基于元学习的配电台区短期电力负荷预测方法及装置与流程

本发明涉及电力负荷预测，具体来说，涉及基于元学习的配电台区短期电力负荷预测方法及装置、电子设备、计算机可读存储介质。

背景技术：

1、配电台区负荷预测对电力系统的安全、经济运行起着支撑性的作用，其预测结果将直接影响配电网运行中的各种决策活动，如：运行优化调度、分布式电源规划、无功补偿策略、状态评估等。除此之外，随着国家“双碳目标”相关工作的持续推进，如何发展低碳经济，提高清洁能源比重，降低电网运行损耗提高运行效益，已成为各供电企业的工作目标。低压配电台区作为电网的终端环节，有着基数大、成分复杂的特性，如何对低压配电台区进行更加精细化的能效管理从而提高配网运行效益已成为现代电力系统领域的一个重要研究方向。

2、现有研究已经提出了许多方法，诸如以指数平滑模型、自回归模型为代表的统计分析方法或以支持向量机、人工神经网络为代表的机器学习方法。然而，现有研究在处理配电台区短期负荷预测时仍存在困难：使用简单的统计分析方法难以建模配电台区的负荷特征，而使用复杂的机器学习方法又难以获得足够高质量大数量的历史电力负荷数据，尤其是在配电台区这类低压场合，由于近几年才普及智能量测装置，配电运营商拥有的历史电力负荷数据较少，这将降低负荷预测模型的泛化性，造成负荷预测模型过拟合，降低预测精度。

技术实现思路

1、本发明提供一种基于元学习的配电台区短期电力负荷预测方法及装置、电子设备、计算机可读存储介质，解决相关配电台区短期负荷预测技术中因历史电力负荷数据量少而导致预测模型过拟合的技术问题，提高短期电力负荷预测精度。

2、本发明所采取的技术方案是：

3、一种基于元学习的配电台区短期电力负荷预测方法，包括：

4、s1、获取所有配电台区的训练数据集；

5、采集各个配电台区的历史电力负荷数据及各个配电台区所在地区的数值天气预报数据，其中所述数值天气预报数据包括温度、湿度及风速；

6、对所述历史电力负荷数据及数值天气预报数据进行预处理得到所有配电台区的短期电力负荷数据集；

7、将所述短期电力负荷数据集作为训练数据集；

8、s2、基于元学习算法及训练数据集构建得到所有配电台区的目标短期电力负荷预测模型；

9、s3、基于元训练对所述训练数据集进行训练得到所有配电台区超参数的目标全局预训练模型；

10、s4、基于元迁移及每个配电台区自身负荷特征，将目标全局预训练模型通过迁移学习得到每个配电台区的个性化短期电力负荷预测模型；

11、s5、根据每个配电台区的个性化短期电力负荷预测模型分别对每个配电台区下一时段的短期电力负荷需求进行预测分析。

12、进一步地，步骤s2中所述数值天气预报数据采用近似替代法进行预处理得到训练数据集中的目标数值天气预报数据，包括：

13、假设小时为h，分钟为m，

14、1)若m＝0或15，则训练数据集中h：m处的目标数值天气预报数据由h：

15、00处的数值天气预报数据替代；

16、2)若m＝45，则训练数据集中h：m处的目标数值天气预报数据由(h+1)：

17、00处的数值天气预报数据替代；

18、3)若m＝30，则训练数据集中h：m处的目标数值天气预报数据由h：00和(h+1)：00处的数值天气预报数据的平均值替代。

19、进一步地，所述步骤s2包括：

20、s21、设置所述训练数据集的数据维度；

21、s22、基于所述训练数据集的数据维度，确定所有配电台区的短期电力负荷预测模型结构；

22、s23、基于所述短期电力负荷预测模型结构，将训练数据集输入至所述短期电力负荷预测模型结构中，训练输出得到所有配电台区的目标短期电力负荷预测模型。

23、进一步地，所述步骤s3包括：

24、s31、将所有配电台区记作配电台区集c；

25、s32、从配电台区集c中随机选择若干个配电台区sk，并初始化需要训练的全局预训练模型其中配电台区集c＝[c0,c1,...,cn-1]，k为当前迭代轮次；

26、s33、从若干个配电台区sk中选择得到配电台区ci，并将其初始化得到临时模型然后用所述配电台区ci的训练数据集di训练所述临时模型得到被选中的配电台区ci得到临时模型其表达式为：

27、

28、式(1)中，ci∈sk，α为临时模型训练的学习率，，▽l(·)为损失函数l(·)的梯度；

29、s34、将所有被选中的配电台区sk的训练数据集ds训练所述临时模型所述临时模型更新所述全局预训练模型得到目标预训练模型其表达式为：

30、

31、式(2)中，β为全局预训练模型更新的学习率；▽l(·)为损失函数l(·)的梯度；

32、s35、将上述过程循环迭代直至最大迭代次数k，并得到目标全局预训练模型ωglobal。

33、进一步地，所述步骤s4包括：

34、对于所有配电台区集c＝[c0,c1,...,cn-1]，利用其自身的数据对所述目标全局预训练模型ωglobal进行一次梯度下降微调，其表达式为：

35、

36、式(3)中，表示配电台区ci最终的短期电力负荷预测模型；

37、进一步地，所述步骤s5包括：

38、将各个配电台区前几个时间段的历史电力负荷数据和所需预测时段的数值天气预报数据作为短期电力负荷预测模型的输入，所需预测时段的短期电力负荷需求作为输出，得到各个配电台区的短期电力负荷需求。

39、本发明所采取的另一技术方案是：

40、一种基于元学习的配电台区短期电力负荷预测装置，包括：

41、数据采集及预处理模块，用于获取所有配电台区的训练数据集；

42、预测模型构建模块，用于基于元学习算法及训练数据集构建得到所有配电台区的目标短期电力负荷预测模型；

43、元训练模块，用于基于元训练对所述训练数据集进行训练得到所有配电台区超参数的目标全局预训练模型；

44、元迁移模块，用于基于元迁移及每个配电台区自身负荷特征，将目标全局预训练模型通过迁移学习得到每个配电台区的个性化短期电力负荷预测模型；

45、个性化短期电力负荷预测模块，用于根据每个配电台区的个性化短期电力负荷预测模型分别对每个配电台区下一时段的短期电力负荷需求进行预测分析。

46、另一方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，

47、所述存储器，用于存储程序；

48、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述所述的一种基于元学习的配电台区短期电力负荷预测方法中的步骤。

49、另一方面，本发明还提供一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述所述的一种基于元学习的配电台区短期电力负荷预测方法中的步骤。

50、本发明与现有技术相比具有以下有益效果：

51、1)相较于现有的采集历史电力负荷数据，本发明采用历史电力负荷数据及数值天气预报数据作为训练数据集，利用天气协变量以提高配电台区短期电力负荷预测的精度，并通过对历史电力负荷数据及数值天气预报数据进行数据提高短期电力负荷预测模型的训练效率；

52、2)基于机器学习算法及训练数据集的数据维度为配电台区短期电力负荷预测选择更加适配的预测模型，从而提高配电台区短期电力负荷预测的精度；

53、3)通过元训练得到的目标全局预训练模型被所有配电台区快速定制化为适合自身负荷变动特征的个性化短期电力负荷预测模型，从而可以集中所有配电台区的数据以训练一个预训练模型，克服了单个配电台区不具有足够高质量大数量历史电力负荷数据的问题；

54、4)通过元迁移为每个配电台区打造适应其自身负荷特征的个性化短期电力负荷预测模型，让所有没有足够高质量大数量历史电力负荷数据的配电台区都能够利用少量训练数据微调模型，从而得到较高配电台区短期电力负荷预测的精度；

55、5)利用训练得到的各个个性化短期电力负荷预测模型对每个配电台区下一时段的负荷需求进行预测，这些个性化模型均已适配其对应的配电台区的负荷特殊特征，相比于使用一个模型预测所有配电台区的负荷需求，利用个性化模型的预测精度更高。