[发明专利]一种基于压缩感知的负荷预测方法

说明书

本发明公开了一种基于压缩感知的负荷预测方法，通过高分辨率电力数据获得用于训练和用于验证高分辨率电力图像，通过用于训练的高分辨率电力图像得到作为输入样本的用于训练的低分辨率电力图像，用于训练的高分辨率电力图像作为实际样本；生成式对抗网络包括生成器和判别器，用输入样本和实际样本对其进行训练；更新生成器损失函数与判别器损失函数；保存训练结束后的生成器，将用于验证的低分辨率电力图像输入生成器，得到用于验证的超分辨率电力图像，并转化为用于验证的超分辨率电力数据，通过用于验证的高分辨率电力数据得到用于验证的低分辨率电力数据，分别输入基于长短时记忆网络的负荷预测方法，对比二者的预测结果，提高了负荷预测精度。

技术领域

本发明涉及电力系统负荷预测领域，尤其涉及一种基于压缩感知的负荷预测方法。

背景技术

高准确率的负荷预测是电力系统调度和控制的重要前提，随着电网接入大量的柔性负荷以及社会高速发展，负荷变化的不确定性合和波动性也在不断变大，负荷预测的难度也在不断增大。一般而言，高分辨率的电力数据能够反映更高维度的时空特性，更加有利于得到高准确率的负荷预测。然而，智能电表项目在国内外均处于初步发展阶段，短期内难以获得大量的全方位的高分辨率电力数据。

超分辨率重建是图像领域的研究热点，先进的超分辨率重建方法能够还原低分辨率图像的高频细节信息，使得生成的超分辨率图像在分辨率、时空特性以及高频细节上高度接近于真实的高分辨率图像。电力系统是高度复杂的人工系统，电力数据的时空特性复杂度一般高于图像，因此，研究将低分辨率电力数据进行超分辨率重建并研究基于低分辨率电力数据的高准确率负荷预测方法，是电力系统负荷预测领域亟需解决的问题。

发明内容

有鉴于此，本发明的目的是提出一种基于压缩感知的负荷预测方法，将电力数据转化为电力图像可以获得更好的重建效果，引入生成式对抗网络和感知损失可以提高对低分辨率电力数据的高频细节还原能力，引入Wasserstein距离可以增强生成式对抗网络训练过程的稳定性，训练后的生成器可用于对低分辨率电力数据进行高质量的超分辨率重建，并且可以利用超分辨率电力数据通过长短时记忆网络进行负荷预测，可以提高低分辨率电力数据的预测精度。

本发明的目的至少通过如下技术方案之一实现。

一种基于压缩感知的负荷预测方法，包括以下步骤：

S1、将n种不同类型的1维时序数据格式的高分辨率电力数据划分为用于训练的高分辨率电力数据和用于验证的高分辨率电力数据，分别转化为2维n通道的用于训练的高分辨率电力图像和用于验证的高分辨率电力图像，用于训练的高分辨率电力图像通过下采样得到用于训练的低分辨率电力图像，用于训练的低分辨率电力图像作为输入样本，用于训练的高分辨率电力图像作为实际样本；

S2、生成式对抗网络包括生成器和判别器，在训练阶段，将输入样本作为生成器的输入并训练生成器，生成器输出的超分辨率电力图像作为生成样本，将生成样本与实际样本作为判别器的输入并训练判别器，判别器的输出为判别器的输入属于实际样本的概率；

S3、利用判别器的输出更新生成器损失函数与判别器损失函数；

S4、保存训练结束后的生成器，将用于验证的低分辨率电力图像作为训练结束后的生成器的输入，得到用于验证的超分辨率电力图像，将用于验证的超分辨率电力图像转化为用于验证的超分辨率电力数据；

S5、将用于验证的高分辨率电力数据通过下采样得到用于验证的低分辨率电力数据，用于验证的低分辨率电力数据与用于验证的超分辨率电力数据分别作为基于长短时记忆网络的负荷预测方法的输入，对比二者的预测结果。

进一步地，步骤S1中，所述高分辨率电力数据为电网运行的实际量测数据，所述n种类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据。

进一步地，所述与电力相关的数据包括天气、温度、湿度、风速、光照强度。