一种基于double-inputCNN-LSTM的系统负荷预测方法及系统与流程

本发明涉及一种系统负荷预测方法及系统，尤其涉及一种基于double-inputcnn-lstm的系统负荷预测方法及系统。

背景技术：

1、电网升级工程着重于解决各级电网协调发展，提升电网智能化水平，提高安全风险防控能力，提高新能源消纳能力；电力市场的建设持续推进，新能源入网将持续增加；这些对精细化的负荷预测提出了更加迫切的要求。

2、近年来，深度学习算法展现出强大的非线性拟合和学习能力，负荷预测中也得以使用。rnn网络及其变体lstm/gru网络作为时序模型，因为其时序学习能力较强，常用于负荷预测业务。cnn模型具有很强的特征提取能力，不少学者通过将cnn模型与lstm模型结合的神经网络用于提高负荷预测精度，但对于预测日信息和负荷的历史时序信息没有分开考虑，不能使模型充分学习负荷变化与历史负荷以及预测日天气、时间变化之间的关系，以至于模型不能准确把负荷曲线形态和负荷峰值。因此如何改进cnn-lstm模型的结合方式，解决历史负荷数据和预测日信息的不对称性，是提升预测精度的一个重点和难点。

技术实现思路

1、发明目的：本发明目的是提供一种基于double-input cnn-lstm的系统负荷预测方法及系统，以解决历史负荷数据和预测日信息的不对称性，提升预测精度。

2、技术方案：本发明包括以下步骤：读取历史实测数值天气、数值天气预报和历史实测负荷；对实测和预测天气数据、历史负荷数据中存在的异常值、缺失值异常点进行数据清洗；对清洗后的数据构造数据特征；构建double-input cnn-lstm时序神经网络；构造特征集为数据集，输入double-input cnn-lstm时序网络进行训练得到模型；并对电力系统进行系统负荷预测。

3、所述异常值的检测方法包括：数据上下限检测和离群值检测。

4、所述数据上下限检测是获取数据历史的最大值最小值，对新数据进行上下限判断，对历史负荷数据统计，设置负荷上下限；对天气数值数据设置上下限；对每个数据超过其上下限的值设置成为异常值。

5、所述离群值检测为：则检测数据离异点，设置成为异常值，具体包括以下过程：

6、对于数值天气预报数据及实测负荷数据中每个样本x∈x，检测不满足μ-3σ≤x≤μ+3σ的数据，标为异常数据；

7、其中，μ为样本均值，其计算公式为：

8、

9、其中，n表示样本数量；xi表示第i个样本的值；σ表示样本标准差；样本标准差σ的计算公式为：

10、

11、其中，n表示样本数量；xi表示第i个样本的值；μ表示当前数据样本均值。

12、所述对清洗后的数据构造数据特征中，特征构造方法包括以下过程：

13、对不同的节假日标记为不同的数字，工作日和周末标记为0，节假日标记的数字大小根据节假日的长短决定；

14、对负荷进行周期、趋势项分解，得到负荷的趋势特征，分解公式为

15、xtrend＝avgpool(padding(x))

16、xseason＝x-xtrend

17、根据温度和湿度计算温湿指数，计算公式为：

18、thi＝tempf-(0.55-0.55hmd)×(tempf-58)

19、式中，thi为计算所得温湿指数，tempf为华氏温度，hmd为相对湿度。

20、所述double-input cnn-lstm时序神经网络包括double-input cnn神经网络、长短记忆网络和全连接层；其中，double-input cnn神经网络包括双输入网络层、当日信息输入层和时序拼接层；双输入网络层和当日信息输入层均与时序拼接层连接，时序拼接层依次与长短记忆网络和全连接层连接。

21、所述双输入网络层用于整合历史负荷特征和计算负荷趋势；当日信息输入层用于提取预测日的特征信息；时序拼接层用于将双输入网络层的输出和当日信息输入层的输出进行concat操作。

22、所述特征集构造成以日为单位的数据集，单个数据集包括历史特征、预测特征、实测负荷。

23、基于double-input cnn-lstm的系统负荷预测系统包括数据库、数据库接口模块、数据清洗模块、特征生成模块和预测模型模块；其中，数据库与数据库接口模块连接，数据库接口模块的输出端连接数据清洗模块，数据清洗模块的输出端连接特征生成模块，特征生成模块的输出端连接预测模型模块，预测模型模块的输出端连接数据接口模块。

24、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述基于double-input cnn-lstm的系统负荷预测方法。

25、有益效果：本发明综合考虑历史负荷的周期性、趋势性变化和预测日的气象影响，模型将特征输入划分为历史特征和预测特征，解决历史特征和预测日特征尺度不对称的问题，提高了系统负荷预测精度和曲线形态准确性，系统负荷预测结果满足电网负荷预测计划要求，能够更好地应用于之后的负荷调度决策中。

技术特征：

1.一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，包括：读取历史实测数值天气、数值天气预报和历史实测负荷；对实测和预测天气数据、历史负荷数据中存在的异常值、缺失值异常点进行数据清洗；对清洗后的数据构造数据特征；构建double-input cnn-lstm时序神经网络；构造特征集为数据集，输入double-input cnn-lstm时序网络进行训练得到模型；并对电力系统进行系统负荷预测。

2.根据权利要求1所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述异常值的检测方法包括：数据上下限检测和离群值检测。

3.根据权利要求2所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述数据上下限检测是获取数据历史的最大值最小值，对新数据进行上下限判断，对历史负荷数据统计，设置负荷上下限；对天气数值数据设置上下限；对每个数据超过其上下限的值设置成为异常值。

4.根据权利要求2所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述离群值检测为：则检测数据离异点，设置成为异常值，具体包括以下过程：

5.根据权利要求2所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述对清洗后的数据构造数据特征中，特征构造方法包括以下过程：

6.根据权利要求1所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述double-input cnn-lstm时序神经网络包括double-input cnn神经网络、长短记忆网络和全连接层；其中，double-input cnn神经网络包括双输入网络层、当日信息输入层和时序拼接层；双输入网络层和当日信息输入层均与时序拼接层连接，时序拼接层依次与长短记忆网络和全连接层连接。

7.根据权利要求6所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述双输入网络层用于整合历史负荷特征和计算负荷趋势；当日信息输入层用于提取预测日的特征信息；时序拼接层用于将双输入网络层的输出和当日信息输入层的输出进行concat操作。

8.根据权利要求1所述的一种基于double-input cnn-lstm的系统负荷预测方法，其特征在于，所述特征集构造成以日为单位的数据集，单个数据集包括历史特征、预测特征、实测负荷。

9.一种基于double-input cnn-lstm的系统负荷预测系统，其特征在于，包括数据库、数据库接口模块、数据清洗模块、特征生成模块和预测模型模块；其中，数据库与数据库接口模块连接，数据库接口模块的输出端连接数据清洗模块，数据清洗模块的输出端连接特征生成模块，特征生成模块的输出端连接预测模型模块，预测模型模块的输出端连接数据接口模块。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行以实现权利要求1～8中任一项所述的基于double-input cnn-lstm的系统负荷预测方法。

技术总结
本发明公开了一种基于double‑input CNN‑LSTM的系统负荷预测方法及系统，该方法包括：获取数值天气预报和实测历史负荷数据，对数据中存在的异常值、缺失值异常点清洗和填充；对清洗后的负荷和天气数据构造成时序特征集，进而划分特征集为训练集、验证集和测试集，输入double‑input CNN‑LSTM时序网络进行训练得到模型；利用训练好的double‑input CNN‑LSTM时序预测模型对电力系统进行系统负荷预测。本发明综合考虑历史负荷的周期性、趋势性变化和预测日的气象影响，模型将特征输入划分为历史特征和预测特征，解决历史特征和预测日特征尺度不对称的问题，提高了系统负荷预测精度和曲线形态准确性，系统负荷预测结果满足电网负荷预测计划要求，能够更好地应用于之后的负荷调度决策中。

技术研发人员：旷文腾,张琪培,伍林,束蛟,陈天宇,王朝晖,陆继翔,王伟,李昀,李红
受保护的技术使用者：国电南瑞科技股份有限公司
技术研发日：
技术公布日：2024/1/15