[发明专利]一种基于时间卷积网络的电力系统短期负荷预测方法

说明书

本发明提供的一种基于时间卷积网络的电力系统短期负荷预测方法，包括：采集历史负荷数据，对数据进行预处理；构建因果扩张卷积模型，将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理；将因果扩张卷积模型处理后的两个结果连接形成残差块；将残差块进行堆叠，得到时间卷积网络；利用时间卷积网络进行全卷积层计算，预测出未来的电力负荷需求。本发明提供的电力系统短期负荷预测方法，通过因果扩张卷积模型，对数据进行因果卷积处理和扩张卷积处理，再交由残差卷积处理，简化学习目标和难度，最后利用时间卷积网络进行全卷积层计算，减少预测过程中所需时间和硬件需求的同时，与主流的循环神经网络有着相当的精度。

技术领域

本发明涉及电力系统及自动化技术领域，更具体的，涉及一种基于时间卷积网络的电力系统短期负荷预测方法。

背景技术

短期电力负荷是一个周期性的非平稳随机过程，它既有季节性的变化，也有按星期和小时周期性变化，同时又有节假日和正常工作日的差别。简而言之，电力短期电力负荷预测是与多种因素相关的非线性映射序列建模问题，通过输入序列预测出输出序列。

一般情况下将循环神经网络(RNN)视为序列建模的默认配置，甚至IanGoodfellow在《深度学习》一书中使用“序列建模：循环和递归网络”作为章节名，这些都表明序列建模与循环架构有非常密切的联系。

在电力系统短期负荷预测领域，循环神经网络(RNN)作为一种成熟的模型，既能保证数据的时序性，也能兼顾数据之间的非线性关系。但是，循环神经网络(RNN)耗时太久，由于网络一次只读取、解析输入的负荷数据，深度神经网络必须等前一个输入处理完，才能进行下一个输入的处理，并且在训练神经网络的过程中需要占用大量的内存。

发明内容

本发明为克服现有的循环神经网络由于网络一次只读取、解析输入的负荷数据，存在耗时长、占用大量内存的技术缺陷，提供一种基于时间卷积网络的电力系统短期负荷预测方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于时间卷积网络的电力系统短期负荷预测方法，包括以下步骤：

S1：采集历史负荷数据，对数据进行预处理；

S2：构建因果扩张卷积模型，将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理；

S3：将因果扩张卷积模型处理后的两个结果连接形成残差块；

S4：将残差块进行堆叠，得到时间卷积网络；

S5：利用时间卷积网络进行全卷积层计算，预测出未来的电力负荷需求。

其中，在步骤S1中，所述的数据预处理包括缺失数据补全处理和归一化处理；其中：

所述的缺失数据补全处理为利用平均相邻负载以替换异常值；

所述的归一化处理使用Min-Max方法对缺失数据补全处理过的数据进行标准化，计算公式为：

其中，数据转化为[0，1]，为归一化后的数据，x_i为原始数据，x_max和x_min分别是最大和最小的原始数据。

其中，在步骤S2中，所述因果扩张卷积模型包括因果卷积处理和扩张卷积处理两个流程；其中：

所述因果卷积处理通过将一般卷积的输出移动几个时间步而实现；

所述扩张卷积处理用于将为所述因果卷积处理提供数个量级的感受野。

其中，在步骤S4中，所述的时间卷积网络通过残差卷积处理为全卷积层传递信息。