本發(fā)明涉及電力系統(tǒng)負(fù)荷預(yù)測，特別是涉及一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法。

背景技術(shù)：

1、電力負(fù)荷預(yù)測在電力系統(tǒng)應(yīng)用中發(fā)揮著重要作用，負(fù)荷預(yù)測是保證電力供需動態(tài)平衡的基礎(chǔ)，而且隨著電力市場的發(fā)展，對負(fù)荷預(yù)測的準(zhǔn)確性提出了更高的要求。當(dāng)前如分布式新能源并網(wǎng)、“源網(wǎng)荷儲”的協(xié)調(diào)互動等技術(shù)應(yīng)用，在一定程度上提高了電力系統(tǒng)經(jīng)濟(jì)性和管理效率，但是對多時(shí)間尺度負(fù)荷預(yù)測精準(zhǔn)度也提出了新的需求。短期負(fù)荷預(yù)測是指對未來幾分鐘到一周的負(fù)荷進(jìn)行預(yù)測。在現(xiàn)實(shí)生活中，非線性負(fù)荷數(shù)據(jù)越來越復(fù)雜，迫切需要研究更準(zhǔn)確的負(fù)荷預(yù)測方法，從而提高經(jīng)濟(jì)調(diào)度的有效性。

2、一般回歸模型主要側(cè)重于建立線性關(guān)系的模型，忽略了因素的影響。線性回歸(linear?regression，lr)模型、支持向量回歸(support?vector?regression，svr)模型以及自回歸綜合移動平均(autoregressiveintegrated?moving?average?model，arima)模型等這些方法主要是在線性關(guān)系上建立模型，忽略了氣候和日期類型對短期負(fù)荷預(yù)測的影響。

3、深度學(xué)習(xí)更適合高維、大數(shù)據(jù)量的應(yīng)用場景，然后現(xiàn)有的技術(shù)方法均存在一定的局限性，如向量機(jī)(support?vector?machine，svm)算法存在數(shù)據(jù)需求高、可解釋性差等問題；基于誤差的反向通信(backpropagation，bp)的算法具有容易失去波動性、隨機(jī)性、非線性等局部特征；長短期記憶(long?short-termmemory，lstm)網(wǎng)絡(luò)只能緩解長期時(shí)間依賴性的問題，同時(shí)也存在網(wǎng)絡(luò)過于復(fù)雜、輸出效率低等問題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決以上技術(shù)問題，本發(fā)明提供一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，包括以下步驟：

2、s1、數(shù)據(jù)預(yù)處理：采用離差標(biāo)準(zhǔn)化，即min-max歸一化操作，將實(shí)驗(yàn)數(shù)據(jù)映射到[0，1]區(qū)間，對原始數(shù)據(jù)實(shí)現(xiàn)比例縮放，進(jìn)行數(shù)據(jù)預(yù)處理；

3、s2、構(gòu)建條件生成對抗網(wǎng)絡(luò)cgan：引入卷積神經(jīng)網(wǎng)絡(luò)cnn來構(gòu)建生成對抗網(wǎng)絡(luò)gan中生成模型g和判別模型d的內(nèi)部結(jié)構(gòu)；

4、s3、模型的網(wǎng)絡(luò)訓(xùn)練：采用生成模型g和判別模型d交替訓(xùn)練的方法來訓(xùn)練cgan網(wǎng)絡(luò)模型；

5、s4、評價(jià)指標(biāo)：以平均絕對誤差ymae、均方根誤差yrmse以及預(yù)測精度yfa作為評價(jià)標(biāo)準(zhǔn)。

6、本發(fā)明進(jìn)一步限定的技術(shù)方案是：

7、進(jìn)一步的，步驟s1中，min-max歸一化公式為：

8、

9、其中，x表示當(dāng)前數(shù)據(jù)，xmin表示最小值，xmax表示最大值。

10、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s1中，通過計(jì)算樣本數(shù)據(jù)的自相關(guān)系數(shù)來確定輸入變量時(shí)間序列的長度，通過自相關(guān)系數(shù)反映不同滯后狀態(tài)之間的相關(guān)性以及序列的周期性；計(jì)算滯后時(shí)間為m的時(shí)間序列的自相關(guān)系數(shù)a的公式為：

11、

12、其中，xi表示輸入時(shí)間序列的值，表示xi的平均值，l為時(shí)間序列的長度。

13、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s2中，采用二維卷積模型2d-cnn結(jié)構(gòu)構(gòu)建短期負(fù)荷預(yù)測模型，對一維序列數(shù)據(jù)進(jìn)行二維等效信息度變換，并將其排列成n*n的二維形式進(jìn)行卷積；通過利用部分鑒別器隱藏層計(jì)算特征偏置的方法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

14、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s2中，在卷積神經(jīng)網(wǎng)絡(luò)cnn中使用跨步卷積代替空間池，使網(wǎng)絡(luò)能夠自主學(xué)習(xí)空間降采樣；在輸出層中，使用tanh激活函數(shù)，而在其他層中，使用relu激活，網(wǎng)絡(luò)最終生成預(yù)測數(shù)據(jù)。

15、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s2中，生成模型g由三層卷積神經(jīng)網(wǎng)絡(luò)cnn組成，輸入層通過32個(gè)5*5卷積核進(jìn)行卷積得到卷積層c1，通過64個(gè)5*5卷積核進(jìn)行卷積得到c2，通過1個(gè)5*5卷積核進(jìn)行卷積得到滑動步長為2的輸出。

16、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s2中，條件數(shù)據(jù)以生成的樣本和真實(shí)樣本作為輸入數(shù)據(jù)輸入判別模型d，判別模型d還將輸入數(shù)據(jù)連接成一個(gè)矩陣，作為卷積層的輸入；判別模型d由一個(gè)3層卷積神經(jīng)網(wǎng)絡(luò)cnn組成，將特征損失函數(shù)應(yīng)用于判別模型d的第2層和第3層隱藏層，最后使用全連接和sigmoid激活函數(shù)進(jìn)行真假判斷，將結(jié)果映射到(0，1)。

17、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，判別模型d中，通過卷積32個(gè)5*5卷積核得到卷積層c1；通過卷積64個(gè)5*5卷積核得到卷積層c2；通過卷積128個(gè)5*5卷積核得到卷積層c3，滑動步長為2；最后通過全連接層輸出判別結(jié)果。

18、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s3中，在模型的網(wǎng)絡(luò)訓(xùn)練中，將動力參數(shù)設(shè)置為0.99，l1損失函數(shù)權(quán)值λl1設(shè)置為100.0，特征損失函數(shù)的權(quán)值λper設(shè)置為50.0，第二隱藏層權(quán)重λ2設(shè)置為1.0，第三隱藏層權(quán)重λ3設(shè)置為2.0。

19、前所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，步驟s4中，平均絕對誤差ymae、均方根誤差yrmse以及預(yù)測精度yfa的公式定義如下：

20、

21、其中，xreal表示真實(shí)荷載值；xpred預(yù)測荷載值；n為預(yù)測次數(shù)。

22、本發(fā)明的有益效果是：

23、本發(fā)明中，準(zhǔn)確、快速的電力負(fù)荷預(yù)測有助于電力系統(tǒng)合理調(diào)度，維護(hù)整個(gè)系統(tǒng)的穩(wěn)定；目前的短期負(fù)荷預(yù)測算法無法處理復(fù)雜非線性負(fù)荷數(shù)據(jù)之間的底層關(guān)系，導(dǎo)致算法預(yù)測的準(zhǔn)確性不足；而本發(fā)明提出的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其通過對抗網(wǎng)絡(luò)的博弈訓(xùn)練，可以學(xué)習(xí)到潛在的關(guān)系，在復(fù)雜的非線性序列數(shù)據(jù)之間生成新的數(shù)據(jù)；實(shí)驗(yàn)結(jié)果表明，該方法訓(xùn)練的模型在不同場景下具有更高的預(yù)測精度，同時(shí)訓(xùn)練效率更高，泛化能力更強(qiáng)，網(wǎng)絡(luò)結(jié)構(gòu)更清晰，且可解釋性也更強(qiáng)。

技術(shù)特征：

1.一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s1中，min-max歸一化公式為：

3.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s1中，通過計(jì)算樣本數(shù)據(jù)的自相關(guān)系數(shù)來確定輸入變量時(shí)間序列的長度，通過自相關(guān)系數(shù)反映不同滯后狀態(tài)之間的相關(guān)性以及序列的周期性；計(jì)算滯后時(shí)間為m的時(shí)間序列的自相關(guān)系數(shù)a的公式為：

4.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s2中，采用二維卷積模型2d-cnn結(jié)構(gòu)構(gòu)建短期負(fù)荷預(yù)測模型，對一維序列數(shù)據(jù)進(jìn)行二維等效信息度變換，并將其排列成n*n的二維形式進(jìn)行卷積；通過利用部分鑒別器隱藏層計(jì)算特征偏置的方法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

5.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s2中，在卷積神經(jīng)網(wǎng)絡(luò)cnn中使用跨步卷積代替空間池，使網(wǎng)絡(luò)能夠自主學(xué)習(xí)空間降采樣；在輸出層中，使用tanh激活函數(shù)，而在其他層中，使用relu激活，網(wǎng)絡(luò)最終生成預(yù)測數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s2中，生成模型g由三層卷積神經(jīng)網(wǎng)絡(luò)cnn組成，輸入層通過32個(gè)5*5卷積核進(jìn)行卷積得到卷積層c1，通過64個(gè)5*5卷積核進(jìn)行卷積得到c2，通過1個(gè)5*5卷積核進(jìn)行卷積得到滑動步長為2的輸出。

7.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s2中，條件數(shù)據(jù)以生成的樣本和真實(shí)樣本作為輸入數(shù)據(jù)輸入判別模型d，判別模型d還將輸入數(shù)據(jù)連接成一個(gè)矩陣，作為卷積層的輸入；判別模型d由一個(gè)3層卷積神經(jīng)網(wǎng)絡(luò)cnn組成，將特征損失函數(shù)應(yīng)用于判別模型d的第2層和第3層隱藏層，最后使用全連接和sigmoid激活函數(shù)進(jìn)行真假判斷，將結(jié)果映射到(0，1)。

8.根據(jù)權(quán)利要求7所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述判別模型d中，通過卷積32個(gè)5*5卷積核得到卷積層c1；通過卷積64個(gè)5*5卷積核得到卷積層c2；通過卷積128個(gè)5*5卷積核得到卷積層c3，滑動步長為2；最后通過全連接層輸出判別結(jié)果。

9.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s3中，在模型的網(wǎng)絡(luò)訓(xùn)練中，將動力參數(shù)設(shè)置為0.99，l1損失函數(shù)權(quán)值λl1設(shè)置為100.0，特征損失函數(shù)的權(quán)值λper設(shè)置為50.0，第二隱藏層權(quán)重λ2設(shè)置為1.0，第三隱藏層權(quán)重λ3設(shè)置為2.0。

10.根據(jù)權(quán)利要求1所述的一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于：所述步驟s4中，平均絕對誤差ymae、均方根誤差yrmse以及預(yù)測精度yfa的公式定義如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于條件生成對抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，涉及電力系統(tǒng)負(fù)荷預(yù)測技術(shù)領(lǐng)域，針對目前的短期負(fù)荷預(yù)測算法無法處理復(fù)雜非線性負(fù)荷數(shù)據(jù)之間的底層關(guān)系，導(dǎo)致算法預(yù)測的準(zhǔn)確性不足等問題，本發(fā)明依次進(jìn)行數(shù)據(jù)預(yù)處理、構(gòu)建條件生成對抗網(wǎng)絡(luò)CGAN、采用生成模型G和判別模型D交替訓(xùn)練的方法來訓(xùn)練CGAN網(wǎng)絡(luò)模型以及評價(jià)指標(biāo)四個(gè)步驟，通過對抗網(wǎng)絡(luò)的博弈訓(xùn)練，可以學(xué)習(xí)到潛在的關(guān)系在復(fù)雜的非線性序列數(shù)據(jù)之間生成新的數(shù)據(jù)；實(shí)驗(yàn)結(jié)果表明，本方法訓(xùn)練的模型在不同場景下具有較高的預(yù)測精度，同時(shí)訓(xùn)練效率高，泛化能力強(qiáng)，網(wǎng)絡(luò)結(jié)構(gòu)清晰，可解釋性強(qiáng)，對負(fù)荷預(yù)測領(lǐng)域具體良好效果。

技術(shù)研發(fā)人員：田浩,楊楠,包江龍,馮儀杉,程璟怡
受保護(hù)的技術(shù)使用者：無錫學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10