本发明涉及电力,特别是一种电力系统短期负荷预测和电力系统短期负荷预测装置。
背景技术:
1、电力数据分析已经进入了大数据时代,通过先进的计量基础设施(advancedmetering infrastructure,ami)采集的大量实时细粒度能耗数据为电力供需平衡分析提供了更可靠的信息。准确的短期负荷预测(short-term load forecasting,stlf)可以为电力卖方、调度员和用户提供参考,制定更合理的电力销售计划、调度计划和用电计划。因此,在大量相似负荷预测场景下,研究减少预测模型的训练时间成本,同时保证一定的预测精度,以及研究提高小样本下的负荷预测,具有重要意义。
2、在过去的几十年里,研究人员设计了各种各样的短期预测模型(short-term loadforecasting model,slfm),例如:自回归模型(自回归移动平均、自回归积分移动平均)、支持向量机等。大量的研究文献表明了它们在stlf领域的有效性。然而,与系统级的负荷相比,低层级,尤其是居民配电变压器这类层级的负荷,其负荷非线性特性更加明显,目前已提及的方法预测精度受到限制,导致预测精度降低。
技术实现思路
1、鉴于上述问题,本发明提出了一种电力系统短期负荷预测和电力系统短期负荷预测装置。
2、本发明实施例提供了一种电力系统短期负荷预测方法,所述电力系统短期负荷预测方法包括:
3、基于每个预测场景各自的短期负荷历史曲线,结合每个短期负荷历史曲线的时序和分布相似性进行聚类,得到最优聚类结果,所述最优聚类结果包括:多个最优聚类的类别;
4、根据目标应用场景的不同,建立基于transformer的不同负荷预测模型,并利用所述短期负荷历史曲线和已知特征,对每个类别中的负荷预测模型进行模型训练和评估,得到每个类别各自的性能最佳模型;
5、对每个类别各自的性能最佳模型进行模型迁移,以使得每个性能最佳模型各自应用于类间其它应用场景中,进行短期负荷预测。
6、可选地,不同所述负荷预测模型包括:单个编码器和多个解码器,或者包括:单个编码器和单个解码器;
7、建立基于transformer的不同负荷预测模型,包括:
8、单个所述编码器接收已知历史特征和已知预报特征,利用transformer的特性进行编码运算,得到输出特征并传输至单个解码器或者多个所述解码器,一个所述解码器对应一个预测场景;
9、单个所述解码器,对所述输出特征利用所述transformer的特性进行解码运算,得到一个对应预测场景的短期负荷预测曲线;
10、多个所述解码器,对所述输出特征利用所述transformer的特性进行解码运算,得到各自对应预测场景的短期负荷预测曲线。
11、可选地,所述编码器接收已知历史特征和已知预报特征,利用transformer的特性进行编码运算,得到输出特征,包括:
12、预设所述已知历史特征为xh∈rh×n,所述已知预报特征为xp∈rp×n,其中h表示已知历史特征时间长度,p表示已知预报特征时间长度,n表示用于预测的特征个数;
13、将所述已知历史特征和所述已知预报特征各自输入至多头注意力层,通过线性映射、点积以及归一化,得到每个注意力层的输出,多个注意力层堆叠得到多头注意力层的输出multihead(q,k,v),表示如下:
14、multihead(q,k,v)=concat(head1,...,headm)wo
15、
16、上式中,m表示注意力头的个数,wo表示融合多头注意力,并映射到合适维度的线性映射权重,q=xwq,k=xwk,v=xwv,x表示注意力层的输入数据xh和xp,分别表示线性映射权重,q、k、v分别表示值矩阵、键矩阵、查询矩阵;
17、将所述多头注意力层的输出multihead(q,k,v)与注意力层的输入x相加并进行层归一化得到normout1,表示为:
18、normout1=norm(x+multihead(q,k,v))
19、将所述normout1输入到前馈神经网络得到前馈神经网络输出特征,再将该所述normout1与所述前馈神经网络的输出特征相加并进行层归一化得到normout2,表示为:
20、normout2=norm(normout1+fc(normout1))
21、上式中,fc(·)表示全连接神经网络;
22、对所述已知历史特征的输出特征和所述已知预报特征的输出特征为进行堆叠得到encoderout,表示为:
23、
24、上式中,所述已知历史特征xh的输出特征为所述已知预报特征xp的输出特征为
25、可选地,基于每个预测场景各自的短期负荷历史曲线,结合每个短期负荷历史曲线的时序和分布相似性进行聚类,得到最优聚类结果,包括:
26、对每个短期负荷历史曲线进行z-score标准化,得到标准化曲线;
27、设定峰高和峰宽,对每个标准化曲线提取序列峰谷点;
28、将峰谷点横轴进行拉伸,并在纵轴上利用dbscan进行密度聚类,进行峰谷点对齐,提取每个标准化曲线的序列关键点,忽略离群点;
29、利用欧式距离作为进行时序相似性的度量,进行相似性度量计算,以及进行层次聚类和相似性指标计算;
30、基于相似性度量计算结果,以及层次聚类和相似性指标计算结果,结合预设分布相似性阀值,得到所述最优聚类结果。
31、可选地,利用欧式距离作为进行时序相似性的度量,进行相似性度量计算,以及进行层次聚类和相似性指标计算,包括:
32、计算不同序列关键点之间的欧氏距离矩阵:de∈rm×m;
33、利用核密度估计短期负荷预测曲线的概率分布,将kl散度,作为序列分布相似性的度量,计算不同短期负荷预测曲线之间的kl散度矩阵;
34、计算在聚类个数n下,层次聚类的结果:c={c1,...,cn}及相应的分布相似性指标:simdis,如下式所示:
35、
36、上式中,表示类间的散度和,表示不同类间的散度和,xp是任一类ci中的负荷序列,xq是任一类cj中的负荷序列。
37、可选地,根据目标应用场景的不同,建立基于transformer的不同负荷预测模型,并利用所述短期负荷历史曲线和已知特征,对每个类别的负荷预测模型进行模型训练和评估,得到每个类别各自的性能最佳模型,包括:
38、确定所述目标应用场景为大样本场景或者为小样本场景;
39、在所述目标应用场景为所述大样本场景的情况下,构建基于transformer的第一负荷预测模型;
40、在所述目标应用场景为所述小样本场景的情况下,构建基于transformer的第二负荷预测模型;
41、根据所述最优聚类结果,利用所述短期负荷历史曲线和所述已知特征,对所述第一负荷预测模型或者所述第二负荷预测模型,划分训练集和测试集,并训练模型和评估模型,得到每个类别各自的性能最佳模型。
42、可选地,所述已知特征包括:已知历史特征、已知预报特征;
43、根据所述最优聚类结果,利用所述短期负荷历史曲线和已知特征,对所述第一负荷预测模型或者所述第二负荷预测模型,划分训练集和测试集,并训练模型和评估模型,得到每个类别各自的性能最佳模型,包括:
44、根据所述最优聚类结果copt,在所述第一负荷预测模型对应的目标应用场景中,选取任一场景r作为参考场景;
45、将所述参考场景的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第一负荷预测模型对应的训练集和测试集;
46、以均方误差最小作为目标函数,通过梯度反向传播算法利用所述训练集对所述第一负荷预测模型进行多次训练,并利用所述测试集评估所述第一负荷预测模型,得到每个类别各自的性能最佳模型;或者,
47、根据所述最优聚类结果copt,在所述第二负荷预测模型对应的目标应用场景中,选取任一类ci;
48、将所述类ci的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第二负荷预测模型对应的训练集和测试集;
49、以均方误差最小作为目标函数,通过梯度反向传播算法利用所述训练集对所述第一负荷预测模型进行多次训练,并利用所述测试集评估所述第二负荷预测模型,得到每个类别各自的性能最佳模型。
50、可选地,对每个类别各自的性能最佳模型进行模型迁移,以使得每个性能最佳模型各自应用于类间其它应用场景中,进行短期负荷预测,包括:
51、根据最优聚类结果copt,将各类别中的性能最佳模型分别应用于各自类间的其他目标场景上;
52、基于所述其他目标场景,搭建基于transformer的第三负荷预测模型,并将其他目标场景的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第三负荷预测模型对应的训练集和测试集,微调其他目标场景所在类别中的性能最佳模型的输出层;
53、在所述训练集中利用带2-范数约束的最小二乘法求解所述第三负荷预测模型的输出层参数,并利用所述测试集评估所述第三负荷预测模型,以使得所述第三负荷预测模型应用于所述其他目标场景中,进行短期负荷预测。
54、可选地,对每个类别各自的性能最佳模型进行模型迁移,以使得每个性能最佳模型各自应用于类间其它应用场景中,进行短期负荷预测,包括:
55、根据最优聚类结果copt,将各类别中的性能最佳模型分别应用于各自类间的其他目标场景上;
56、计算其它目标场景与每个预测场景的时序和分布相似性,并将所述其它目标场景划归至最接近预测场景;
57、基于所述最接近预测场景,搭建基于transformer的第四负荷预测模型,并将所述其它目标场景的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第四负荷预测模型对应的训练集和测试集;
58、以均方误差最小作为目标函数,通过bp算法利用所述训练集,对所述第四负荷预测模型的解码器进行训练,并利用所述测试集评估进行解码器训练后的第四负荷预测模型,以使得所述进行解码器训练后的第四负荷预测模型应用于其他目标场景中,进行短期负荷预测。
59、本发明实施例还提供了一种电力系统短期负荷预测装置,所述电力系统短期负荷预测装置包括:
60、聚类模块,用于基于每个预测场景各自的短期负荷历史曲线,结合每个短期负荷历史曲线的时序和分布相似性进行聚类,得到最优聚类结果,所述最优聚类结果包括:多个最优聚类的类别;
61、建模训练和评估模块,用于根据目标应用场景的不同,建立基于transformer的不同负荷预测模型,并利用所述短期负荷历史曲线和已知特征,对每个类别中的负荷预测模型进行模型训练和评估,得到每个类别各自的性能最佳模型;
62、迁移模块,用于对每个类别各自的性能最佳模型进行模型迁移,以使得每个性能最佳模型各自应用于类间其它应用场景中,进行短期负荷预测。
63、可选地,所述聚类模块包括:
64、标准化单元,用于对每个短期负荷历史曲线进行z-score标准化,得到标准化曲线;
65、提取单元,用于设定峰高和峰宽,对每个标准化曲线提取序列峰谷点;
66、对齐单元,用于将峰谷点横轴进行拉伸,并在纵轴上利用dbscan进行密度聚类,进行峰谷点对齐,提取每个标准化曲线的序列关键点,忽略离群点;
67、计算单元,用于利用欧式距离作为进行时序相似性的度量,进行相似性度量计算,以及进行层次聚类和相似性指标计算;
68、聚类单元,用于基于相似性度量计算结果,以及层次聚类和相似性指标计算结果,结合预设分布相似性阀值,得到所述最优聚类结果。
69、可选地,所述计算单元具体用于:
70、计算不同序列关键点之间的欧氏距离矩阵:de∈rm×m;
71、利用核密度估计短期负荷预测曲线的概率分布,将kl散度,作为序列分布相似性的度量,计算不同短期负荷预测曲线之间的kl散度矩阵;
72、计算在聚类个数n下,层次聚类的结果:c={c1,...,cn}及相应的分布相似性指标:simdis,如下式所示:
73、
74、上式中,表示类间的散度和,表示不同类间的散度和,xp是任一类ci中的负荷序列,xq是任一类cj中的负荷序列。
75、可选地,所述建模训练和评估模块包括:
76、场景单元,用于确定所述目标应用场景为大样本场景或者为小样本场景;
77、第一建模单元,用于在所述目标应用场景为所述大样本场景的情况下,构建基于transformer的第一负荷预测模型;
78、第二建模单元,用于在所述目标应用场景为所述小样本场景的情况下,构建基于transformer的第二负荷预测模型;
79、训练和评估单元,用于根据所述最优聚类结果,利用所述短期负荷历史曲线和所述已知特征,对所述第一负荷预测模型或者所述第二负荷预测模型,划分训练集和测试集,并训练模型和评估模型,得到每个类别各自的性能最佳模型。
80、可选地,所述已知特征包括:已知历史特征、已知预报特征;所述训练和评估单元具体用于:
81、根据所述最优聚类结果copt,在所述第一负荷预测模型对应的目标应用场景中,选取任一场景r作为参考场景;
82、将所述参考场景的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第一负荷预测模型对应的训练集和测试集;
83、以均方误差最小作为目标函数,通过梯度反向传播算法利用所述训练集对所述第一负荷预测模型进行多次训练,并利用所述测试集评估所述第一负荷预测模型,得到每个类别各自的性能最佳模型;或者,
84、根据所述最优聚类结果copt,在所述第二负荷预测模型对应的目标应用场景中,选取任一类ci;
85、将所述类ci的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第二负荷预测模型对应的训练集和测试集;
86、以均方误差最小作为目标函数,通过梯度反向传播算法利用所述训练集对所述第一负荷预测模型进行多次训练,并利用所述测试集评估所述第二负荷预测模型,得到每个类别各自的性能最佳模型。
87、可选地,所述迁移模块包括:
88、第一应用单元,用于根据最优聚类结果copt,将各类别中的性能最佳模型分别应用于各自类间的其他目标场景上;
89、建模微调单元,用于基于所述其他目标场景,搭建基于transformer的第三负荷预测模型,并将其他目标场景的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第三负荷预测模型对应的训练集和测试集,微调其他目标场景所在类别中的性能最佳模型的输出层;
90、求解应用单元,用于在所述训练集中利用带2-范数约束的最小二乘法求解所述第三负荷预测模型的输出层参数,并利用所述测试集评估所述第三负荷预测模型,以使得所述第三负荷预测模型应用于所述其他目标场景中,进行短期负荷预测。
91、可选地,所述迁移模块还包括:
92、第二应用单元,用于根据最优聚类结果copt,将各类别中的性能最佳模型分别应用于各自类间的其他目标场景上;
93、划归单元,用于计算其它目标场景与每个预测场景的时序和分布相似性,并将所述其它目标场景划归至最接近预测场景;
94、建模划分单元,用于基于所述最接近预测场景,搭建基于transformer的第四负荷预测模型,并将所述其它目标场景的已知历史特征、已知预报特征以及短期负荷历史曲线,按照预设条件划分为所述第四负荷预测模型对应的训练集和测试集;
95、训练应用单元,用于以均方误差最小作为目标函数,通过bp算法利用所述训练集,对所述第四负荷预测模型的解码器进行训练,并利用所述测试集评估进行解码器训练后的第四负荷预测模型,以使得所述进行解码器训练后的第四负荷预测模型应用于其他目标场景中,进行短期负荷预测。
96、本发明提供的电力系统短期负荷预测方法,首先基于每个预测场景各自的短期负荷历史曲线,结合每个短期负荷历史曲线的时序和分布相似性进行聚类,得到最优聚类结果。
97、之后根据目标应用场景的不同,建立基于transformer的不同负荷预测模型,并利用短期负荷历史曲线和已知特征,对每个类别中的负荷预测模型进行模型训练和评估,也即实现提取通用特征,从而得到每个类别各自的性能最佳模型;对每个类别各自的性能最佳模型进行模型迁移,以使得每个性能最佳模型各自应用于类间其它应用场景中,进行短期负荷预测。
98、本发明针对低层级,尤其是针对居民配电变压器这类层级的负荷,首先得到每个预测场景各自的短期负荷历史曲线,由于这类负荷的特征较为集中,因此可以进行聚类,得到一定数量的聚类类别。再针对每个实际应用的场景提取出通用特征,进而得到每个类别各自的性能最佳模型。最后将性能最佳模型迁移到类间的其它应用场景上,即可简洁、便利的对任意应用场景进行短期负荷预测。极大的提升了低层级负荷的预测精度,并且运算量小、运算速度较快,具有较高的实用性。