基于人口流动数据和双阶段注意力机制的负荷预测方法和系统与流程

本发明涉及电网负荷预测，具体涉及基于人口流动数据和双阶段注意力机制的负荷预测方法和系统。

背景技术：

1、准确的电力负荷预测是电网安全可靠运行的关键，因为它是发电规划的基础，是电网科学管理和调度的重要依据。传统的负荷预测方法大多基于历史负荷数据、天气数据以时间数据作为预测未来短时用电负荷大小的依据，导致用电负荷特征变化时，历史负荷数据难以变化之后的用电特性。根据历史负荷数据等传统负荷预测方法必然会产生较大误差，将会对电网的调度以及安全运行产生较大威胁。

2、基于深度学习的负荷预测方法作为当前的研究热点，吸引了众多国内外学者参与相关研究。目前基于深度学习算法的负荷识别方法主要包括数据采集、特征提取、样本训练和预测结果输出这几个主要步骤，主要针对负荷识别的深度学习算法展开研究，通过改善传统的深度学习算法的结构和相关参数，实现了预测精度的提升，并获得众多成果。算法的基本思想为利用长短记忆神经网络(lstm)、反向传播神经网络(bp)、深度卷积神经网络(cnn)等作为计算模型，并依据历史数据和气象数据等作为训练数据机进行负荷的识别。

3、现有的负荷识别方法存在的问题有：仅依靠历史用电负荷数据、电气数据等作为模型的训练数据，由此训练得到的模型，对于多维度的输入数据无法有效获取数据的重要负荷特征，甚至造成输入数据特征冗余。

技术实现思路

1、为解决针对现阶段负荷预测研究的不足，本发明提供基于人口流动数据和双阶段注意力机制的负荷预测方法和系统，涉及互信息算法，以及改进的长短记忆神经网络，且在长短记忆神经网络中加入两阶段的注意力机制算法，利用天气负荷数据、时间数据、历史负荷数据以及人口流动数据作为模型的输入数据，可以通过人口流动数据反映居民用电负荷情况，并利用互信息算法提取用电负荷与相关影响关系的不同权重，在模型训练阶段，双阶段注意力机制能够有效提取数据的时间序列和特征序，并在模型训练完成后增加的误差修正模块，进一步提高率模型负荷预测的准确率。

2、本发明采用如下的技术方案。

3、基于人口流动数据和双阶段注意力机制的负荷预测方法，包括以下步骤：

4、步骤1、获取天气数据、时间数据、历史负荷数据和人口流动数据作为模型训练数据；

5、步骤2、对步骤1得到的训练数据进行多源信息处理和筛选；

6、步骤3、采用步骤2得到的数据训练基于双阶段注意力机制的负荷预测模型；

7、步骤4、采用训练后的负荷预测模型进行负荷预测，得到初步预测结果；

8、步骤5、对初步预测结果进行预测误差修正，获得最终的负荷预测结果。

9、优选地，步骤1具体包括：

10、步骤11、获取天气数据、历史用电负荷数据、时间数据以及人口流动数据；

11、步骤12、将步骤1得到的用电负荷相关数据进行合并，得到与时间序列相关的特征序列矩阵数据，作为模型训练数据。

12、优选地，所述天气数据包括温度、湿度、天晴、下雨、气压；

13、所述时间数据包括工作日、休息日、节假日信息；

14、所述人口流动数据包括商场、车站、居家、公司信息。

15、优选地，步骤2具体包括：

16、步骤21、对训练数据进行归一化处理；

17、步骤22、根据mi算法计算训练数据中天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性；

18、步骤23、从训练数据中筛选获取天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性最大的特征序列数据。

19、优选地，步骤22中，根据mi算法计算训练数据中天气数据、历史负荷数据、时间数据以及人口流动数据与用电负荷之间相关性的公式为：

20、

21、其中，p(x，y)是x和y的联合概率密度函数；

22、p(x)和p(y)是边际密度函数；

23、x表示不同影响因素，包括天气数据、历史负荷数据、时间数据以及人口流动数据；

24、y表示用电负荷大小；

25、x、y分别表示输入序列和输出序列。

26、优选地，步骤3所述基于双阶段注意力机制的负荷预测模型为改进的长短记忆网络，该网络包括：

27、第一阶段编码层，其采用特征注意力机制获取输入数据的关键特征量

28、第二阶段解码层，其采用时间注意力机制获取长时间相关性中的关键信息

29、优选地，编码层对于输入序列x中的第k维度序列xk，根据上一时刻编码器的隐藏状态ht-1和单元状态st-1构造注意力机制如下式所示：

30、

31、

32、其中，和是模型需要学习的参数；

33、和是编码层的隐藏状态和单元状态；

34、m是隐藏层的大小；

35、t表示时刻；

36、n分别表示注意力权重、权重向量、第i个序列的权重向量、序列的长度。

37、优选地，解码层根据下式计算注意力权重向量ei，该向量表示未归一化的输入重要性；

38、ei＝tanh(wd[hi；st-1]+bd)

39、其中，wd和bd是需要模型学习的权重参数；

40、模型经过训练后，得到表示未归一化的隐藏状态重要性的ei，通过下式进行归一化，得到各个时刻的输入序列的关注概率βiβi表示不同时刻产生上下文的重要程度；

41、

42、其中，t表示时间周期。

43、优选地，步骤5中，将原始的真实负荷值与初步负荷预测结果进行作差以获取误差值，并采用长短记忆网络对误差值进行训练，获得预测误差值，采用预测误差值对初步负荷预测结果进行修正。

44、优选地，还包括对预测结果进行准确性评价，具体的：

45、在点负荷预测中，使用平均绝对误差mae、根均方误差emse作为评价指标；

46、在概率负荷预测中，使用弹球损失pinball loss和winkler指数作为评价指标。

47、基于人口流动数据和双阶段注意力机制的负荷预测系统，包括：

48、数据获取模块，用于获取天气数据、时间数据、历史负荷数据和人口流动数据作为模型训练数据；

49、数据处理模块，用于对数据获取模块得到的训练数据进行多源信息处理和筛选；

50、模型训练模块，用于采用数据处理模块得到的数据训练基于双阶段注意力机制的负荷预测模型；

51、初步预测模块，用于采用训练后的负荷预测模型进行负荷预测，得到初步预测结果；

52、误差修改模块，用于对初步预测结果进行预测误差修正，获得最终的负荷预测结果。

53、一种终端，包括处理器及存储介质；所述存储介质用于存储指令；

54、所述处理器用于根据所述指令进行操作以执行所述方法的步骤。

55、计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。

56、与现有技术相比，本发明所达到的有益效果为：

57、在输入数据选取阶段，将天气数据、时间数据、历史负荷数据以及人口流动数据作为负荷预测模型的训练数据，其中人口流动数据能够反映居民的用电情况，通过增加人口流动数据作为模型的训练数据，其训练得到的模型更符合当前社会实际情况，可有效提高预测准确率；

58、在数据预处理阶段，通过采用mi(mutual information，互信息)算法对输入的多维数据进行相关性计算，通过计算不同变量与实际用电负荷之间的权重系数进行数据筛选，从而减少了多维数据的冗余性；

59、在模型设计阶段，采用具有双阶段注意力机制的lstm负荷预测模型，在模型的编码层注意力机制用于选择关键的特征量，在解码层注意力机制由于选择上时间相关性中的关键信息，能够有效处理多维度数据与预测数据之间的影响关系；

60、在误差修正阶段，通过将初步的负荷预测结果与真实的负荷值进行误差计算，并对误差数据采用长短记忆网络进行训练获取误差预测结果，并结合原始负荷预测值进行误差修正，能够有效的提升负荷预测准确率。