一种自组织深度学习驱动的绿色电力负荷预测方法和系统

本发明涉及电力负荷预测，尤其涉及一种自组织深度学习驱动的绿色电力负荷预测方法和系统。

背景技术：

1、怎样准确、高效地在各种情境下预测电力负荷，从而指导生产生活具备很强的现实意义。

2、目前大多数研究都是采用基于传统时序预测方法与机器学习、深度学习方法实现电力负荷预测，存在如下问题：

3、传统的时序预测方法和普通的机器学习方法，比较倾向于使用负荷数据的时域、频域及时频域数据，但需要人工提取特征，建模难度大，比较繁琐，对使用者要求较高。

4、现有的深度学习电力负荷预测方法虽然能避免人工提取特征的局限性，以自适应、端到端的形式自动实现负荷预测任务，但深度学习模型较为复杂，模型类型、模型深度和辅助结构都将较大程度上影响预测任务的最终效果，普适性和稳定性有待提升。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种自组织深度学习驱动的绿色电力负荷预测方法和系统解决深度学习模型普适性和稳定性较差的问题。

4、为解决上述技术问题，本发明提供如下技术方案：

5、第一方面，本发明提供了一种自组织深度学习驱动的绿色电力负荷预测方法，包括：

6、获取电力负荷数据，制作绿色电力负荷预测数据集；

7、通过主干特征提取网络和结构优化算法，搭建自组织深度学习驱动的绿色电力负荷预测模型；

8、训练自组织深度学习驱动的绿色电力负荷预测模型，对预测模型进行评估，输出最优预测结果。

9、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述主干特征提取网络中，使用一维卷积神经网络、长短期记忆网络、门控循环单元、se注意力单元单配构成。

10、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述主干特征提取网络中，设计一维卷积神经网络模块，利用卷积神经网络一维形式，对时序信号以特定感受野进行滤波并生成特征映射，每个特征图被看作不同滤波器对当前时间时序信号的卷积操作。

11、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述主干特征提取网络中，设计循环神经网络模块，使用长短期记忆网络及门控循环单元通过设计“门控”结构弥补传统循环神经网络梯度弥散，梯度爆炸的缺陷，长短期记忆网络主要由遗忘门、输入门、细胞状态更新以及输出门构成，遗忘门ft表示为：

12、ft＝σ(wfxt+ufht-1+bf)

13、输入门建立候选值向量并决定细胞状态中储存的信息内容，为后续状态更新做准备；输入门it及候选值向量表示为：

14、it＝σ(wixt+uiht-1+bi)

15、

16、依据输入、遗忘门的内容更新细胞状态ct：

17、

18、激活得到输出门结果ot及整个单元的输出值ht：

19、ot＝σ(woxt+uoht-1+bo)

20、ht＝ot*tanh(ct)

21、其中，xt为t时刻网络的输入；σ为sigmoid激活函数；w、u均为权重，b为偏置向量；c表示细胞状态。

22、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述设计循环神经网络模块中，门控循环单元在长短期记忆网络的基础上进行了相应简化，主要包括重置门和更新门，重置门设计了输入信息与先前信息的结合方式，更新门与长短期记忆网络中的更新过程相似，候选隐藏状态及整个单元的输出值ht分别表示为：

23、

24、

25、其中，为候选隐藏状态；rt为重置门；zt为更新门，表示按元素相乘。lstm及gru均将作为循环神经网络的候选单元参与自组织模型编码。

26、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述主干特征提取网络中，设计se注意力模块，利用全局平均池化将每个通道的一维特征压缩为一个实数，在电力负荷预测任务中将时序特征图从[1,w,c]大小转换为[1,1,c]大小；通过使用神经元个数与通道数相等的全连接层针对每个特征通道赋予一个权重值，并经过softmax函数归一化后输出与特征图通道数相同的权重值；将获取的归一化权重加权到每个通道特征，获取已经包含特征通道重要程度的结果，时序特征图尺寸大小仍然为[1,w,c]。

27、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述结构优化算法中，设计改进的遗传优化算法结构，选择二进制与实数混合编码的方式生成染色体，并使用模型在验证集上的平均绝对百分误差作为适应度函数评价种群个体，完成选择、交叉、变异流程，寻找到性能较优的单元组合形式。

28、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述染色体，分为单元选择部分和循环网络参数部分，以此对是否开启卷积、是否开启注意力机制、是否使用双向循环神经网络、使用哪一种循环神经网络以及循环神经网络的层数和隐含神经元个数进行随机生成；选择方式为轮盘赌选择，保证适应度值较小的个体能以较大的概率遗传至下一代；交叉方法选择多点交叉，以循环网络参数部分随机生成新的数据作为变异手段。

29、作为本发明所述的自组织深度学习驱动的绿色电力负荷预测方法和系统的一种优选方案，其中：所述对预测模型进行评估，通过均方误差,平均绝对百分误差验证和测试模型的表现效果，测试当前模型是否为较优模型，均方误差和平均绝对百分误差分别表示为：

30、

31、

32、其中，yi与y′i分别表示第i个样本的真实值及预测值；n为验证集，测试集样本总数；

33、遗传次数结束后，选取最后在测试集中的最优模型作为选定模型。

34、第二方面，本发明提供了一种自组织深度学习驱动的电力负荷预测系统，包括，数据采集设备、计算设备、控制设备、报警设备、语音设备、显示设备；

35、所述数据采集设备，是用于以固定频率采集电力负荷数值，完成后上传至计算设备；

36、所述计算设备，用于计算得到下一时刻的电力负荷预测情况并通过显示设备显示；

37、所述控制设备，用于接收计算设备传递的电力负荷预测信息，通过对比设定的阈值，若预测值高于阈值时，启动报警设备并通过语音设备播放相关提示语音；

38、各个设备之间通过总线连接计算设备。

39、本发明的有益效果：本发明提出了一种自组织深度学习驱动的电力负荷预测方法和系统。本发明以循环神经网络(lstm和gru)作为主要的时序特征提取手段，辅以卷积神经网络单元、注意力机制单元共同作为可组合成高质量预测模型的基础结构，将遗传算法应用到深度模型的搭配生成中，利用其良好的寻优特性高效获取具备局部最优能力的电力负荷预测模型，使得在任何数据和场景下，所提出的方法都能快速构造一个普适性和稳定性强的优质深度学习模型，可直接在个人计算机、嵌入式设备上运行，无需额外的硬件设施，且使用方法简单，降低了使用成本，有利于在任何条件下部署和实施。