[发明专利]可迁移的居民家庭用电负荷场景预测方法

说明书

本发明公开了一种可迁移的居民家庭用电负荷场景预测方法，首先，为充分利用源域数据，通过引入灰色关联分析，根据源域与目标域的关联指标选择不同的源域家庭组成多源域家庭。然后采用模型迁移的方法，利用组成的多源域家庭，构建预训练模型。最后将预训练模型除最后一个单步流的其他单步流结构网络层参数冻结，并应用于目标域模型中，对最后一个单步流网络结构微调训练，构建小样本下的日前用电负荷预测模型。该方法有效解决小样本下的居民用电负荷预测效果不佳的问题，提高了模型的预测精度，同时也能减少模型的训练时间。

技术领域

本发明属于负荷预测技术领域，具体涉及可迁移的居民家庭用电负荷场景预测方法。

背景技术

电力负荷预测作为电网规划中的重要组成部分，对于电力系统安全经济运行具有重大意义。精确的电力负荷预测，特别是短期电力负荷预测，有助于保障居民用电可靠和电网安全稳定运行，也能提升电力行业的经济效益，电力运营商需要随时确保电力生产与消耗之间的精确平衡。

现有研究提出了多种短期负荷预测方法，包括人工神经网络、支持向量机和多元回归模型等。但其中多为确定性预测方法，难以体现负荷的不确定性，这是需要解决的问题之一。另外，对居民用电负荷进行较准确的预测需要充足的数据支持。但部分家庭用电数据累积不足是负荷预测的常见问题，对仅具有少量负荷数据的家庭进行较为精确的负荷预测，需要一种新的解决方法。

发明内容

本发明采用可迁移的居民家庭用电负荷场景预测方法，克服部分家庭用电负荷数据累积少导致的预测误差较大的问题，可以提高居民家庭负荷的预测精度。

本发明所采用的技术方案是可迁移的居民家庭用电负荷场景预测方法，具体按照以下步骤实施：

步骤1、通过灰色关联分析源域家庭与目标域家庭负荷数据之间的关联度，构建多源域家庭负荷数据集，多源域家庭负荷数据和目标域家庭负荷数据比例为2：1；

步骤2、建立基于flow的条件生成模型，对基于flow的条件生成模型结构进行改进，得到reinforced-flow模型，利用多源域家庭负荷数据集训练reinforced-flow模型；

步骤3、冻结训练后reinforced-flow模型的部分单步流结构参数，利用目标域家庭负荷数据训练冻结部分单步流结构参数的reinforced-flow模型，微调未被冻结的单步流结构参数，得到目标域模型；

步骤4、采用目标域模型对居民家庭用电负荷场景预测。

本发明的特点还在于：

步骤1具体过程为：

对于采样间隔为1小时的家庭用电负荷数据集，以目标家庭域E₁在t时刻的负荷值作为参考序列，任意源域家庭E_i在t时刻的负荷值作为观察序列；

参考序列与观察序列间某关联样本点的灰色关联系数计算公式为：

其中，ρ为0到1内取值的分辨系数，一般取0.5；

计算时间段内灰色关联系数的平均值，该值即为目标家庭E₁和源域家庭E_i的关联度值：

其中，N表示采样次数；

设定关联度阈值，当计算得到的关联度值不高于关联度阈值时，则舍弃该源域家庭负荷数据，选择下一个源域家庭重复计算，当计算的关联度值高于关联度阈值时，将该源域家庭的负荷数据作为一组多源域家庭负荷数据，由多组多源域家庭负荷数据构成多源域家庭负荷数据集，多源域家庭负荷数据和目标域家庭负荷数据比例为2：1。

步骤2中具体过程为：