基于深度神经网络的IES多元负荷短期联合预测方法与流程

本发明属于电力系统预测方法，具体涉及基于深度神经网络的ies多元负荷短期联合预测方法。

背景技术：

1、随着能源革命的深入实施，新的发展理念下涌现了具有清洁和低碳能源利用需求以及提高质量和效益的ies(综合能源系统)。作为能源利用的载体，用户端能源使用模式的多样化、能源使用方式的替代和各种灵活资源的深度整合导致了用户行为、气候、区域、时间因素对ies多变量耦合负荷的综合影响，这对多变量负荷预测提出了更高的要求和挑战，尤其是多变量负荷的短期联合预测。

2、传统的电力负荷短期预测受到诸多因素的影响，如天气变化、社会活动和节庆类型。预测方法主要分为时间序列分析方法、统计方法和机器学习分析。与传统的电力负荷预测相比，在ies中，负荷之间的关系日益紧密。如果分别对不同能源形式进行建模和预测，则会忽视多变量负荷之间的耦合特性，从而限制了预测效果。因此，当前普遍考虑多变量负荷之间的耦合关系以提高预测效果。mmoe-gcn-lstm深度神经网络是一种深度学习架构，将mmoe(多门专家混合)、gcn(图卷积网络)和lstm(长短期记忆网络)相结合。

3、而现有技术中并没有将mmoe-gcn-lstm深度神经网络应用到ies多元负荷短期联合的预测中的方法。目前在ies中传统的电力负荷短期预测方法，存在无法有效捕捉处理非线性复杂性、面对新数据时泛化能力较差、在极端气候或突发事件出现时预测精度和可靠性不足，无法及时更新预测结果的问题。

技术实现思路

1、本发明的目的是提供基于深度神经网络的ies多元负荷短期联合预测方法，具有可以通过持续学习实时数据适应新的趋势和模式，提高在动态环境下的预测精度的特点。

2、本发明的技术方案为，基于深度神经网络的ies多元负荷短期联合预测方法，具体按照以下步骤实施：

3、步骤1、收集ies的历史时间序列数据并预处理；

4、步骤2、构建mmoe多任务学习模型，并将历史时间序列数据作为输入模型的属性特征，输出模型中各个子任务的结果；

5、步骤3、将mmoe多任务学习层的输出和节点间的空间关系作为gcn层的输入，利用gcn层结构解析各地区分区的拓扑结构并提取空间特征；

6、步骤4、将带有空间特征的时间序列数据输入lstm中学习时间特征；使用lstm对某一时刻多变量负荷进行预测，训练模型至精度达到预期值，通过得到的最终预测模型进行ies多元负荷短期预测。

7、本发明的特点还在于，

8、步骤1具体按照以下步骤实施：

9、步骤1.1、收集ies的历史时间序列数据，历史时间序列数据包括历史负荷数据、气象因素、日期因素和区域因素；

10、步骤1.2、针对历史负荷数据进行数据清洗，数据中的缺陷值和缺失值被前一天的平均负荷值所替代，使用最小-最大标准化转换将负荷数据值映射到[0,1]，标准化后的值表示为，

11、

12、其中，xmax为样本数据中的最大值，xmin为样本数据中的最小值；

13、步骤1.3、使用spearman秩相关系数测试ies的多变量负荷与其气象信息之间的相关性，spearman相关系数ρs为：

14、

15、其中，使用容量为n的样本且秩次之差为di；

16、步骤1.4、使用0-1变量量化日期因素中工作日和假期的信息。

17、步骤2具体按照以下步骤实施：

18、步骤2.1、通过对现实问题建立图模型，图卷积神经网络利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取；

19、步骤2.2、对于图g＝(v,e,a)，mmoe多任务学习模型的输入表示为，

20、x(t)＝[x1(t),x2(t),…,xp(t)]                (3)

21、其中，v为图中的节点个数，e为边的集合，a为图的邻接矩阵，x(t)为模型输入的特征矩阵，p为特征的数量，t为历史时间序列的长度；

22、步骤2.3、步骤2.2模型输入通过专家子网学习负荷耦合关系，输出为，

23、f(x)＝[f1(x),f2(x),…,fn(x)]              (4)

24、其中，f(x)为模型中专家子网层的输出，n为专家子网的个数；

25、步骤2.4、f(x)需要通过门控单元计算每个专家子网的权重，最后输出模型中每个子任务的结果，门控单元通过线性变换将输入特征映射到n个维度，通过softmax激活函数得到每个专家子网的权重系数，实现对任务中专家子网输出的灵活控制，mmoe多任务学习模型中每个子任务的输出表示为，

26、y(x)＝[y1(x),y2(x),…,ym(x)]          (5)

27、子任务k的输出表示为，

28、

29、

30、其中，k为任务数量，为专家子网i在任务k中的权重，为通过网络训练得到的专家子网i对应门控单元k的线性变换矩阵。

31、步骤3具体按照以下步骤实施：

32、步骤3.1、将mmoe多任务学习层的输出和节点间的空间关系作为gcn层的输入，gcn的前向传播公式为，

33、

34、其中，i为大小为n阶单位方阵，自连度矩阵为对角矩阵，hl∈rn×d为第l层的输出值，其中h0＝x；σ(·)为激活函数；wl为第l层的参数值；

35、步骤3.2、对于每个节点，其上的滤波器参数w是共享，单层gcn只能提取一阶邻居的信息，通过堆积多层图卷积神经网络实现。

36、步骤3.2具体按照以下步骤实施：

37、步骤3.2.1、通过第一层gcn可提取节点1一阶临近节点2,3,4,5的信息；

38、步骤3.2.2、图卷积层感受域随着图卷积层的增加而变大并获得更加抽象的信息表示；

39、步骤3.2.3、将上一层gcn所得特征再次通过第二层gcn，则可以完成所有节点的特征提取；最终中心点1获得了临近顶点2、3、4、5、6、7、8上的信息，重复相同操作。

40、步骤4具体按照以下步骤实施：

41、步骤4.1、使用lstm对某一时刻多变量负荷进行预测；

42、步骤4.2、若精度未达到预期值，进行调整模型的超参数；调整模型的超参数包括学习率、隐藏层的数量和大小、批次大小等和尝试不同的模型架构；

43、步骤4.3、训练模型至精度达到预期值，通过得到的最终预测模型进行ies多元负荷短期预测；预期值为平均绝对百分比误差mape小于10％，预测精度fa大于90％。

44、步骤4.1具体按照以下步骤实施：

45、步骤4.1.1、遗忘门通过sigmoid激活函数从而剔除t-1时刻神经元中st-1的信息，得到遗忘部分信息后的神经元状态，计算过程为，

46、ft＝σ(wfxxt+wfhht-1+bf)   (8)

47、其中，ft为遗忘门的输出值；ht-1为t-1时刻的输出值；xt为t时刻的输入值；bf为遗忘门的网络层偏置；wf为遗忘门的网络层权重；σ为选用的sigmoid激活函数；

48、步骤4.1.2、输入门同样使用sigmoid激活函数来控制时刻t输入到神经元中的信息，计算过程为，

49、it＝σ(wixxt+wihht-1+bi)   (9)

50、其中，it为输入门的输出值；wi为输入门的网络层权重；bi为输入门的网络层偏置；

51、gt＝φ(wgxxt+wghht-1+bg)   (10)

52、其中，gt为t时刻尚未经过处理的输入信息；wg为网络层权重；bg为网络层偏置；φ采用的是tanh激活函数；

53、

54、其中，为向量中元素按位相乘；

55、步骤4.1.3、输出门使用sigmoid激活函数控制输出更新后的神经元信息，计算过程为，

56、ot＝σ(woxxt+wohht-1+bo)   (12)

57、

58、其中，ot为输出门的输出值；wo为输出门的网络层权重；bo为输出门的网络层偏置。

59、步骤4.3中平均绝对百分比误差mape的计算公式为，

60、

61、步骤4.3中预测精度fa的计算公式为，

62、

63、其中，n为预测总次数；xact(i)和xpred(i)分别为i时刻的负荷真实值和预测值。

64、本发明的有益效果是：

65、1.本发明预测方法中mmoe能够同时处理来自非同源的多种数据，通过多个门控机制学习不同类型数据的复杂关系，gcn可以有效地处理图结构数据，lstm擅长处理时间序列数据，能够记住长期的依赖信息，对于综合能源系统负荷时序数据的预测尤为有效；

66、2.本发明预测方法结合了结合mmoe、gcn、和lstm的深度学习模型可以捕捉数据中的非线性关系和复杂模式，相较于传统线性模型有显著的改进；这种深度学习模型可以通过持续学习实时数据来适应新的趋势和模式，提高在动态环境下的预测精度，达到实时性和适应性；

67、3.本发明预测方法能够根据具体应用场景的需求，模型的各个部分都可以调整，提供高度的灵活性和定制性；并且本发明中的模型具有更好的泛化能力，能够处理未见过的数据和情况，减少过度拟合的风险。