[发明专利]一种基于时域卷积神经网络的用户侧负荷概率预测方法

权利要求书

1.一种基于时域卷积神经网络的用户侧负荷概率预测方法，其特征在于，包括以下步骤：

(1)、数据采集及预处理

(1.1)、采集历史负荷、温度和天气数据

在一定时间范围内按照固定周期采集用户的有功功率作为历史负荷数据X_load，同时采集对应时间范围内的天气类型X_weather和温度值X_temperature，然后将天气和温度数据处理为与历史负荷数据频率相同的数据样本X＝(X_weather,X_temperature,X_load)；

(1.2)、数据样本清洗

对数据样本X进行数据清洗，利用缺失值替换数据样本中的异常值，然后在缺失值处进行邻近插值处理，得到完整的数据样本X′＝(X_weather′,X_temperature′,X_load′)；

(1.3)、Z-score标准化

对完整的数据样本进行标准化处理，得到标准数据样本X″＝(X_weather″,X_temperature″,X_load″)，Z-score标准化公式如下：

其中，x*为标准值，x为处理前的数据样本值，μ为数据样本的平均值，σ为数据样本的标准偏差；

(1.4)、加入时间特征

将标准数据样本对应的时间，包括星期和时刻特征，以One-hot编码形式作为第四项特征X_date加入到X″，得到带有时间特征的标准数据样本X″′＝(X_weather″,X_temperature″,X_load″,X_date)；

(1.5)、构建标准数据集

在X″′上，用滑动窗口法，构建标准数据集。

(1.5.1)、滑动窗口法生成标准数据集的第t帧

在X″′上取t时刻之前的一段长度为n的数据{x″′_t-n,x″′_t-n+1,...,x″′_t-1}，作为模型的训练样本，取t时刻的负荷数据x″_load作为模型的训练标签，训练样本和训练标签对应匹配，作为标准数据集的一帧；

(1.5.2)、重复(1.5.1)步骤，在X″′上依次向后滑动M步，构建长度M帧的标准数据集；

(2)、构建负荷概率预测模型

构建基于时域卷积神经网络作为负荷概率预测模型，时域卷积神经网络由输入层、若干个残差块和输出层串行连接组成，其中输出层由三个全连接层并联构成，全连接层的数量对应的分位数的数量；

其中，第i个残差块有两个输入分支，其中，左侧输入分支是第i-1个残差块的输出分别经过卷积层、权重归一化、ReLU激活函数和神经元随即失活(dropout)的计算后输入到第i个残差块；右侧输入分支是将第i-1个残差块的输出经过1×1卷积后直接输入到第i个残差块；其中，所述卷积层为多个扩张因果卷积构成的卷积核；

(3)、训练负荷概率预测模型

(3.1)、从标准数据集随机选取一帧数据输入到时域卷积神经网络模型，通过输入层将该帧数据转换为张量形式输入至串联的残差块；

(3.2)、在时域卷积神经网络模型中，设第i个残差块的输入张量为Z^(i-1)，i＝1,2,…,K，K表示残差块数量；在第i个残差块的左侧分支中，张量Z^(i-1)经过由多个扩张因果卷积构成的卷积核进行特征抽取，然后依次经批归一化、层归一化、ReLU激活函数和神经元随机失活，得到左侧分支的输出张量在第i个残差块的右侧分支中，张量Z^(i-1)经1×1卷积，使其输出张量匹配左侧分支输出张量的维度，然后两个分支的输出张量相加，得到第i个残差块的输出

(3.3)、重复步骤(3.2)，直到最后一个残差块输出Z^(K)，最后将Z^(K)经并联的三个全连接层输出，其输出分别记为和

(3.4)、通过通过Pinball分位数公式计算t时刻的上分位数q^th，下分位数(1-q)^th和0.5^th分位数对应的损失值L_t,q(u_t,q)，L_t,(1-q)(u_t,(1-q))和L_t,0.5(u_t,0.5)

(3.4.1)、设置Pinball分位数的预设概率为q；

(3.4.2)、计算t时刻的上分位数q^th，下分位数(1-q)^th和0.5^th分位数的预测误差和y_t为真实负荷值；

(3.4.3)、计算t时刻的上分位数q^th，下分位数(1-q)^th和0.5^th分位数对应的损失值L_t,q(u_t,q)，L_t,(1-q)(u_t,(1-q))和L_t,0.5(u_t,0.5)；

(3.5)、对损失值加权平均；

其中，分别表示L_t,q(u_t,q)，L_t,(1-q)(u_t,(1-q))和L_t,0.5(u_t,0.5)的权重。

(3.6)、重复步骤(3.1)～(3.5)，比较每一轮次训练得到的加权平均损失，当其在P轮训练内不再下降，则执行学习率自动衰减策略，当其在3*P轮次内不再下降，则执行早停策略，即自动停止训练，得到训练完成的负荷概率预测模型；否则进入步骤(3.7)；

(3.7)、利用批量梯度下降算法在加权平均损失函数负梯度方向，根据负梯度方向更新时域卷积神经网络模型中的权重参数，然后返回步骤(3.1)；

(4)、负荷概率实时预测

实时采集某用户的负荷数据，以及与之相关的天气、温度数据，按照步骤(1)所述方法构建出一帧标准数据，然后输入至训练完成的负荷概率预测模型中，从而输出负荷概率预测区间以及确定性预测结果

2.根据权利要求1所述的一种基于时域卷积神经网络的用户侧负荷概率预测方法，其特征在于，所述扩张因果卷积的函数F(s)为：

其中，表示输入张量；f(i)表示卷积滤波器，i＝0,1,2,…,λ-1，λ为卷积滤波器的大小；s-d·i表示输入张量中的元素s上每一步卷积的范围，d为扩张因子。