一种基于负荷分解与深度学习的持续型电器负荷预测方法与流程

1.本发明属于用户负荷分析预测技术领域，涉及一种持续型电器负荷预测方法，尤其是一种基于负荷分解与深度学习的持续型电器负荷预测方法。


背景技术：

2.负荷预测对电力系统的安全、稳定和经济运行有重要意义。按照预测规模，传统的负荷预测可分为系统级、变电站级、母线级、馈线级和建筑物级等。随着智能电表的普及，电力公司可以获得大量的居民用电信息，使居民级、电器级的负荷预测成为可能。准确的居民负荷预测可以应用于家庭能量管理系统，帮助用户了解自己的用电规律，进而实现节能减排；还能辅助电力公司制定合理的需求响应计划，优化发电方案，提升系统的供电能力与可靠性。然而，由于居民负荷与其用电行为密切相关，因此具有较强的随机性与不确定性，难以准确预测。
3.与传统负荷预测问题相比，居民的负荷预测具有更大的挑战性。变电站或节点的负荷规模较大，一般较为稳定。工商业用户的用电负荷受生产规律影响，往往可以分为几类典型的用电模式，规律性强。然而，居民负荷与用户的用电行为密切相关。由于家庭电器种类繁多，且负荷规模较小，因此居民负荷充满随机性与不确定性。传统负荷预测方法仅利用家庭总电表的负荷数据，难以挖掘用户的用电习惯，效果不佳。因此，只有先对电器设备级的负荷进行预测，才能掌握用户的用能规律。
4.近年来，电力公司大力推动了高级计量体系(ami)的建设，同时人工智能技术(ai)的应用也显著提升非侵入式负荷监测(nilm)的准确性。在ami和nilm的支持下，可以获得居民用户的设备级负荷数据，使精细化的居民负荷预测成为可能。由于用户用电习惯和电器设备工作原理的差异性，电器的负荷曲线呈现出多样化的特点。例如，冰箱和空调等电器设备的负荷曲线具有较强的波动性，使其负荷规律不易把握；而微波炉和吹风机等具有明显开关特性的设备，其负荷曲线与用户行为密切相关。例如，女性通常会在洗发后使用吹风机和电夹板，烤箱和面包机的使用也具有某种潜在关联。因此，有必要在电器层面进行负荷特性分析，改善负荷曲线的规律性，同时挖掘设备间的相关性，从而实现更加精细化的居民负荷预测。
5.经检索，未发现与本发明相同或相似的现有技术的专利文献。


技术实现要素：

6.本发明的目的在于克服现有技术基于经验而理论支撑体系不足，提出一种基于负荷分解与深度学习的持续型电器负荷预测方法，能够充分细化负荷曲线的规律，降低深度学习模型学习负荷特征的难度，从而实现更准确、更加精细化的持续型电器负荷预测。
7.本发明解决其现实问题是采取以下技术方案实现的：
8.一种基于负荷分解与深度学习的持续型电器负荷预测方法，包括以下步骤：
9.s1、获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义k指数，并对
该居民用户的电器设备进行分类，提取持续型电器；
10.s2、将stl用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；
11.s3、构建gru神经网络模型，并利用负荷分量以及气象因素、日历信息等对其进行训练；
12.s4、将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；
13.s5、对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。
14.而且，所述步骤s1的具体方法为：
15.定义k＝t
on
/t
all
，t
on
为一定时间周期内电器的累计开启时长，t
all
为该周期的总时长；设置k的阈值设定为0.8，k大于0.8时为持续型电器，k小于0.8时为间歇型电器。
16.而且，所述s2的具体方法为：
17.采用stl算法将持续型电器的负荷曲线分解为以下三个分量：
18.(1)趋势分量(t
t
)：表示负荷曲线的长期变化趋势。
19.(2)周期分量(s
t
)：表示负荷曲线的周期性成分，本发明将一天设为一个时间周期。
20.(3)剩余分量(r
t
)：表示负荷曲线中随机的、不规律的分量。
21.对于负荷曲线y有：
22.y
t
＝t
t
+s
t
+r
t t＝1,...,n
23.式中，n表示负荷曲线中数据点的数目。
24.而且，所述步骤s3的gru神经网络模型为三层gru深度学习网络，模型中gru神经元数量分别为128、64、64，每层gru后添加dropout层使神经元随机失活；最后经过全连接层dense层将隐藏层特征压缩为1个点，实现对某时刻的负荷预测；
25.其中，gru模型的表达式为：
26.z
t
＝σ(ωz·
[h
t-1
,x
t
]+bz)
[0027]ft
＝σ(ωf·
[h
t-1
,x
t
]+bf)
[0028][0029][0030]
其中，z
t
、f
t
分别为重置门和更新门的输出，h
t-1
、x
t
分别为上个单元的输出与当前时刻的输入，h
t
为当前时刻的输出，σ(
·
)为sigmoid激活函数，tanh(
·
)为tanh激活函数，
⊙
表示矩阵对应位置相乘。
[0031]
而且，所述步骤s3中gru神经网络的训练方法为：
[0032]
将步骤s2中经过负荷分解的电器历史负荷分量作为训练所用的样本集，具体的：将步骤s2中经过分解的负荷分量均分割成多个样本，每个样本后一天作为网络的标签和评估模型时的参考值，在各样本集上分别训练步骤s2中电器的三个负荷分量，得到对应的深度神经网络模型。
[0033]
本发明的优点和有益效果：
[0034]
1、本发明提出一种基于负荷分解与深度学习的持续型电器负荷预测方法，包括如
下步骤：获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义k指数，并对该居民用户的电器设备进行分类，将电器分为持续型和间歇型两类；将季节性趋势分解(seasonal and trend decomposition using loess，stl)用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；构建门控循环单元(gate recurrent unit，gru)网络，并利用负荷分量以及气象因素、日历信息等对其进行训练；将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。本发明所构建的基于stl分解的持续型电器负荷分解方法将电器负荷分解为趋势分量、周期分量和剩余分量三部分，并利用gru网络实现负荷预测，能够充分细化负荷曲线的规律，降低深度学习模型学习负荷特征的难度，从而实现更准确、更加精细化的持续型电器负荷预测。
[0035]
2、本发明所构建的电器分类方法能够依据电器的负荷特性，通过数据驱动的方式将其分为持续型和间歇型两类，为实现精细化的电器负荷预测提供帮助。
[0036]
3、本发明所构建的基于stl分解的持续型电器负荷分解方法将电器负荷分解为趋势分量、周期分量和剩余分量三部分，能够充分细化负荷曲线的规律，降低深度学习模型学习负荷特征的难度，从而提升负荷预测效果。
[0037]
4、本发明所构建的基于gru的持续型电器负荷分量预测方法能够学习负荷分量的时间序列特性，符合趋势分量、周期分量的序列特征，相比人工神经网络、循环神经网络等能够实现更加准确的预测效果。
附图说明
[0038]
图1为本发明实施例提供的电器设备分类结果；
[0039]
图2为本发明实施例提供的gru网络结构图；
[0040]
图3为本发明实施例提供的持续型电器负荷预测流程图。
具体实施方式
[0041]
以下结合附图对本发明实施例作进一步详述：
[0042]
本发明提出一种基于负荷分解与深度学习的持续型电器负荷预测方法，首先获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义k指数，并对该居民用户的电器设备进行分类，将电器分为持续型和间歇型两类；然后将stl用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；接着构建gru神经网络，并利用负荷分量以及气象因素、日历信息等对其进行训练，将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；最后对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。
[0043]
一种基于负荷分解与深度学习的持续型电器负荷预测方法，包括以下步骤：
[0044]
s1、获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义k指数，并对该居民用户的电器设备进行分类，提取持续型电器；
[0045]
所述步骤s1的具体方法为：
[0046]
定义k＝t
on
/t
all
，t
on
为一定时间周期内电器的累计开启时长，t
all
为该周期的总时
长；设置k的阈值设定为0.8，k大于0.8时为持续型电器，k小于0.8时为间歇型电器。
[0047]
s2、将stl用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；
[0048]
所述s2的具体方法为：
[0049]
采用stl算法将持续型电器的负荷曲线分解为以下三个分量：
[0050]
(1)趋势分量(t
t
)：表示负荷曲线的长期变化趋势。
[0051]
(2)周期分量(s
t
)：表示负荷曲线的周期性成分，本发明将一天设为一个时间周期。
[0052]
(3)剩余分量(r
t
)：表示负荷曲线中随机的、不规律的分量。
[0053]
对于负荷曲线y有：
[0054]yt
＝t
t
+s
t
+r
t t＝1,...,n
[0055]
式中，n表示负荷曲线中数据点的数目。
[0056]
s3、构建gru神经网络模型，并利用负荷分量以及气象因素、日历信息等对其进行训练；
[0057]
所述步骤s3的gru神经网络模型为三层gru深度学习网络，模型中gru神经元数量分别为128、64、64，每层gru后添加dropout层使神经元随机失活；最后经过全连接层dense层将隐藏层特征压缩为1个点，实现对某时刻的负荷预测；
[0058]
其中，gru模型的表达式为：
[0059]zt
＝σ(ωz·
[h
t-1
,x
t
]+bz)
[0060]ft
＝σ(ωf·
[h
t-1
,x
t
]+bf)
[0061][0062][0063]
其中，z
t
、f
t
分别为重置门和更新门的输出，h
t-1
、x
t
分别为上个单元的输出与当前时刻的输入，h
t
为当前时刻的输出，σ(
·
)为sigmoid激活函数，tanh(
·
)为tanh激活函数，
⊙
表示矩阵对应位置相乘。
[0064]
所述步骤s3中gru神经网络的训练方法为：
[0065]
将步骤s2中经过负荷分解的电器历史负荷分量作为训练所用的样本集，具体的：将步骤s2中经过分解的负荷分量均分割成多个样本，每个样本后一天作为网络的标签和评估模型时的参考值，在各样本集上分别训练步骤s2中电器的三个负荷分量，得到对应的深度神经网络模型。
[0066]
s4、将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；
[0067]
s5、对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。
[0068]
在本实施例中，所述步骤s3、s4中网络的输入特征为：
[0069]
当预测第d天、第t个时刻点的负荷时，历史负荷特征为前6个时刻点(t-1，t-2，
…
，t-6)负荷数据，前1、2、7天对应时刻点的负荷数据(d-1，d-2，d-7)，第t个时刻点的温度、湿度和露点、时间数据，第d天的星期和节假日数据。
[0070]
在本实施例中，所述步骤s3、s4中gru神经网络的构建及训练均使用python编程语
言中keras深度学习工具包。
[0071]
实施例1
[0072]
如图1-3所示，本实施例在dred、ampds、uk-dale三个公开数据集上，利用本发明的持续型电器负荷预测方法进行负荷预测，包括以下步骤：
[0073]
s1、获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义k指数，并对该居民用户的电器设备进行分类，将电器分为持续型和间歇型两类。k＝t
on
/t
all
，t
on
为一定时间周期内电器的累计开启时长，t
all
为该周期的总时长。设置k的阈值设定为0.8，k大于0.8时为持续型电器，k小于0.8时为间歇型电器。
[0074]
本实施例使用三个公开数据集进行算例验证。数据集ⅰ为荷兰dutch residential energy dataset(dred)，包括一个居民用户家庭中12个电器的负荷信息，时间维度为2015年7月5日至12月5日。数据集ii为almanac of minutely power dataset(ampds)，该数据集量测了一个加拿大居民在2012年至2014年的家庭用电数据，设计20个电器设备。数据集iii为uk domestic appliance-level electricity(uk-dale)，包括5户居民的真实家庭负荷数据，本发明使用居民2的部分数据用于算例验证。通过使用nilmtk工具，将原始数据降采样至30分钟/点，数据集的详细信息如表1所示。
[0075]
表1数据集描述
[0076][0077]
电器分类结果如图1所示，可以发现，持续型电器主要为冰箱和电热器，间歇型电器主要为灯和电风扇，结果较为合理。
[0078]
s2、将stl用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；
[0079]
由于电力负荷是一类典型的时间序列，因此可以采用时间序列分解方法挖掘曲线规律。stl算法可以将设备的原始负荷曲线分解为以下三个分量：
[0080]
(1)趋势分量(t
t
)：表示负荷曲线的长期变化趋势。
[0081]
(2)周期分量(s
t
)：表示负荷曲线的周期性成分，本发明将一天设为一个时间周期。
[0082]
(3)剩余分量(r
t
)：表示负荷曲线中随机的、不规律的分量。
[0083]
对于负荷曲线y有：
[0084]yt
＝t
t
+s
t
+r
t t＝1,...,n
[0085]
式中，n表示负荷曲线中数据点的数目。
[0086]
stl是一种由内循环和外循环两个阶段组成的迭代方法。内循环部分通过趋势平滑和周期平滑来计算和更新趋势分量与周期分量，外循环部分计算并调整模型的鲁棒性权重，用于下一次内循环，直至满足迭代精度要求。内循环分为以下6个过程：
[0087]
步骤1：在内循环的第k+1次迭代中，将原始分量减去趋势分量，得到去趋势分量y
tdetrend
＝y
t-t
t(k)
；
[0088]
步骤2：采用基于loess的平滑器对y
tdetrend
进行平滑处理，得到原始周期分量
[0089]
步骤3：采用低通滤波器从中获得低通分量
[0090]
步骤4：计算第k+1次内循环的周期分量
[0091]
步骤5：将原始分量减去周期分量，得到序列的去周期分量
[0092]
步骤6：采用loess平滑器对y
tdeseason
进行平滑处理，从而得到趋势分量t
t(k+1)
。
[0093]
内循环完成后，在外循环过程计算剩余分量和模型的鲁棒性权重，以减小异常值对后续内循环过程的影响。
[0094]
s3、构建gru神经网络，并利用负荷分量以及气象因素、日历信息等对其进行训练；
[0095]
lstm在最大限度上解决了长期依赖问题，但其复杂的结构与大量的超参数也导致训练效率低下。gru是cho等人在2014年提出的一种lstm的变体，较lstm模型得以简化，收敛速度加快，且模型推理效果基本接近lstm，其基本结构如图2所示。gru的基本单元包括更新门和重置门，前者相当于lstm的输入门和遗忘门，负责控制历史信息的删除与保留，后者用于控制历史状态信息与当前时刻信息的结合程度。
[0096]
在神经网络结构方面，增加模型的深度可以允许模型计算更复杂的特征，增加神经元的数量则可以增加特征的数目。然而，考虑到负荷分解后的负荷分量已经具备较强的规律性，复杂的模型容易造成特征冗余，提升过拟合的风险。实测表明，三层gru网络较两层效果提升明显，但继续增加gru层数，模型的预测精度基本不变。因此，本发明针对持续型电器设计了三层gru深度学习网络，如表2所示。模型中gru神经元数量分别为128、64、64，每层gru后添加dropout层使神经元随机失活，避免模型过拟合。最后经过全连接层(dense层)将隐藏层特征压缩为1个点，实现对某时刻的负荷预测。本发明使用adam优化器实现网络训练时的梯度下降过程，该优化器能够自适应调整学习率，且计算高效、对内存需求较少。
[0097]
表2 gru网络结构
[0098][0099][0100]
s4、将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三
种负荷分量进行预测；
[0101]
s5、对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。
[0102]
持续型电器的总体负荷预测流程如图3所示。首先，通过stl对每一个持续型电器的历史负荷曲线进行分解，得到三个负荷分量。其次，将每一个负荷分量与其他特征因素输入到gru网络中，进行负荷分量的预测。在该环节中，本发明对规律性较弱的剩余分量也采用了相同的预测方式，这是因为剩余分量并不是完全随机的负荷，只是在stl中未被有效提取，通过gru网络依然可以取得一定的预测效果。接着，将负荷分量预测结果进行聚合，得到设备级的负荷预测结果。最后，将所有设备的负荷预测结果进行汇总，得到持续型电器的负荷预测结果。
[0103]
作为举例，在本实施例中，使用各样本集中后7天的数据作为验证集对构建的模型进行效果验证，将预测值与该天真实的功率曲线进行对比。本发明使用平均绝对误差(mean absolute error，mae)、均方根误差(root mean square error，rmse)和平均绝对百分比误差(mean absolute percentage error，mape)作为负荷预测精度评价指标。mae是描述预测值与真实值间绝对距离的基本方法。rmse可以放大预测偏差较大的点，衡量模型效果的稳定性。mape不仅考虑误差本身的大小，还能反映误差在真实值中的占比。三个评价指标的计算方式如下：
[0104][0105][0106][0107]
其中，n为预测点的数目，yi表示第i个时刻的真实值，为对应的预测值。
[0108]
传统持续型电器负荷预测模型一般不对原始负荷曲线进行分解，直接采用深度学习方法对其进行预测。为验证本发明的有效性和先进性，本实施例从数据集选用8种持续型电器，分别采用gru以及本发明所提的stl-gru方法进行负荷预测，结果如表3所示。由表3可见，与直接使用深度学习模型相比，本发明所提方法的预测误差明显降低，原因是本发明先采用stl方法细化负荷曲线的规律性，所得到的负荷分量(趋势分量、周期分量和剩余分量)具有明显的时间序列典型特征，更利用深度学习算法的训练，从而达到的更好的预测效果，表明本发明能够针对持续型电器的负荷特性，有效提升负荷预测精度。
[0109]
表3本发明所提方法与传统预测方法的误差对比
[0110]
[0111][0112]
本发明提出的一种基于负荷分解与深度学习的持续型电器负荷预测方法。首先对电器进行负荷特性分析，将电器分为持续型和间歇型两类，然后将基于loess的季节性趋势分解方法(stl)应用于持续型电器，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律，最后训练gru网络进行负荷预测。本发明所构建的基于stl分解的持续型电器负荷分解方法将电器负荷分解为趋势分量、周期分量和剩余分量三部分，并利用gru网络实现负荷预测，能够充分细化负荷曲线的规律，降低深度学习模型学习负荷特征的难度，从而实现更准确、更加精细化的持续型电器负荷预测。
[0113]
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。