本發(fā)明涉及電力系統(tǒng)負(fù)荷預(yù)測，特別是涉及一種電力系統(tǒng)負(fù)荷預(yù)測方法、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、電力負(fù)荷是指發(fā)電廠或電力系統(tǒng)中，在某一時刻所承擔(dān)的各類用電設(shè)備消費(fèi)電功率的總和。電力系統(tǒng)負(fù)荷預(yù)測分析了電力負(fù)荷與電力負(fù)荷歷史數(shù)據(jù)、社會、經(jīng)濟(jì)、氣象等相關(guān)因素之間的內(nèi)在聯(lián)系，探討了電力負(fù)荷變化規(guī)律，在保證一定精度的前提下，對未來一段時間的電力負(fù)荷使用情況作出準(zhǔn)確、科學(xué)的預(yù)測。其主要目的是提高電力調(diào)度的準(zhǔn)確性和管理效率，減小發(fā)電與需求的差距，減少電力損失，提高電網(wǎng)系統(tǒng)的經(jīng)濟(jì)、安全和穩(wěn)定性。

2、近年來隨著大量的電動汽車、分布式電源并入電網(wǎng)，導(dǎo)致負(fù)荷的復(fù)雜度和不確定性大幅增加，給電力系統(tǒng)的安全穩(wěn)定運(yùn)行帶來了挑戰(zhàn)。精準(zhǔn)的電力系統(tǒng)負(fù)荷預(yù)測是應(yīng)對上述問題的關(guān)鍵技術(shù)之一，同時也能為發(fā)電企業(yè)提供必要的發(fā)電依據(jù)，有助于降低發(fā)電企業(yè)的成本?，F(xiàn)有的電力系統(tǒng)負(fù)荷預(yù)測方法主要分為兩大類：一是經(jīng)典型；二是人工智能型。

3、基于經(jīng)典型的電力系統(tǒng)負(fù)荷預(yù)測方法主要是在數(shù)學(xué)和統(tǒng)計(jì)學(xué)的基礎(chǔ)上所提出的。時間序列法是經(jīng)典型中的方法之一，其主要是依靠歷史數(shù)據(jù)和現(xiàn)有的數(shù)據(jù)，尋找歷史數(shù)據(jù)和現(xiàn)有數(shù)據(jù)之間的關(guān)系，然后推斷未來一段時間內(nèi)的結(jié)果。電力系統(tǒng)負(fù)荷預(yù)測問題是典型的時間序列問題，因而時間序列法在早期常用來處理負(fù)荷預(yù)測問題，計(jì)算量較小，是一種相對成熟的方法，但無法考慮影響負(fù)荷波動的不確定因素，導(dǎo)致在面對溫度劇烈變化和重大節(jié)假日等情況時精度不高且并不適用于中長期負(fù)荷預(yù)測。

4、回歸分析法是基于統(tǒng)計(jì)學(xué)提出的數(shù)據(jù)分析方法，通過觀測兩個變量或多個變量之間是否相關(guān)及相關(guān)程度的強(qiáng)弱，建立數(shù)學(xué)模型預(yù)測研究者關(guān)心的變量。在電力負(fù)荷預(yù)測早期階段，回歸分析法也常用來進(jìn)行負(fù)荷預(yù)測。回歸分析法的特點(diǎn)是原理較為簡單，數(shù)學(xué)建模相對復(fù)雜，對歷史數(shù)據(jù)要求高。此外還對傳統(tǒng)的回歸分析法進(jìn)行了改進(jìn)，如模糊的回歸負(fù)荷預(yù)測方法，其具體做法是對歷史數(shù)據(jù)預(yù)處理后，再將數(shù)據(jù)模糊化，采用恰當(dāng)?shù)哪：评頇C(jī)制并訓(xùn)練，然后建立配套的模糊集，最后模糊集清晰化輸出結(jié)果。經(jīng)過實(shí)驗(yàn)驗(yàn)證該方法在中長期負(fù)荷預(yù)測中效果良好。基于小波分析和回歸預(yù)測法相結(jié)合的預(yù)測方法是把負(fù)荷序列采用小波變換分解為不同頻率的基本負(fù)荷分量和變動負(fù)荷分量，基本負(fù)荷分量采用多元回歸預(yù)測法，變動負(fù)荷分量采用周期外推預(yù)測，再將各自預(yù)測的值疊加就得到了最終的預(yù)測結(jié)果，該方法取得了良好的效果。但上述方法僅僅將影響負(fù)荷波動的因素看作簡單的數(shù)據(jù)，并沒有考慮數(shù)據(jù)本身的客觀規(guī)律，因此預(yù)測結(jié)果容易出現(xiàn)很大的誤差，因而回歸分析法的推廣也受到較大限制。

5、灰色預(yù)測法的主要特點(diǎn)是考慮了預(yù)測問題中的不確定因素，在電力負(fù)荷預(yù)測領(lǐng)域獲得廣泛應(yīng)用。該方法主要是對歷史序列數(shù)據(jù)做累加或減操作，獲得一個全新的數(shù)列，并在新數(shù)據(jù)序列上做微分方程的擬合，最后以該微分方程的解作預(yù)測?；疑A(yù)測法具有建模簡單、對歷史數(shù)據(jù)要求低、計(jì)算簡單等優(yōu)點(diǎn)，但當(dāng)負(fù)荷數(shù)據(jù)較為離散的時候，預(yù)測精度低，特別是在進(jìn)行節(jié)假日預(yù)測時缺陷很大，因此灰色預(yù)測法也有很大局限性。

6、基于人工智能的電力系統(tǒng)預(yù)測方法主要包括使用各種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)來處理電力系統(tǒng)的數(shù)據(jù)，從而進(jìn)行負(fù)荷、發(fā)電量等方面的預(yù)測。其中，人工神經(jīng)網(wǎng)絡(luò)法(artificial?neural?network，ann)是模仿生物神經(jīng)元細(xì)胞處理信息的方式而設(shè)計(jì)的方法，是一種模擬人類神經(jīng)元間連接和信息傳遞過程的數(shù)學(xué)模型。ann由于其良好的性能和自學(xué)習(xí)能力也被應(yīng)用于負(fù)荷預(yù)測領(lǐng)域，并被大量研究者關(guān)注和改進(jìn)，獲得了廣泛應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)極大地推動了負(fù)荷預(yù)測工作的發(fā)展?；谥鞒煞址治龅姆聪騻鞑ド窠?jīng)網(wǎng)絡(luò)(back?propagation，bp)的負(fù)荷預(yù)測方法采用粒子群算法(particle?swarmoptimization，pso)對bp神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，建立pca-pso-bp模型，有效提高了負(fù)荷預(yù)測的精度，但存在序列丟失的問題?；赼ttention機(jī)制與lstm神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法消除了序列丟失問題，但收斂效果較差。

7、組合模型負(fù)荷預(yù)測法是一種將多種負(fù)荷預(yù)測模型結(jié)合起來，形成一個集成預(yù)測模型的方法。組合模型通過綜合多個模型的優(yōu)點(diǎn)或者改善單一模型的不足，提高負(fù)荷預(yù)測的準(zhǔn)確性和可靠性。如fa-svr-lstm組合模型法通過把螢火蟲算法(firefly?algorithm，fa)與優(yōu)化支持向量回歸(support?vector?regression，svr)相結(jié)合，采用fa優(yōu)化svr的懲罰因子、核函數(shù)以及l(fā)stm的神經(jīng)元數(shù)目和學(xué)習(xí)率等參數(shù)，建立了fa-svr-lstm組合模型，預(yù)測精度有較大提升，但計(jì)算復(fù)雜度較高?；赾nn-lstm混合預(yù)測模型采用cnn提取特征向量，將特征向量以時序序列方式構(gòu)造并作為lstm網(wǎng)絡(luò)輸入數(shù)據(jù)，再采用lstm網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測，很好地綜合了組合模型的優(yōu)點(diǎn)，取得了很好的預(yù)測效果，但超參數(shù)調(diào)優(yōu)難度較大且對初始參數(shù)較為敏感。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種電力系統(tǒng)負(fù)荷預(yù)測方法、設(shè)備、介質(zhì)及產(chǎn)品，以實(shí)現(xiàn)自動優(yōu)化超參數(shù)，并且大幅度提高預(yù)測的準(zhǔn)確度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種電力系統(tǒng)負(fù)荷預(yù)測方法，包括：

4、獲取電力系統(tǒng)的歷史負(fù)荷數(shù)據(jù)序列；所述歷史負(fù)荷數(shù)據(jù)序列包括歷史若干個時間采樣點(diǎn)所對應(yīng)的負(fù)荷值；

5、根據(jù)所述歷史負(fù)荷數(shù)據(jù)序列構(gòu)建樣本數(shù)據(jù)集；

6、基于卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元構(gòu)建負(fù)荷預(yù)測初始模型；

7、采用北方蒼鷹優(yōu)化算法對所述負(fù)荷預(yù)測初始模型的超參數(shù)進(jìn)行尋優(yōu)，得到負(fù)荷預(yù)測優(yōu)化模型；

8、采用所述樣本數(shù)據(jù)集對所述負(fù)荷預(yù)測優(yōu)化模型進(jìn)行訓(xùn)練，得到電力系統(tǒng)負(fù)荷預(yù)測模型；

9、利用所述電力系統(tǒng)負(fù)荷預(yù)測模型對電力系統(tǒng)的未來負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測。

10、可選地，根據(jù)所述歷史負(fù)荷數(shù)據(jù)序列構(gòu)建樣本數(shù)據(jù)集，具體包括：

11、對所述歷史負(fù)荷數(shù)據(jù)序列中的缺失部分進(jìn)行補(bǔ)充，得到補(bǔ)充后的歷史負(fù)荷數(shù)據(jù)序列；

12、對所述補(bǔ)充后的歷史負(fù)荷數(shù)據(jù)序列進(jìn)行歸一化，得到歸一化后的歷史負(fù)荷數(shù)據(jù)序列；

13、根據(jù)所述歸一化后的歷史負(fù)荷數(shù)據(jù)序列構(gòu)建樣本數(shù)據(jù)集。

14、可選地，采用北方蒼鷹優(yōu)化算法對所述負(fù)荷預(yù)測初始模型的超參數(shù)進(jìn)行尋優(yōu)，得到負(fù)荷預(yù)測優(yōu)化模型，具體包括：

15、初始化北方蒼鷹算法的參數(shù)并隨機(jī)生成每只北方蒼鷹的位置；所述北方蒼鷹算法的參數(shù)包括：種群規(guī)模、最大迭代次數(shù)、求解問題維度和參數(shù)優(yōu)化界限；所述北方蒼鷹的位置用于表征所述負(fù)荷預(yù)測初始模型的超參數(shù)；

16、在勘探階段，令每只北方蒼鷹隨機(jī)選擇獵物攻擊，并根據(jù)適應(yīng)度函數(shù)更新每只北方蒼鷹的位置，得到每只北方蒼鷹在勘探階段的新位置；

17、在開發(fā)階段，令每只北方蒼鷹在狩獵半徑內(nèi)捕獲獵物，并根據(jù)適應(yīng)度函數(shù)更新每只北方蒼鷹的位置，得到每只北方蒼鷹在開發(fā)階段的新位置；

18、重復(fù)執(zhí)行勘探階段和開發(fā)階段的步驟，直至達(dá)到最大迭代次數(shù)，則根據(jù)每只北方蒼鷹的位置和適應(yīng)度函數(shù)確定所述負(fù)荷預(yù)測初始模型的最優(yōu)超參數(shù)，得到負(fù)荷預(yù)測優(yōu)化模型。

19、可選地，所述負(fù)荷預(yù)測初始模型的超參數(shù)包括：學(xué)習(xí)率、隱藏節(jié)點(diǎn)數(shù)目、正則化系數(shù)和批量大??；所述適應(yīng)度函數(shù)為均方差函數(shù)。

20、可選地，在勘探階段，令每只北方蒼鷹隨機(jī)選擇獵物攻擊，并根據(jù)適應(yīng)度函數(shù)更新每只北方蒼鷹的位置，得到每只北方蒼鷹在勘探階段的新位置，具體公式為：

21、

22、其中，li為第i只北方蒼鷹的全局位置；li,j為第i只北方蒼鷹在第j維空間的位置；fi為li所對應(yīng)的適應(yīng)度函數(shù)值；pi為第i只北方蒼鷹選擇的獵物位置；pi,j為第i只北方蒼鷹選擇的獵物在第j維空間的位置；為pi所對應(yīng)的適應(yīng)度函數(shù)值；為第i只北方蒼鷹在勘探階段的新位置；為第i只北方蒼鷹在勘探階段的第j維空間的新位置；為所對應(yīng)的適應(yīng)度函數(shù)值；r和y均為隨機(jī)數(shù)，且r∈[0,1]、y＝1,2。

23、可選地，在開發(fā)階段，令每只北方蒼鷹在狩獵半徑內(nèi)捕獲獵物，并根據(jù)適應(yīng)度函數(shù)更新每只北方蒼鷹的位置，得到每只北方蒼鷹在開發(fā)階段的新位置，具體公式為：

24、r＝0.02(1-a/a)；

25、

26、其中，li為第i只北方蒼鷹的全局位置；li,j為第i只北方蒼鷹在第j維空間的位置；fi為li所對應(yīng)的適應(yīng)度函數(shù)值；r為狩獵半徑；a為當(dāng)前迭代次數(shù)；a為最大迭代次數(shù)；r為隨機(jī)數(shù)，且r∈[0,1]；為第i只北方蒼鷹在開發(fā)階段的新位置；為第i只北方蒼鷹在開發(fā)階段的第j維空間的新位置；為對應(yīng)的適應(yīng)度函數(shù)值。

27、可選地，對所述歷史負(fù)荷數(shù)據(jù)序列中的缺失部分進(jìn)行補(bǔ)充，得到補(bǔ)充后的歷史負(fù)荷數(shù)據(jù)序列，具體公式為：

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)為第d天的第x個時間采樣點(diǎn)所對應(yīng)的負(fù)荷值；l(d,x+1)為第d天的第x+1個時間采樣點(diǎn)所對應(yīng)的負(fù)荷值；l(d,x-1)為第d天的第x-1個時間采樣點(diǎn)所對應(yīng)的負(fù)荷值；l(d+1,x)為第d+1天的第x個時間采樣點(diǎn)所對應(yīng)的負(fù)荷值；l(d-1,x)為第d-1天的第x個時間采樣點(diǎn)所對應(yīng)的負(fù)荷值；ω1、ω2、ω3和ω4均表示權(quán)重。

30、一種計(jì)算機(jī)設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)所述的電力系統(tǒng)負(fù)荷預(yù)測方法。

31、一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)所述的電力系統(tǒng)負(fù)荷預(yù)測方法。

32、一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)所述的電力系統(tǒng)負(fù)荷預(yù)測方法。

33、根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：

34、本發(fā)明針對傳統(tǒng)的電力系統(tǒng)負(fù)荷預(yù)測方法存在的預(yù)測效果較差、超參數(shù)調(diào)優(yōu)難度大的問題，采用一種組合模型整合了卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network，cnn)和門控循環(huán)單元(gated?recurrent?unit，gru)兩種不同類型的神經(jīng)網(wǎng)絡(luò)，通過在cnn和gru之間建立連接，充分發(fā)揮它們在特征提取和序列建模方面的優(yōu)勢，以更好地捕捉時間序列數(shù)據(jù)中的復(fù)雜關(guān)系，提高了預(yù)測的有效性；同時，通過引入北方蒼鷹優(yōu)化算法(northerngoshawk?optimization，ngo)進(jìn)行超參數(shù)尋優(yōu)，實(shí)現(xiàn)了對cnn-gru神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的自動優(yōu)化，避免了手動調(diào)參的繁瑣過程，提高了模型的泛化能力和魯棒性。因此本發(fā)明能夠?qū)崿F(xiàn)自動優(yōu)化超參數(shù)并大幅度提高預(yù)測的準(zhǔn)確度。