[发明专利]基于数据增强策略和残差自修正学习模型的负荷预测方法

说明书

本发明涉及基于数据增强策略和残差自修正学习模型的负荷预测方法，属于负荷预测技术领域，考虑到用户用电结构日趋复杂等，提出一种两阶段数据增强方法，建立以张量核范数为约束的低秩张量补全模型；并通过构建稳定性更强的生成对抗网络模型，识别少数类样本之间的分布特性，根据其分布特性模拟生成新样本以实现类别平衡。考虑用户用电行为波动性及不确定性增加对负荷预测精度要求的提升，提出一种基于残差自修正集成负荷预测方法。通过构建适用于时序数据的负荷预测模型和残差预测模型，并建立一种结合负荷预测和残差预测的残差自修正集成模型，将各个预测结果收集并进行组合决策，得到最终的预测结果，以提升负荷预测精度。

技术领域

本发明属于负荷预测技术领域，具体涉及基于数据增强策略和残差自修正学习模型的负荷预测方法。

背景技术

随着新型电力系统的快速建设以及能源互联网技术的快速发展，电力用户的负荷模式愈趋多变及复杂，负荷波动性与不确定性程度加剧。电力负荷的精准预测预测可以为电力系统安全、稳定、经济运行提供支撑，并为电力系统的电网调度运行提供决策依据。从长远来说，整个电力系统的规划建设与发展都和电力负荷预测结果息息相关。因此，亟需构建精准、高效的负荷预测模型，以适应新型电力系统及能源互联网发展形势下负荷变化的新趋势。

当前以提高负荷预测精度为导向的数据增强技术包括负荷缺失数据重构以及负荷类别不平衡处理两方面。关于缺失数据重构，现有技术基于灰色自适应K-最近邻(GreyAdaptive K-Nearest Neighbor，GAKN)选取一定量的历史负荷数据构建原始数据样本库，基于朴素K-最近邻(K-Nearest Neighbor，KNN)理论，提取负荷时间序列特征，并基于阈值筛选方法过滤差异性较强的的特征序列；利用相邻点的灰色关联指数(Grey RelationCoefficient，GRC)设置相邻点权重大小，从而有效提升缺失数据补全精度。关于负荷数据类别不平衡处理，现有技术一使用基于边界的数据合成(borderline-smote，BS)算法，通过计算各条负荷曲线之间的弗雷歇距离，遍历少数类训练样本，设定与多数类样本集群相邻的少数类样本为边界元素，并构成边界元素集合；针对该边界元素集合，利用SMOTE算法随机生成新的训练样本，合理设定数据生成比例参数大小，使少数类与多数类样本之间样本数目大致相等。但是，该方案在补全缺失数据时并未充分考虑负荷数据的时空关联特征，在较高数据缺失比例下补全效果欠佳，且需要大量完整样本序列训练，无法适用于大比例数据缺失补全应用场景；在解决负荷数据不平衡问题时通常利用欠采样或者过采样技术平衡负荷样本，但由于欠采样随机丢失大类样本，往往会产生重要信息丢失的不利情况；过采样通常只利用局部先验信息学习并进行补全，生成数据跟真实负荷数据分布结构存在较大差距。

负荷预测的残差是指负荷预测结果和真实负荷值的差值，本质是以负荷数据为基础产生的序列数据，具有随机性与无序性等特征。由于残差数据与历史残差数据之间存在时空关联性，因此也可以针对残差数据进行预测。现有技术通过实际模型捕捉残差序列的变换特征，以此为理论基础实现对残差的预测，以预测的残差值为基准修正负荷预测结果，进而提升负荷预测精度；此外，现有技术通过残差自修正集成模型预测残差值，该集成模型是使用若干组模型同时预测负荷序列和预测残差序列，最后采用相关集成策略组合模型，将负荷预测序列和残差预测序列相叠加得到最后负荷预测结果。但是，现有技术存在预测模式单一、非线性映射能力较弱、不同场景下泛化能力较弱等固有缺陷，导致其应用于负荷预测可靠性与准确性不足。现有技术在残差修正预测研究中，采用非时序的深度学习模型，在输入数据中添加特征数据拟合残差，并用拟合出的残差预测值修正负荷预测结果。并且，该技术仅分析了输入特征数据与残差序列的关联耦合特性，并未深度解析残差序列时序变换特性，最终负荷预测精度受到限制。

因此，现阶段需设计基于数据增强策略和残差自修正学习模型的负荷预测方法，来解决以上问题。

发明内容

本发明目的在于提供基于数据增强策略和残差自修正学习模型的负荷预测方法，用于解决上述现有技术中存在的技术问题，构建精准、高效的负荷预测模型，以适应新型电力系统及能源互联网发展形势下负荷变化的新趋势。