[发明专利]基于综合形状误差和时间误差的长期电力负荷预测方法

说明书

本发明公开了基于综合形状误差和时间误差的长期电力负荷预测方法,包括：采集原始数据，基于所述原始数据进行数据预处理，获取训练集和测试集，基于所述训练集和所述测试集分别进行数据归一化处理，获得归一化处理后的归一化训练集和归一化测试集；构建负荷预测模型，将所述归一化训练集输入到所述负荷预测模型中进行训练，获得训练好的负荷预测模型；将所述归一化测试集输入到所述训练好的负荷预测模型中，获得预测结果。本发明缓解长期预测累积的误差，减少对外部信息的依赖，降低模型偏差，提高预测精度的长期负荷预测方法，并最终将预测结果应用于电网规划，满足电网的可靠运行需求。

技术领域

本发明属于电力负荷预测领域，尤其涉及基于综合形状误差和时间误差的长期电力负荷预测方法。

背景技术

电力负荷预测作为能源管理的重要组成部分，在电力系统中有着重要的意义和作用。准确的负荷预测，可以经济合理的安排电网内部发电机的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量。电力负荷预测工作的水平是衡量一个电力企业管理是否现代化、科学化的重要标志，已经成为电力系统理论研究的重要目标。

早期的电力负荷预测方法大多基于数理统计理论中的相关模型。一般分为两类方法，一是假设负荷数据是时间序列信号，通过时间序列分析以获得所需的结果。如自回归模型(AR)、滑动平均模型(MA) 及自回归滑动平均模型(ARMA)等。电网条件正常，气候等因素变化不大时，预测结果较好。但当随机因素变化较大或有不良数据时，预测结果不理想。二是使用回归分析获得用电量和气温、湿度等天气变量之间的关系。使用的方程包括指数函数回归方程、多元线性回归方程等等。

随着各种数据传感器在电力系统广泛安装，以大数据为支撑的神经网络算法在电力系统尤其负荷预测中得到了广泛应用。例如，基于小波神经网络(IWNN)、小波预处理和广义极限学习机(GELM)的电力负荷混合预测方法。或运用一种因果马尔可夫埃尔曼神经网络(CMEN)，以表征多网络系统中异构时间序列之间的相互依赖性，并在多网络系统中进行负载预测。然而，现有方法难以捕捉长期依赖关系，未充分挖掘时间序列数据自身之间的相关信息，这在多步预测尤其是多输出策略中无法发挥最佳性能。本发明结合多输出策略方法Seq2seq架构，提出了一种新的基于双注意力机制及双向GRU(BiGRU) 的序列到序列框架。采用双注意力机制，第一层注意力机制可以从编码器输出的时序隐藏状态中获取与待测数据的关系，对时序特征进行有效抉择，增加预测精度；第二层采用自注意力机制 (Self-Attention)，挖掘解码层输出的时序隐藏状态之间的内部关系，通过训练权重矩阵修正最终预测结果；使用多输出策略，可有效结合 DILATE损失函数，改善使用MSE损失函数的RNN神经网络在时间序列预测中的滞后问题。

发明内容

本发明的目的在于提出基于综合形状误差和时间误差的长期电力负荷预测方法，缓解长期预测累积的误差，减少对外部信息的依赖，降低模型偏差，提高预测精度的长期负荷预测方法，并最终将预测结果应用于电网规划，满足电网的可靠运行需求。

为实现上述目的，本发明提供了基于综合形状误差和时间误差的长期电力负荷预测方法，包括：

采集原始数据，基于所述原始数据进行数据预处理，获取训练集和测试集，基于所述训练集和所述测试集分别进行数据归一化处理，获得归一化处理后的归一化训练集和归一化测试集；

构建负荷预测模型，将所述归一化训练集输入到所述负荷预测模型中进行训练，获得训练好的负荷预测模型；将所述归一化测试集输入到所述训练好的负荷预测模型中，获得预测结果。

优选的，构建负荷预测模型，包括编码器，包含两个隐藏层，编码器计算过程包括：当前时刻的隐藏状态时，会首先计算一个候选状态而在计算候选状态时，会考虑重置门r_t的取值：

r_t＝σ(W_r[h_t-1,x_t]) (1)