一种智能电网短期负荷预测方法、系统及存储介质与流程

本发明涉及智能电网，具体涉及一种智能电网短期负荷预测方法、系统及存储介质。

背景技术：

1、在现代电力系统的发展中，电力系统发、输、变、配、用的整个过程处于完全同步中，所以为了保证电力系统的稳定运行，就需要保证电力系统处于一个动态平衡状态。电力系统负荷预测就是利用大量的历史数据，结合影响负荷变化因素的相关数据，进行分析、计算，运用精确度较高的预测模型对未来一段时间内的负荷进行预测。但是，传统的短期负荷预测方法一方面考虑的影响因素有限，不能抓住数据之间存在的周期性等关系，另一方面由于训练算法本身的局限性导致训练效率低、训练精度低。

2、现有技术中，申请公布号为cn115099502a的专利提出了一种基于用户间用电行为相似性的短期电力负荷预测方法，基于自编码器模型，计算目标用户与其它用户之间的用电行为相似度，从其它用户中选择与目标用户的用电行为相似度较高的相关用户；基于集合经验模态分解将目标用户和相关用户的历史用电数据分解为分量数据，并与历史用电数据融合构建预测数据；基于一维卷积神经网络和多头注意力机制构建短期电力负荷预测模型，利用短期电力负荷预测模型根据预测数据对目标用户进行短期电力负荷预测。该专利方案虽然能够提升用户短期电力负荷预测的性能，但是其没有考虑影响短期负荷重要因素——温度、日期类型等，导致预测结果存在一定的误差。

3、另外，申请公开号为cn110188919a的专利文献提出了一种基于长短时记忆网络的负荷预测方法，包括：采集目标区域在某一时间段的用电负荷数据及对应的天气特征数据，形成原始数据集；利用spark集群对原始数据集进行缺失值处理；对原始数据集进行特征选择；对原始数据集进行特征压缩；建立基于长短期记忆网络的预测模型；利用spark集群对预测模型进行分布式训练；根据前一时间点的天气特征数据与用电负荷数据，利用预测模型进行分布式预测，得到当前时间点的负荷预测值。该专利方案虽然在一定程度上考虑天气特征的影响，但是由于模型本身的局限性，导致预测精度不够高。

4、因此，如何在综合考虑各个影响电网短期负荷影响因数的情况下，有使得对电网短期负荷的预测效率和预测精度得以提升的方法，是目前现有技术所欠缺的。

技术实现思路

1、有鉴于此，本技术实施例的目的在于提供一种智能电网短期负荷预测方法、系统及存储介质，基于预测日的温度、日期类型、季节类型等因素，寻找历史相似日，可以获得相对准确的预测负荷，使得智能电网短期负荷的预测效率和预测精度得到提升。

2、为实现上述技术目的，本技术采用的技术方案如下：

3、第一方面，本技术提供了一种智能电网短期负荷预测方法，包括以下步骤：

4、根据负荷数据、温度数据的周期特性，对原始数据进行预处理；

5、使用全连接神经网络，利用激活函数selu并结合季节数据对所述温度数据和所述负荷数据进行非线性变换；其中季节数据指季节的one-hot代码；

6、将全连接神经网络处理后的温度数据和负荷数据传输进网络模型，进行短期负荷预测；

7、对所述网络模型中的参数进行调节，选取最优参数；

8、绘制负荷预测曲线与对比模型的预测曲线。

9、进一步，所述负荷数据、温度数据的周期包括时周期、日周期、周周期和月周期，对负荷数据、温度数据的时周期、日周期、周周期和月周期进行预处理后，得到dh、dd、dw、dm及t、td、tw、tm，其中dh表示第二天第h小时之前的最后24小时的负荷；dd表示第二天前一周的每一天的第h小时的负荷；dw表示第二天前1、2、3和4周的第h小时的负荷；dm表示第二天前4、8、12、16、20和24周的第h小时的负荷；t表示第二天第h小时的温度；td表示第二天前一周的每一天的第h小时的温度；tw表示表示第二天前1、2、3和4周的第h小时的温度；tm表示表示第二天前4、8、12、16、20和24周的第h小时的温度。

10、进一步，所述网络模型包括全连接神经网络模型、卷积残差网络模型、resnetplus模型、arima模型、残差lstm网络模型和深度双向长短期记忆网络模型中的一种。

11、进一步，所述将全连接神经网络处理后的温度数据和负荷数据传输进网络模型包括：将全连接神经网络处理后的温度数据和负荷数据传输进深度双向长短期记忆网络中，其中所述双向长短期记忆网络通过堆叠n个attention-bilstm模块，进行短期负荷预测；建立基于注意力机制的所述双向长短期记忆网络模块的深度神经网络模型，其中n表示网络深度。深度双向长短期记忆网络模型可以比其他模型更好地处理时间序列问题。且在负荷预测问题上具有更强的性能和更加出色的泛化能力。

12、进一步，所述对网络模型中的参数进行调节，选取最优参数，包括：分别对所述网络模型中的激活函数选取、卷积核尺寸、滤波器数量、bilstm网络神经元数量、网络深度、模型训练时间进行调节，选取最优参数。

13、进一步，所述双向长短期记忆网络模块的深度神经网络模型，包括：

14、输入层：原始输入先通过全连接神经网络进行短期负荷影响因素的特征筛选，然后将x0分别传送到主路径和侧路径的第一个attention-bilstm模块中，x0指第一层的初始输入；同时，原始输入x0依次传输到左侧均值层中，通过快捷连接对每一层进行平均操作，在第一层，即t＝1中，attention-bilstm模块在主路径和侧路径中的输入都是x0；

15、均值操作：对于第t层，所述t＞1，主路径中attention-bilstm模块的输入为上一层中左均值层的输出值，侧路径中attention-bilstm模块的输入为第一层attention-bilstm模块的输出，第t个左均值层的输入为初始输入x0，其中t＝1，或第t个右均值层的输出，其中t>1，右均值层的输入为上一层主路径和侧路径的输出；

16、输出层：输出只连接到最后一层的左平均算子，输出层为左均值层的输出。

17、进一步，所述激活函数selu的表达式为：其中λ＝1.0577，α＝1.6733，e为自然常数，e＝2.718，x为激活函数的输入。

18、进一步，所述网络深度n＝6。本发明的实验结果表明，不同深度的模型对负荷预测精度的影响较大，随着网络层数变深，模型的预测精度不断提高，但当模型的深度提高到一定程度时，预测精度开始下降，与此同时，模型的训练时间也不断增加；这表明利用深度双向长短期记忆网络处理短期负荷预测问题时，由于输入数据的特征不多，盲目地增加网络的深度来分离更多的特征已不再可行和实用；相反，模型的训练时间会随着模型深度的增加而逐渐增加；所以当网络深度n＝6时，本发明模型的预测精度达到最高。

19、第二方面，本发明还公开了一种智能电网短期负荷预测系统，所述智能电网短期负荷预测系统使用了上述的一种智能电网短期负荷预测方法。

20、第三方面，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。

21、采用上述技术方案的发明，具有如下优点：

22、本发明采用双向长短期记忆网络和深度残差网络建立短期负荷预测模型，其中将bilstm与注意力机制结合，充分发挥bilstm解决长期依赖问题的优良特性，能够对输入的信息进行甄别后选择丢弃或者保留，而注意力机制能够对输入的数据赋予不同的权重，在进行训练时，能把数据中对预测结果影响较大的部分重点凸显出来，从而提高预测的精度；在深度网络中，随着网络结构深度加深时，网络能捕捉数据间的深层关系，从而提高负荷预测的精度。