基于深度神经网络的电网负荷预测系统及其方法与流程

本技术涉及智能监测领域，且更为具体地，涉及一种基于深度神经网络的电网负荷预测系统及其方法。

背景技术：

1、电网负荷预测是指根据历史数据和未来条件，预测电网在一定时期内的用电需求和供电能力的过程。电网负荷预测对于电力系统的规划、运行和控制具有重要的意义。通过电网负荷预测，可以合理地安排发电设备的投入和出力，保证电力供需平衡，提高电能的利用效率，降低运行成本，减少环境污染，提高电力系统的安全性和可靠性。

2、然而，现有的电网负荷预测在负荷波动大或出现异常情况时，预测结果与实际负荷相差较大，导致电力系统运行风险增加。

3、因此，期待一种优化的电网负荷预测方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于深度神经网络的电网负荷预测系统及其方法。其首先将包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别排列输入向量后再分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，接着，构建相应的高斯混合模型后进行高斯离散化以得到解码特征矩阵，最后，对所述解码特征矩阵进行特征分布优化后通过解码器进行解码回归以得到被监测区域的用能预测值。这样，可以实现对用户电、热、气、冷等各类用能行为的精准感知和预测。

2、根据本技术的一个方面，提供了一种基于深度神经网络的电网负荷预测系统，其包括：用能数据获取模块，用于获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；数据结构化模块，用于将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；时序特征提取模块，用于将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；高斯混合模块，用于构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；高斯离散化模块，用于对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；特征分布优化模块，用于对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及解码回归模块，用于将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。

3、在上述的基于深度神经网络的电网负荷预测系统中，所述时序特征提取模块，包括：第一卷积单元，用于使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；第二卷积单元，用于使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及融合单元，用于将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。

4、在上述的基于深度神经网络的电网负荷预测系统中，所述第一卷积单元，进一步用于：使用所述时序特征提取器的第一卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第一卷积层以得到所述第一尺度电用能行为消耗量特征向量、所述第一尺度热用能行为消耗量特征向量、所述第一尺度气用能行为消耗量特征向量和所述第一尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第一卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。

5、在上述的基于深度神经网络的电网负荷预测系统中，所述第二卷积单元，进一步用于：使用所述时序特征提取器的第二卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第二卷积层以得到所述第二尺度电用能行为消耗量特征向量、所述第二尺度热用能行为消耗量特征向量、所述第二尺度气用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第二卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。

6、在上述的基于深度神经网络的电网负荷预测系统中，所述高斯混合模块，用于：使用高斯密度图以如下高斯混合公式来构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；其中，所述高斯混合公式为：，其中，表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量之间的按位置均值向量，且的每个位置的值表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量中各个位置的特征值之间的方差。

7、在上述的基于深度神经网络的电网负荷预测系统中，所述特征分布优化模块，包括：因数计算单元，用于计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及

8、加权单元，用于基于所述多个位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权以得到所述优化后解码特征矩阵。

9、在上述的基于深度神经网络的电网负荷预测系统中，所述因数计算单元，进一步用于：以如下因数计算公式计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述因数计算公式为：， 其中， 代表将二维实数映射为一维实数的函数，和分别是所述解码特征矩阵的宽度和高度，是所述解码特征矩阵的第 个特征值，是所述解码特征矩阵的所有特征值的全局均值，为所述解码特征矩阵的各个特征值的坐标，表示以2为底的对数函数， 表示所述多个位置信息图式注意力响应因数中第个位置信息图式注意力响应因数。

10、在上述的基于深度神经网络的电网负荷预测系统中，所述解码回归模块，用于：使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述被监测区域的用能预测值，其中，所述解码回归公式为：，其中，是所述解码特征矩阵，是所述被监测区域的用能预测值，是权重矩阵，表示矩阵乘。

11、根据本技术的另一个方面，提供了一种基于深度神经网络的电网负荷预测方法，其包括：获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及

12、将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。

13、在上述的基于深度神经网络的电网负荷预测方法中，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，包括：使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及

14、将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。

15、与现有技术相比，本技术提供的基于深度神经网络的电网负荷预测系统及其方法，其首先将包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别排列输入向量后再分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，接着，构建相应的高斯混合模型后进行高斯离散化以得到解码特征矩阵，最后，对所述解码特征矩阵进行特征分布优化后通过解码器进行解码回归以得到被监测区域的用能预测值。这样，可以实现对用户电、热、气、冷等各类用能行为的精准感知和预测。