本申请涉及负荷预测,尤其涉及一种配用电系统多元负荷预测方法及相关装置。
背景技术:
1、随着技术不断的完善和发展,负荷预测相关领域越来越注重研究个体波动性和不确定性产生的影响,特别是针对个人住宅等个体。因此,探讨个体不确定性变化的动态过程中隐含的连续性是十分必要的。在电力行业中,电力用户的流动率很高,尤其是在城镇,因为家庭或临时租户进出公寓或房屋的频率比以前高得多。有些人由于工作变动或其他社会因素而搬出他们以前的住处;然后,新住户进入此住处可能会表现出不同的消费模式。此外,由于电力消耗的统计特征及其分布频繁变化,使得电网的负荷需求变得越来越难以确定。
2、目前的负荷预测技术主要基于经典统计方法、机器学习模型和深度学习技术。随着可获取数据源、表征学习方法和先进的计算资源不断完善,深度学习模型已经扩展了人工神经网络(artificial neural network,ann)的数据驱动方式和组件,例如全连接前馈神经网络层、循环神经网络层等,并由这些元素构成了更深的神经架构。
3、现有基于深度神经网络的多元负荷预测技术已经可以实现较为高效的预测,但是要求海量数据资源,这些数据资源实际情况中可能难以获得,不利于多元负荷预测技术的部署。此外,现有负荷预测技术假设历史数据与新数据独立同分布,当负荷的数理统计特性发生变化时,负荷预测效果可能会变差,不利于多元负荷预测技术的应用。
技术实现思路
1、本申请提供了一种配用电系统多元负荷预测方法、装置、设备和存储介质,用于解决现有技术需要海量数据资源,且忽略了实际负荷数据特性的改变,导致实际负荷预测效率低且效果差的技术问题。
2、有鉴于此,本申请第一方面提供了一种配用电系统多元负荷预测方法,包括:
3、将目标新数据和历史源数据构成的数据向量输入预设长短时记忆网络中进行特征提取,得到高维隐含特征向量;
4、采用基于全连接前馈神经网络和预设回归误差指标构建的多元负荷预测器对所述高维隐含特征向量进行负荷预测,得到负荷预测值;
5、采用基于全连接前馈神经网络和预设分类误差指标构建的域分类器对所述高维隐含特征向量进行域分类操作,得到数据域类别,所述数据域类别包括源域和目标域。
6、优选地,所述将目标新数据和历史源数据构成的数据向量输入预设长短时记忆网络中进行特征提取,得到高维隐含特征向量,之前还包括:
7、将目标新数据和历史源数据均进行归一化至同一量纲范围内。
8、优选地,所述采用基于全连接前馈神经网络和预设回归误差指标构建的多元负荷预测器对所述高维隐含特征向量进行负荷预测,得到负荷预测值,之前还包括:
9、基于全连接前馈神经网络构建初始负荷预测器;
10、在模型参数假设空间下,采用预置负荷训练数据集根据预设回归误差指标对所述初始负荷预测器进行优化训练,得到优化负荷预测器;
11、通过多种评估指标对所述优化负荷预测器进行性能评估,选取出多元负荷预测器,所述评估指标包括均方根误差、平均绝对值误差和平均绝对百分比误差。
12、优选地,所述采用基于全连接前馈神经网络和预设分类误差指标构建的域分类器对所述高维隐含特征向量进行域分类操作,得到数据域类别,所述数据域类别包括源域和目标域,之前还包括:
13、基于全连接前馈神经网络构建初始域分类器;
14、采用预置域训练数据集根据预设分类误差指标对所述初始域分类器进行优化训练,得到域分类器。
15、本申请第二方面提供了一种配用电系统多元负荷预测装置,包括:
16、特征提取单元,用于将目标新数据和历史源数据构成的数据向量输入预设长短时记忆网络中进行特征提取,得到高维隐含特征向量;
17、负荷预测单元,用于采用基于全连接前馈神经网络和预设回归误差指标构建的多元负荷预测器对所述高维隐含特征向量进行负荷预测,得到负荷预测值;
18、域分类单元,用于采用基于全连接前馈神经网络和预设分类误差指标构建的域分类器对所述高维隐含特征向量进行域分类操作,得到数据域类别,所述数据域类别包括源域和目标域。
19、优选地,还包括:
20、归一化处理单元,用于将目标新数据和历史源数据均进行归一化至同一量纲范围内。
21、优选地,还包括:
22、第一构建单元,用于基于全连接前馈神经网络构建初始负荷预测器;
23、第一训练单元,用于在模型参数假设空间下,采用预置负荷训练数据集根据预设回归误差指标对所述初始负荷预测器进行优化训练,得到优化负荷预测器;
24、性能评估单元,用于通过多种评估指标对所述优化负荷预测器进行性能评估,选取出多元负荷预测器,所述评估指标包括均方根误差、平均绝对值误差和平均绝对百分比误差。
25、优选地,还包括:
26、第二构建单元,用于基于全连接前馈神经网络构建初始域分类器;
27、第二训练单元,用于采用预置域训练数据集根据预设分类误差指标对所述初始域分类器进行优化训练,得到域分类器。
28、本申请第三方面提供了一种配用电系统多元负荷预测设备,所述设备包括处理器以及存储器;
29、所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
30、所述处理器用于根据所述程序代码中的指令执行第一方面所述的配用电系统多元负荷预测方法。
31、本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的配用电系统多元负荷预测方法。
32、从以上技术方案可以看出,本申请实施例具有以下优点:
33、本申请中,提供了一种配用电系统多元负荷预测方法,包括:将目标新数据和历史源数据构成的数据向量输入预设长短时记忆网络中进行特征提取,得到高维隐含特征向量;采用基于全连接前馈神经网络和预设回归误差指标构建的多元负荷预测器对高维隐含特征向量进行负荷预测,得到负荷预测值;采用基于全连接前馈神经网络和预设分类误差指标构建的域分类器对高维隐含特征向量进行域分类操作,得到数据域类别,数据域类别包括源域和目标域。
34、本申请提供的配用电系统多元负荷预测方法,同时对历史源数据和实际情况的目标新数据进行特征提取分析,然后分别实现负荷预测和域分类;在此过程中充分利用历史数据挖掘其与新数据之间的数理统计特性关联,既能够降低多元负荷预测过程中对海量数据的需求,也能够减少负荷预测的误差,从而确保多元负荷预测的高效性和可靠性。因此,本申请能够解决现有技术需要海量数据资源,且忽略了实际负荷数据特性的改变,导致实际负荷预测效率低且效果差的技术问题。
1.一种配用电系统多元负荷预测方法,其特征在于,包括:
2.根据权利要求1所述的配用电系统多元负荷预测方法,其特征在于,所述将目标新数据和历史源数据构成的数据向量输入预设长短时记忆网络中进行特征提取,得到高维隐含特征向量,之前还包括:
3.根据权利要求1所述的配用电系统多元负荷预测方法,其特征在于,所述采用基于全连接前馈神经网络和预设回归误差指标构建的多元负荷预测器对所述高维隐含特征向量进行负荷预测,得到负荷预测值,之前还包括:
4.根据权利要求1所述的配用电系统多元负荷预测方法,其特征在于,所述采用基于全连接前馈神经网络和预设分类误差指标构建的域分类器对所述高维隐含特征向量进行域分类操作,得到数据域类别,所述数据域类别包括源域和目标域,之前还包括:
5.一种配用电系统多元负荷预测装置,其特征在于,包括:
6.根据权利要求5所述的配用电系统多元负荷预测装置,其特征在于,还包括:
7.根据权利要求5所述的配用电系统多元负荷预测装置,其特征在于,还包括:
8.根据权利要求5所述的配用电系统多元负荷预测装置,其特征在于,还包括:
9.一种配用电系统多元负荷预测设备,其特征在于,所述设备包括处理器以及存储器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的配用电系统多元负荷预测方法。