络的输入，输出为未来时间步的预测结果。2、时间卷积网络的训练1)数据采集与输入：根据训练需要采集过去一段时间集楼宇总表和各分表(如洗衣机、插头等等)在预测时间前一段时间的时间序列用电数据(单个序列长度为n+1)，并根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据，以总表负荷数据和内部负荷数据作为输入数据；其中，各分表负荷数据和未测量负荷数据统称为内部负荷数据；2)数据处理：对负荷数据进行缺失数据和异常数据的查找，并对缺失数据进行填补，对异常值进行修正，在此基础上(指填补、修正后)对各分表以及未测量负荷数据与总表负荷数据进行相关性分析，按照从大到小的相关系数排序，选取相关系数大于设定值(本实施例中选为0.1)的内部负荷数据以及总表负荷数据，作为时间卷积网络的辅助输入数据。3)模型训练结合总表负荷数据和内部负荷数据对时间卷积网络进行训练。具体训练参数设置为：批量设为60，学习率设为0.00001，对模型进行10轮训练，每轮训练次数设为20个epoch，每个epoch训练对整个数据集训练一遍，10轮训练共计得到10个得分，取得分平均值作为预测准确率指标(即表2中各误差指标)。模型参数设置：隐藏层神经元设置为300，因为残差层数设置为2，所以我们选择的输入序列长度为7。原始残差层基本层(b)为1，基本层中因果空洞卷积层(c)为1，本实施例同时设计了几个改进版本，详见表1。3、短期楼宇电力负荷预测采用训练好的时间卷积网络模型进行负荷预测的步骤如下：1)数据采集与输入：采集楼宇总表和各分表(如洗衣机、插头等等)在预测时间前一段时间的时间序列用电数据(序列长度为n+1，与训练阶段相同)，并根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据，以总表负荷数据和内部负荷数据作为输入数据；其中，各分表负荷数据和未测量负荷数据统称为内部负荷数据；2)数据处理：对总表负荷数据和内部负荷数据进行缺失数据、异常数据的查找，对缺失数据进行填补，对异常值进行修正，并根据预先基于历史负荷数据进行的内部负荷数据与总表负荷数据的相关性分析结果(见时间卷积网络的训练部分)，保留相关系数大于设定值0.1的内部负荷数据，删除其他内部负荷数据；3)负荷预测：将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列，输入到预先训练稳定的时间卷积网络(简称tcn)中，对目标未来时间(下一组用电数据产生的时间)的楼宇电力负荷进行短期预测。本实施例同时提供了基于上述方法的短期楼宇电力负荷预测系统，包括数据采集模块1，被配置为实现所述数据采集步骤；数据处理模块2，被配置为实现所述数据处理步骤；负荷预测模块3，被配置为实现所述负荷预测步骤。其中，负荷预测模块3采用时间卷积网络，所述时间卷积网络包括1各直连层和2个残差层，每个残差层包括1～2个基本层和1～2个卷积层，具体参数见表1。实施例2本实施例基于ampds2数据集对实施例1中给出的时间时间卷积网络进行训练，并在训练稳定后对其预测性能进行评估和比较。具体步骤如下：1、实验数据集本实施例采用ampds2数据集(stephenmakonin.ampds2:thealmanacofminutelypowerdataset(version2),2016)对实施例1中公开的时间卷积网络，以及几个常见的对照算法进行训练和评估。从2012年4月到2014年3月，ampds2数据集收集了其作者家中的各种能源消耗，包括每分钟的电力、水和天然气的测量，总共有1051200个读数，涉及仪表包括智能电表21台，水表2台，天然气表2台(另附设备说明)。本实施例选择每分钟粒度的智能电表数据集作为原始数据集。全屋电表读数由三部分组成，分别是master-house电表读数(mhe),出租套房(rse)电力子表读数和车库(gre)电力子表读数。mhe由其余18个电器(ae)电表读数和未测量能耗(une)构成。因此，数据集读数之间的关系可以描述为:whe＝mhe+rse+gremhe＝ae+une2、实验设置在实验中，2012年4月1日0:00-2012年4月9日24:00作为训练集，共1440分钟一天的4月10日被选中作为测试集。在相关分析后，如图5所示，选取master-house读数(mhe),电热泵(hpe)、干衣机(cde)，炉风机和恒温控制器(fre)，未测量能耗(une)，地下室插头和灯(bme),厨房壁炉(woe)，家庭办公室电(ofe)，tv/pvr/amp(tve)，洗碗机(dwe)作为模型的输入数据。各模型设置如下:(1)k近邻：kd树为30，权重均匀一致，neighbors为15。(2)梯度增强决策树(gradientboostdecisiontree,gbdt)：estimators为100，决策树的最大深度为6，内部节点重新划分所需的最小样本量为60，其余为默认值。(3)支持向量回归(supportvectorregression,svr)：kernel为rbf，gamma是0.03，c是5.66，其他都是默认值。(4)lstm：采用设定的最优参数，参考：weicongkong,zhaoyangdong,davidjhill,fengjiluo,andyanxu.short-termresidentialloadforecastingbasedonresidentbehaviourlearning.ieeetransactionsonpowersystems,33(1):1087–1088,2017.除了lstm之外，其他基准测试是在python的sklearn模块中网格搜索最优参数。在时间时间卷积网络的训练中，批量设为60，学习率设为0.00001，epoch次数设为20，优化方法选择adam，所有模型训练10轮，取平均值。同时，我们还测试了几个改进的tcn架构，其结构参数详见表1。表1tcn结构参数方法残差层基本层卷积层隐藏神经元tcn(b1c1)211300tcn(b1c2)212300tcn(b2c1)221300tcn(b2c2)2223003、实验结果与分析以下误差指标用于评估模型的预测性能，其中yt为观测值和为预计值。它们的值越小，模型的性能就越好。平均绝对误差百分比(mape)：平均绝对误差(mae)：均方根误差(rmse)：各模型的预测性能(mape、mae、rmse)见下表2：表2楼宇负荷预测结果从上表可以看出，与最好的基准lstm相比，tcn(b1c2)的mape最低，mape下降11.90％；tcn(b2c2)拥有最低rmse，rmse下降0.8％；tcn(b1c2)、tcn(b2c1)、tcn(b2c2)均拥有最低mae，mae下降7.5％；最差的tcn(b1c1)mape下降9.13％，mae下降7.5％，rmse持平。lstm和tcn训练时测试集的性能变化如图6所示。两者在训练中都能达到相对稳定的状态，但tcn达到稳定的时间几乎比lstm少50％。因此，与lstm相比，tcn体系结构不仅能够以更高的效率实现网络的最优性能，而且最终能够实现更好的网络性能。四种网络预测结果如图7所示。为了更好地突出tcn与每个基准测试相比的优势，图7中的一些细节显示在图8中。在住宅负荷波动较大的情况下，四种tcn架构比lstm具有更强的跟踪住宅负荷的能力，这意味着tcn架构在实时预测住宅负荷波动方面具有很大的潜力。当前第1页12