基于BP神经网络的短期负荷预测方法、设备及存储介质与流程

基于bp神经网络的短期负荷预测方法、设备及存储介质
技术领域
1.本发明涉及供配电领域，特别涉及基于bp神经网络的短期负荷预测方法、设备及存储介质。


背景技术：

2.现有技术的负荷预测方法中，正常日的预测方法已经趋于成熟，但异常日的负荷预测由于受到各种随机波动因素和潜在干扰因素的影响，从而导致其准确度较低，因此如何提高异常日负荷预测的准确度，已成为电力行业预测人员关注的重点。
3.现有技术中对的异常日的负荷预测，由于数据相对稀缺性，难以选择适合的模型进行预测；基于日历状态直接进行负荷预测时，由于不同单位对国家法定节假日的执行方式不同，使得实际安排与日历安排往往大相径庭，从而导致异常日的负荷预测准确度较低。


技术实现要素：

4.本发明的目的在于避免现有技术中的不足之处而提供一种能够准确预测异常日的电力负荷的方法。
5.本发明的目的通过以下技术方案实现：
6.基于bp神经网络的短期负荷预测方法，包括：
7.s1：bp神经网络模型初始化；
8.s2：根据日历信息确定预测日的日期类型，并在历史日中筛选出对应的同类型日；
9.s3：通过日负荷的自相关分析，在同类型日中匹配出与预测日相关性最高的若干同类型日作为参考日；
10.s4：根据各参考日对应的负荷数据，在bp神经网络模型中计算出预测日的负荷值。
11.具体的，步骤s1还包括以下步骤：
12.s11：确定bp神经网络模型的构造特征；
13.s12：获取历史负荷数据，并进行特征转换；
14.s13：通过最小化损失函数，对bp神经网络模型进行训练。
15.更具体的，bp神经网络模型的构造特征包括：日期类型、日负荷状态和集中负载时段。
16.更具体的，步骤s12还包括以下步骤：
17.s121：根据日历信息确定历史负荷数据中各历史日的日期类型；历史日的日期类型包括工作日和异常日。
18.另一具体的，步骤s12还包括以下步骤：
19.s122：根据历史负荷数据计算出对应的日负荷阈值；日负荷阈值用于通过阈值对比，确定对应的日负荷状态，筛选出异常日。
20.另一具体的，步骤s12还包括以下步骤：
21.s123：根据历史负荷数据中的负荷小时信息，计算出各历史日的集中负载时段；集
中负载时段用于筛选出与工作日的集中负载时段不同的异常日。
22.另一具体的，bp神经网络模型的构造特征还包括最高气温。
23.进一步的，步骤s12还包括获取气温数据，气温数据与历史负荷数据相关联；气温数据用于计算出历史负荷的变化与气温变化之间的关系。
24.根据本发明公开的再一方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现如上所述基于bp神经网络的短期负荷预测方法的步骤。
25.根据本发明公开的另一方面，提供了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如上所述基于bp神经网络的短期负荷预测方法的步骤。
26.本发明的基于bp神经网络的短期负荷预测方法，利用神经网络进行非线性拟合，并结合由日历信息构造的异常日状态特征以及每日的集中负载时段的负荷量，双重定位当日的负荷状态，提高异常日负荷预测的准确性；通过对同类型日的分析进行异常日识别，排除其对正常日负荷预测的影响，并提取每日的最高温度进行分桶处理构造出有效的温度特征，提高模型对正常日的负荷预测准确度。
附图说明
27.通过结合附图对于本发明公开的示例性实施例进行描述，可以更好地理解本发明，在附图中：
28.图1所示的是根据本发明公开实施例的计算机设备的示意性结构框图；
29.图2所示的是根据本发明公开实施例的基于bp神经网络的短期负荷预测方法示意性流程图。
具体实施方式
30.以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本发明揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本发明的内容不充分。
31.除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，
2、t-3、t-4
…
序列)计算出自相关系数，并设定自相关系数的对比阈值。例如，原始序列t为{x1,x2,x3,..x10}，滞后数为2，按照滞后数拆成两列数据，一列数据为{x1,x2,..x8}，另一列数据为{x3,x4
…
x10}；根据自相关系数公式分别计算出各个序列的自相关系数，并与设定的自相关系数的对比阈值进行对比，若计算出的某一序列的自相关系数大于上述的对比阈值，则以序列对应的日期为对应的参考日。
47.额外的，也可直接对计算出各个序列的自相关系数，并相互之间进行对比，以自相关系数最高的序列为相关性最高的同类型日，作为参考日。
48.s4：根据各参考日对应的负荷数据，确定bp神经网络模型中对应的计算参数，并根据确定的计算参数，计算出预测日的负荷值。
49.具体的，步骤s1还包括以下步骤：
50.s11：确定bp神经网络模型的构造特征；bp神经网络模型的构造特征包括：日期类型、日负荷状态和集中负载时段和最高气温；
51.a、日期类型
52.构造日历特征：利用onehot编码通过星期信息进行区分工作日与异常日的负荷差异，以识别星期信息有利于模型识别工作日与非工作日(即异常日)的区别。
53.由于不同单位对国家法定节假日的执行方式不同，使得其实际安排与日历安排往往大相径庭，因此根据日历信息进一步构造异常日状态特征，通过对日历安排和实际安排作对比，确定异常日的类型，以匹配实际安排与日历节假日安排之间的关系。在本实施例中，异常日分为以下四种类型，并分别进行标记：
54.1)实际休假状态与日历信息完全相符，即一般异常日；在进行特征标记时，首先默认所有的节假日和休息日均为一般异常日；
55.2)放假的起始日期与日历信息相符，但提前收假；即根据日历信息本应该继续放假，但实际上已经提前进入工作状态的异常日，为提前收假日；提前收假日需要结合后述的日负荷状态或集中负荷时段的判断，在一般异常日之中筛选出。
56.例如：其前序日为节假日(即异常日)，后序日为工作日，且当日的日负荷大于一般异常日所对应的阈值范围，则可判断其为提前收假日；
57.又如：其前序日为节假日(即异常日)，后序日虽为工作日，但当日与后序日的日负荷大于一般异常日所对应的阈值范围，则可判断其为提前收假日。
58.3)延迟放假，但放假结束日期与日历信息相符；即根据日历信息本应该开始放假，但实际上并没有开始放假的异常日，为延后休假日；延后休假日需要结合后述的日负荷状态或集中负荷时段的判断，在一般异常日之中筛选出。
59.例如：其前序日为工作日，后序日为节假日(即异常日)，且当日的日负荷大于一般异常日所对应的阈值范围，则可判断其为延后休假日。
60.4)该日为补休日，且实际休假状态与日历信息相符；补休日可根据日历信息在一般异常日直接筛选出。
61.因此，日期类型包括：工作日、一般异常日、提前收假日、延后休假日和补休日；日期类型相同的日为同类型日。
62.bp神经网络模型通过对历史负荷自动学习，可自动分辨历史日或预测日为工作日、一般异常日、补休日、提前收假日或延后休假日。
63.在步骤s2中，在确定进行负荷预测的预测日时，根据日历信息，能自动识别出预测日的日期类型(工作日、一般异常日、补休日、提前收假日或延后休假日)，并在历史日中筛选出对应的同类型(工作日、一般异常日或、补休日、提前收假日或延后休假日)。
64.b、日负荷状态
65.通过对历史负荷自相关分析，找自相关系数的突变点作为阈值，在横向序列(t-1,t-2,t-3
…
)与纵向序列(t-7,t-14,t-21)取超过阈值的历史负荷提取同类型日，使用箱线图嵌套的方式确定日负荷的阈值范围，确定各历史日当天的日负荷的高状态/低状态。即对历史负荷与日负荷的阈值范围进行对比，若高于最高值为高状态标志位，低于最小值为低状态标志位。即，日负荷状态包括：日高负荷状态、日低负荷状态、日正常负荷状态。
66.箱线图的嵌套主要是为了动态地调整阈值，设最小值min＝q
1-x1*iqr，最大值max＝q3+x2*iqr，其中q1为下四分位参数，q3为上四分位参数，iqr＝q
3-q1，上半年当负荷的长期趋势是上升时，阈值需要动态地调高(x1》1.5)，下半年当负荷的长期趋势是下降时，阈值需要动态地调低(x2《1.5)。
67.c、集中负载时段
68.根据负荷的小时信息，通过环比增长率定位每日的集中负载时段，然后使用箱线图嵌套的方式确定对应的负荷阈值范围，接着将每日的集中负载时段的负荷增量与阈值范围进行对比，若高于最大值为高状态标志位，低于最小值为低状态标志位。即，确定集中负载时段，并判断集中负载时段对应的负荷状态；集中负载时段对应的负荷状态包括：集中高负荷状态、集中低负荷状态、集中正常负荷状态。
69.更具体的，步骤s11后还包括以下步骤：
70.s12：获取历史负荷数据，并进行特征转换：
71.s121：根据日历信息确定历史负荷数据中各历史日的日期类型；
72.s122：根据历史负荷数据计算出对应的日负荷阈值；日负荷阈值用于通过阈值对比，确定对应的日负荷状态，筛选出异常日，以排除异常日对正常工作日的日负荷预测的影响；
73.s123：根据历史负荷数据中的负荷小时信息，通过环比增长率计算出各历史日的集中负载时段；集中负载时段用于筛选出与工作日的集中负载时段不同的异常日；若某一天突然放假，可以利用当天的负载集中加载时段的状态，判断当天是否放假，纠正负荷预测的趋向，由正常日负荷预测变成异常日负荷预测。
74.其中，步骤s12还包括获取气温数据，气温数据与历史负荷数据相关联；气温数据用于计算出历史负荷的变化与气温变化之间的关系。额外的，为提高温升温降时段的负荷预测准确度，需要将每日最高温度进行分桶处理。
75.s13：通过最小化损失函数，对bp神经网络模型进行训练。
76.bp神经网络模型包括1层输入层、2层隐藏层、1层输出层构成。
77.损失函数：其中yi为真实负荷值，为模型预测负荷值，n为样本数。
78.模型构建后首先进行模型参数的初始化，再基于特征模块构造的数据进行模型迭代训练，模型训练主要由正向传播与反向传播减小损失函数完成神经网络参数的优化。正
向传播时，输入样本数据从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。反向传播时，将误差通过梯度下降分摊通过隐层向输入层逐层反传给各层的所有神经单元,从而获得各层单元的误差信号,此误差信号即作为修正各神经单元权值的依据。如此反复迭代，若模型达到收敛阈值，模型结束训练。
79.模型完成训练后，即可在bp神经网络模型中输入需要进行负荷预测的日期，经过步骤s2-s4的计算，输出负荷预测的结果。
80.本技术一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如前所述基于bp神经网络的短期负荷预测方法的步骤。
81.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于bp神经网络的短期负荷预测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于bp神经网络的短期负荷预测方法的技术方案的描述。
82.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
83.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccess memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
84.综上所述，本发明利用日历中标注的节假日信息，构造异常日的四种状态特征，并结合每日的负载集中加载时段的负荷，定位当天的负荷状态(正常日与异常日)，提高了对异常日负荷预测的准确性；另一方面，通过对同类型日的分析进行异常日识别，排除其对正常日负荷预测的影响，提高对正常日负荷预测的准确性。
85.需要指出的是，在本发明公开的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明公开的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
86.上述具体实施方式，并不构成对本发明公开保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明公开保护范围之内。