一种电力系统负荷预测方法、设备、介质及产品与流程

本发明涉及电力系统负荷预测，特别是涉及一种电力系统负荷预测方法、设备、介质及产品。

背景技术：

1、电力负荷是指发电厂或电力系统中，在某一时刻所承担的各类用电设备消费电功率的总和。电力系统负荷预测分析了电力负荷与电力负荷历史数据、社会、经济、气象等相关因素之间的内在联系，探讨了电力负荷变化规律，在保证一定精度的前提下，对未来一段时间的电力负荷使用情况作出准确、科学的预测。其主要目的是提高电力调度的准确性和管理效率，减小发电与需求的差距，减少电力损失，提高电网系统的经济、安全和稳定性。

2、近年来随着大量的电动汽车、分布式电源并入电网，导致负荷的复杂度和不确定性大幅增加，给电力系统的安全稳定运行带来了挑战。精准的电力系统负荷预测是应对上述问题的关键技术之一，同时也能为发电企业提供必要的发电依据，有助于降低发电企业的成本。现有的电力系统负荷预测方法主要分为两大类：一是经典型；二是人工智能型。

3、基于经典型的电力系统负荷预测方法主要是在数学和统计学的基础上所提出的。时间序列法是经典型中的方法之一，其主要是依靠历史数据和现有的数据，寻找历史数据和现有数据之间的关系，然后推断未来一段时间内的结果。电力系统负荷预测问题是典型的时间序列问题，因而时间序列法在早期常用来处理负荷预测问题，计算量较小，是一种相对成熟的方法，但无法考虑影响负荷波动的不确定因素，导致在面对温度剧烈变化和重大节假日等情况时精度不高且并不适用于中长期负荷预测。

4、回归分析法是基于统计学提出的数据分析方法，通过观测两个变量或多个变量之间是否相关及相关程度的强弱，建立数学模型预测研究者关心的变量。在电力负荷预测早期阶段，回归分析法也常用来进行负荷预测。回归分析法的特点是原理较为简单，数学建模相对复杂，对历史数据要求高。此外还对传统的回归分析法进行了改进，如模糊的回归负荷预测方法，其具体做法是对历史数据预处理后，再将数据模糊化，采用恰当的模糊推理机制并训练，然后建立配套的模糊集，最后模糊集清晰化输出结果。经过实验验证该方法在中长期负荷预测中效果良好。基于小波分析和回归预测法相结合的预测方法是把负荷序列采用小波变换分解为不同频率的基本负荷分量和变动负荷分量，基本负荷分量采用多元回归预测法，变动负荷分量采用周期外推预测，再将各自预测的值叠加就得到了最终的预测结果，该方法取得了良好的效果。但上述方法仅仅将影响负荷波动的因素看作简单的数据，并没有考虑数据本身的客观规律，因此预测结果容易出现很大的误差，因而回归分析法的推广也受到较大限制。

5、灰色预测法的主要特点是考虑了预测问题中的不确定因素，在电力负荷预测领域获得广泛应用。该方法主要是对历史序列数据做累加或减操作，获得一个全新的数列，并在新数据序列上做微分方程的拟合，最后以该微分方程的解作预测。灰色预测法具有建模简单、对历史数据要求低、计算简单等优点，但当负荷数据较为离散的时候，预测精度低，特别是在进行节假日预测时缺陷很大，因此灰色预测法也有很大局限性。

6、基于人工智能的电力系统预测方法主要包括使用各种机器学习和深度学习技术来处理电力系统的数据，从而进行负荷、发电量等方面的预测。其中，人工神经网络法(artificial neural network，ann)是模仿生物神经元细胞处理信息的方式而设计的方法，是一种模拟人类神经元间连接和信息传递过程的数学模型。ann由于其良好的性能和自学习能力也被应用于负荷预测领域，并被大量研究者关注和改进，获得了广泛应用，人工神经网络的出现极大地推动了负荷预测工作的发展。基于主成分分析的反向传播神经网络(back propagation，bp)的负荷预测方法采用粒子群算法(particle swarmoptimization，pso)对bp神经网络的参数进行优化，建立pca-pso-bp模型，有效提高了负荷预测的精度，但存在序列丢失的问题。基于attention机制与lstm神经网络相结合的方法消除了序列丢失问题，但收敛效果较差。

7、组合模型负荷预测法是一种将多种负荷预测模型结合起来，形成一个集成预测模型的方法。组合模型通过综合多个模型的优点或者改善单一模型的不足，提高负荷预测的准确性和可靠性。如fa-svr-lstm组合模型法通过把萤火虫算法(firefly algorithm，fa)与优化支持向量回归(support vector regression，svr)相结合，采用fa优化svr的惩罚因子、核函数以及lstm的神经元数目和学习率等参数，建立了fa-svr-lstm组合模型，预测精度有较大提升，但计算复杂度较高。基于cnn-lstm混合预测模型采用cnn提取特征向量，将特征向量以时序序列方式构造并作为lstm网络输入数据，再采用lstm网络进行短期负荷预测，很好地综合了组合模型的优点，取得了很好的预测效果，但超参数调优难度较大且对初始参数较为敏感。

技术实现思路

1、本发明的目的是提供一种电力系统负荷预测方法、设备、介质及产品，以实现自动优化超参数，并且大幅度提高预测的准确度。

2、为实现上述目的，本发明提供了如下方案：

3、一种电力系统负荷预测方法，包括：

4、获取电力系统的历史负荷数据序列；所述历史负荷数据序列包括历史若干个时间采样点所对应的负荷值；

5、根据所述历史负荷数据序列构建样本数据集；

6、基于卷积神经网络和门控循环单元构建负荷预测初始模型；

7、采用北方苍鹰优化算法对所述负荷预测初始模型的超参数进行寻优，得到负荷预测优化模型；

8、采用所述样本数据集对所述负荷预测优化模型进行训练，得到电力系统负荷预测模型；

9、利用所述电力系统负荷预测模型对电力系统的未来负荷数据进行预测。

10、可选地，根据所述历史负荷数据序列构建样本数据集，具体包括：

11、对所述历史负荷数据序列中的缺失部分进行补充，得到补充后的历史负荷数据序列；

12、对所述补充后的历史负荷数据序列进行归一化，得到归一化后的历史负荷数据序列；

13、根据所述归一化后的历史负荷数据序列构建样本数据集。

14、可选地，采用北方苍鹰优化算法对所述负荷预测初始模型的超参数进行寻优，得到负荷预测优化模型，具体包括：

15、初始化北方苍鹰算法的参数并随机生成每只北方苍鹰的位置；所述北方苍鹰算法的参数包括：种群规模、最大迭代次数、求解问题维度和参数优化界限；所述北方苍鹰的位置用于表征所述负荷预测初始模型的超参数；

16、在勘探阶段，令每只北方苍鹰随机选择猎物攻击，并根据适应度函数更新每只北方苍鹰的位置，得到每只北方苍鹰在勘探阶段的新位置；

17、在开发阶段，令每只北方苍鹰在狩猎半径内捕获猎物，并根据适应度函数更新每只北方苍鹰的位置，得到每只北方苍鹰在开发阶段的新位置；

18、重复执行勘探阶段和开发阶段的步骤，直至达到最大迭代次数，则根据每只北方苍鹰的位置和适应度函数确定所述负荷预测初始模型的最优超参数，得到负荷预测优化模型。

19、可选地，所述负荷预测初始模型的超参数包括：学习率、隐藏节点数目、正则化系数和批量大小；所述适应度函数为均方差函数。

20、可选地，在勘探阶段，令每只北方苍鹰随机选择猎物攻击，并根据适应度函数更新每只北方苍鹰的位置，得到每只北方苍鹰在勘探阶段的新位置，具体公式为：

21、

22、其中，li为第i只北方苍鹰的全局位置；li,j为第i只北方苍鹰在第j维空间的位置；fi为li所对应的适应度函数值；pi为第i只北方苍鹰选择的猎物位置；pi,j为第i只北方苍鹰选择的猎物在第j维空间的位置；为pi所对应的适应度函数值；为第i只北方苍鹰在勘探阶段的新位置；为第i只北方苍鹰在勘探阶段的第j维空间的新位置；为所对应的适应度函数值；r和y均为随机数，且r∈[0,1]、y＝1,2。

23、可选地，在开发阶段，令每只北方苍鹰在狩猎半径内捕获猎物，并根据适应度函数更新每只北方苍鹰的位置，得到每只北方苍鹰在开发阶段的新位置，具体公式为：

24、r＝0.02(1-a/a)；

25、

26、其中，li为第i只北方苍鹰的全局位置；li,j为第i只北方苍鹰在第j维空间的位置；fi为li所对应的适应度函数值；r为狩猎半径；a为当前迭代次数；a为最大迭代次数；r为随机数，且r∈[0,1]；为第i只北方苍鹰在开发阶段的新位置；为第i只北方苍鹰在开发阶段的第j维空间的新位置；为对应的适应度函数值。

27、可选地，对所述历史负荷数据序列中的缺失部分进行补充，得到补充后的历史负荷数据序列，具体公式为：

28、l(d,x)＝ω1l(d,x+1)+ω2l(d,x-1)+ω3l(d+1,x)+ω4l(d-1,x)；

29、其中，l(d,x)为第d天的第x个时间采样点所对应的负荷值；l(d,x+1)为第d天的第x+1个时间采样点所对应的负荷值；l(d,x-1)为第d天的第x-1个时间采样点所对应的负荷值；l(d+1,x)为第d+1天的第x个时间采样点所对应的负荷值；l(d-1,x)为第d-1天的第x个时间采样点所对应的负荷值；ω1、ω2、ω3和ω4均表示权重。

30、一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的电力系统负荷预测方法。

31、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的电力系统负荷预测方法。

32、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的电力系统负荷预测方法。

33、根据本发明提供的具体实施例，本发明公开了以下技术效果：

34、本发明针对传统的电力系统负荷预测方法存在的预测效果较差、超参数调优难度大的问题，采用一种组合模型整合了卷积神经网络(convolutional neural network，cnn)和门控循环单元(gated recurrent unit，gru)两种不同类型的神经网络，通过在cnn和gru之间建立连接，充分发挥它们在特征提取和序列建模方面的优势，以更好地捕捉时间序列数据中的复杂关系，提高了预测的有效性；同时，通过引入北方苍鹰优化算法(northerngoshawk optimization，ngo)进行超参数寻优，实现了对cnn-gru神经网络结构和参数的自动优化，避免了手动调参的繁琐过程，提高了模型的泛化能力和鲁棒性。因此本发明能够实现自动优化超参数并大幅度提高预测的准确度。