[发明专利]基于GAN网络和半监督回归的混合滚动短期负荷预测方法

说明书

本发明公开了一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，GAN生成对抗网络由生成层G和判别层D组成，GAN的生成层可生成与真实值近似的虚拟数据样本，判别层接受生成的虚拟样本与真实样本两种输入，通过对两组真实值不一样的数据进行数据处理，生成一簇基于交叉熵的误差判别结果，并通过反向传播算法将误差反馈给生成层和判别层，通过迭代改变GAN模型中的数学参数修正GAN模型，通过训练好的GAN模型对负荷数据进行预测。本发明解决了传统GAN网络拟合不足的问题，并运用滚动自适应方法，解决了历史数据可能不充足的问题，可以实现一步预测和多步预测，并取得了良好的预测效果。

技术领域

本发明属于电力负荷预测技术领域，涉及一种基于GAN生成对抗网络和半监督回归的混合滚动短期负荷预测方法。

背景技术

电力系统的深化发展和环保意识的不断强化，催生出人们对电力负荷需求质量的不断提高。电力系统由于其无法大规模存储电能的特性，对进行电力负荷预测提出了更高的要求。精确的负荷预测对于经济合理地安排电网内部发电机组的启停、保持电网安全稳定运行、降低发电成本提高经济效益等方面起着至关重要的作用。负荷预测根据预测时间的不同可分为超短期、短期、中期和长期预测。我国电力行业标准规定，短期负荷预测主要为次日的负荷预测，可延申到第八日，每日按照96点预测，多运用于机组优化组合、水火电协调控制、电力系统潮流调度等方面。

短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响，在时间序列上表现为非平稳的随机过程，但是影响系统负荷的各因素中大部分具有规律性，从而为实现有效的预测奠定了基础。目前实现短期负荷预测的方法可被大致分类为以下两种：数学统计方法和机器学习算法。数据统计方法使用历史负荷数据和未来预测值之间建立某种数学关系。常见的的有卡尔曼滤波(KF)、自回归移动平均模型(ARIMA)、时间序列模型等。然而，大多数数学统计方法依赖简化的线性函数建模，因此其模型的预测能力收到很大限制。而基于机器学习算法的预测方式在神经网络的构建下，通过多种隐藏层、激活函数的组合，可以实现对数据线性和非线性的映射能力，进而达到更精确的预测效果。典型的机器学习算法包括支持向量机学习(SVM)、人工神经网络(ANN)、卷积神经网络(CNN)、深度信赖神经网络(DBN)等。而传统的基于反向传播误差的神经网络容易导致过拟合、局部最小值等问题，使得预测结果与真实值误差不近相似。

发明内容

为解决现有数学统计方法预测效果缺陷和传统机器学习算法预测性能的局限性，本文提出一种基于GAN生成对抗网络和半监督回归的混合滚动预测模型，模型的生成层和判别层不断相互博弈进而达到纳什平衡，提高了数据处理的泛化能力和预测的精确性。加之带标签的半监督回归学习方法提取数据的线性和非线性特征，进一步增强短期电力负荷预测的准确性。

本发明的技术方案实现如下：一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，包括如下步骤：

步骤一、获取电力系统历史负荷数据，并进行预处理，把电力系统历史负荷数据分解成几组内涵模态分量IMFs，并进行归一化处理，从而得到相应组别的带标签的归一化真实负荷数据序列，作为真实数据样本；

步骤二、构建GAN生成对抗网络，所述GAN生成对抗网络包括GAN生成层G和GAN判别层D；

步骤三、将维度和步骤一中的真实数据样本相同的随机噪声数据输入至GAN生成对抗网络，通过GAN生成层G获得标记的虚拟数据样本，然后将真实数据样本作为训练数据样本和虚拟数据样本一起输入至GAN判别层D；通过半监督回归域获得电力负荷的几组IMFs短期预测结果；

步骤四、根据步骤三中的预测结果和预测误差损失函数对GAN判别层D参数进行迭代更新，并反向传播误差，更新GAN生成层G的参数；最终获得训练完成的GAN生成对抗网络；

步骤五、将当前时刻之前处理后的电力系统历史负荷数据和由生成层G生成的虚拟负荷数据输入到训练完成的判别层D中；并通过半监督回归域获得电力负荷的几组IMFs短期预测结果；