(12)发明专利申请
(10)申请公布号 CN 109242180 A(43)申请公布日 2019.01.18
(21)申请号 201811011685.4(22)申请日 2018.08.31
(71)申请人 合肥工业大学
地址 230009 安徽省合肥市包河区屯溪路
193号(72)发明人 周开乐 温露露 杨善林 (74)专利代理机构 北京旭路知识产权代理有限
公司 11567
代理人 董媛 王莹(51)Int.Cl.
G06Q 10/04(2012.01)G06Q 50/06(2012.01)
权利要求书3页 说明书8页 附图3页
(54)发明名称
中长期电力负荷预测方法和系统(57)摘要
本发明实施例公开一种中长期电力负荷预测方法及系统，该方法包括：在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；将所述预测模型进行处理，得到训练好的模型；将所述测试数据集带入训练好的模型进行预测，得到预测结果。
CN 109242180 ACN 109242180 A
权 利 要 求 书
1/3页
1.一种中长期电力负荷预测方法，其特征在于，包括：
在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；将所述预测模型进行处理，得到训练好的模型；将所述测试数据集带入训练好的模型进行预测，得到预测结果。2.根据权利要求1所述的方法，其特征在于，所述固定时段为数日或数月或数年，所述设定频率为数分钟或者数小时。
3.根据权利要求1或2所述的方法，其特征在于，所述在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集包括：
每小时采集一次所述电力数据，则每天采集24条所述电力数据；连续采集一年的所述电力数据作为所述居民建筑的训练数据集，训练数据集表示为P，再连续采集两个月的所述电力数据作为所述居民建筑的测试数据集，测试数据集表示为T，则：
其中，P、T中每一行代表着一条所述电力数据，每一列表示所述电力数据中的一个参数，总共有n个参数。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型包括：
将所述训练数据集中的数据及所述测试数据集中的数据转化为有监督学习的数据，所述训练数据集转化后的数据表示为P′，所述测试数据集转化后的数据表示为T′，其中：P′＝f(P)，T′＝f(T)；
按照下式对P′、T′的每一列进行标准化，得到所述预测模型；
其中xi,j表示转化后数据的原始值，min表示xi,j所处列的最小值，max表示xi,j所处列的最大值，x′则标准化的总数据可以表示为P″。i,j为标准化后的数值，
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述预测模型进行处理，得到训练好的模型包括：
2
CN 109242180 A
权 利 要 求 书
2/3页
对所述预测模型施加正则化，则所述预测模型各个常规网络层的代价函数可以表示为
其中C0l为第l层的原始代价函数，C1l为引入正则化后第l层的代价函
数，ωil为权重，λ为系数；
对预测模型中的所有网络层设置Dropout；应用Adam梯度下降算法，优化所述预测模型参数；应用Hyperopt库，对所述预测模型中的超参进行优化，得到所述训练好的模型。6.根据权利要求5所述的方法，其特征在于，所述应用Hyperopt库，对所述预测模型中的超参进行优化包括：
LSTM网络层数、常规网络层数、激活函数类型和Dropout值。7.根据权利要求1至6中任一项所述的方法，其特征在于，将所述测试数据集带入训练好的模型进行预测，得到预测结果包括：
将所述测试数据集T带入所述训练好的模型进行预测，则所述预测结果表示为Yp，Yp＝prediciton(T)，其中Yp表示预测的所述居民建筑负荷值。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述将所述测试数据集带入训练好的模型进行预测，则预测结果之后，还包括：
对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果；其中所述均方根误差、所述平均绝对误差和所述平均绝对百分比误差越小表示预测结果越好，所述皮尔逊相关系数越大表示预测结果越好；
所述均方根误差：
RMSE1和RMSE2分别是指训练阶段和测试阶段预测值与真实值之间的均方根误差，Ya,train和Ya,test分别指所述训练数据集和所述测试数据集中负荷的真实值，Yp为预测值，T1和T2分别为预测负荷点的数目；
所述平均绝对误差：
MAE为测试阶段真实值与预测值之间平均绝对误差；所述皮尔逊相关系数：
其中为测试集中居民建筑负荷真实值的标准差，为相应预测值的标准差；
所述平均绝对百分比误差：
3
CN 109242180 A
权 利 要 求 书
3/3页
9.根据权利要求8所述的方法，其特征在于，还包括：将所述评价结果进行超参优化，直至达到最优的预测结果。10.一种中长期电力负荷预测系统，其特征在于，包括：数据读取模块、数据预处理模块、模型训练模块、预测模块和评价模块；
所述数据读取模块，用于在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
所述数据预处理模块，用于对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
所述模型训练模块，用于将所述预测模型进行处理，得到训练好的模型；所述预测模块，用于将所述测试数据集带入训练好的模型进行预测，则预测结果；所述评价模块，用于对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数和/或平均绝对百分比误差进行评价，得到评价结果。
4
CN 109242180 A
说 明 书
中长期电力负荷预测方法和系统
1/8页
技术领域
[0001]本发明涉及电力领域，尤其涉及一种中长期电力负荷预测方法和系统。
背景技术
[0002]随着人口的快速增长和经济的高速发展，居民建筑用电显著增长。为了平衡用电供需和减少碳排放，智能建筑和智能电网的发展受到越来越多的关注。同时，可再生能源的间歇性和波动性对电网带来一定的影响。随着居民住宅中智能用电终端的增多，居民用电具有更强的波动性和随意性，从而会影响电力的供需平衡。因此，可靠的和准确的负荷预测具有重要意义，它有助于实现智能建筑和智能电网的动态规划和高效管理，同时也有助于提高可再生能源利用效率。
[0003]负荷预测主要可以划分为短期负荷预测、中期负荷预测和长期负荷预测。居民建筑的中长期负荷预测有利于促进用电供需平衡、实施有针对性的需求响应策略和电力设施投资。但是由于居民用电的随机性和波动性，现有中长期负荷预测方法精度有待提高。发明内容
[0004]本发明实施例提供一种中长期电力负荷预测方法和系统，能够提高中长期电力负荷预测准确度。
[0005]本发明实施例采用如下技术方案：[0006]一种中长期电力负荷预测方法，包括：
[0007]在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；
[0008]对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；[0009]将所述预测模型进行处理，得到训练好的模型；[0010]将所述测试数据集带入训练好的模型进行预测，得到预测结果。[0011]可选的，所述固定时段为数日或数月或数年，所述设定频率为数分钟或者数小时。[0012]可选的，所述在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集包括：[0013]每小时采集一次所述电力数据，则每天采集24条所述电力数据；[0014]连续采集一年的所述电力数据作为所述居民建筑的训练数据集，训练数据集表示为P，再连续采集两个月的所述电力数据作为所述居民建筑的测试数据集，测试数据集表示为T，则：
[0015]
5
CN 109242180 A
说 明 书
2/8页
[0016]
其中，P、T中每一行代表着一条所述电力数据，每一列表示所述电力数据中的一个
参数，总共有n个参数。[0018]可选的，所述对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型包括：
[0019]将所述训练数据集中的数据及所述测试数据集中的数据转化为有监督学习的数据，所述训练数据集转化后的数据表示为P′，所述测试数据集转化后的数据表示为T′，其中：P′＝f(P)，T′＝f(T)；[0020]按照下式对P′、T′的每一列进行标准化，得到所述预测模型；
[0021][0022]
[0017]
其中xi,j表示转化后数据的原始值，min表示xi,j所处列的最小值，max表示xi,j所处列的最大值，x′则标准化的总数据可以表示为P″。i,j为标准化后的数值，[0023]可选的，所述将所述预测模型进行处理，得到训练好的模型包括：[0024]对所述预测模型施加正则化，则所述预测模型各个常规网络层的代价函数可以表示为
其中C0l为第l层的原始代价函数，C1l为引入正则化后第l层的代
价函数，ωil为权重，λ为系数；
[0025]对预测模型中的所有网络层设置Dropout；[0026]应用Adam梯度下降算法，优化所述预测模型参数；[0027]应用Hyperopt库，对所述预测模型中的超参进行优化，得到所述训练好的模型。[0028]可选的，所述应用Hyperopt库，对所述预测模型中的超参进行优化包括：[0029]LSTM网络层数、常规网络层数、激活函数类型和Dropout值。[0030]可选的，将所述测试数据集带入训练好的模型进行预测，则预测结果包括：[0031]将所述测试数据集T带入所述训练好的模型进行预测，则所述预测结果表示为Yp，Yp＝prediciton(T)，其中Yp表示预测的所述居民建筑负荷值。[0032]可选的，所述将所述测试数据集带入训练好的模型进行预测，则预测结果之后，还包括：
[0033]对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果；其中所述均方根误差和所述平均绝对误差越小表示预测结果越好，所述皮尔逊相关系数越大表示预测结果越好；[0034]所述均方根误差：
[0035]
6
CN 109242180 A[0036]
说 明 书
3/8页
RMSE1和RMSE2分别是指训练阶段和测试阶段预测值与真实值之间的误差，Ya,train
和Ya,test分别指所述训练数据集和所述测试数据集中负荷的真实值，Yp为预测值，T1和T2分别为预测负荷点的数目；[0037]所述平均绝对误差：
[0038]
[0039][0040][0041][0042]
MAE为测试阶段真实值与预测值之间平均绝对误差；所述皮尔逊相关系数：
其中为测试集中居民建筑负荷真实值的标准差，为相应预测值的标准
差；
[0043][0044]
所述平均绝对百分比误差：
可选的，还包括：
[0045]将所述评价结果进行超参优化，直至达到最优的预测结果。[0046]具体的，此处进行超参优化的详细实现方式可以参照本发明实施例上述的超参优化方法，此处不赘述。
[0047]一种中长期电力负荷预测系统，包括：数据读取模块、数据预处理模块、模型训练模块、预测模块和评价模块；[0048]所述数据读取模块，用于在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；[0049]所述数据预处理模块，用于对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
[0050]所述模型训练模块，用于将所述预测模型进行处理，得到训练好的模型；[0051]所述预测模块，用于将所述测试数据集带入训练好的模型进行预测，则预测结果；[0052]所述评价模块，用于对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果。
[0053]基于上述技术方案的中长期电力负荷预测方法和系统，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。[0054]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
7
CN 109242180 A
说 明 书
4/8页
能限制本公开。
附图说明
[0055]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0056]图1为本发明实施例示出的中长期电力负荷预测方法的流程图之一。[0057]图2为本发明实施例示出的中长期电力负荷预测方法的流程图之二。[0058]图3为本发明实施例示出的中长期电力负荷预测系统的结构示意图。
具体实施方式
[0059]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。[0060]本发明实施例提供一种中长期电力负荷预测方法，首先输入居民建筑负荷数据以及时间变量和环境变量。对输入的数据进行预处理，包括：将输入数据转化为非监督学习数据，然后对转化后的数据进行标准化。接着把标准化后的数据输入模型开始训练，包括：设置网络的权重正则化，选择梯度优化算法和超参的寻优。然后使用训练好的模型进行居民建筑负荷的预测。最后对预测的结果进行评价。
[0061]本发明实施例提供一种中长期电力负荷预测系统，包括数据输入模块、数据预处理模块、模型训练模块、预测模块和评价模块。
[0062]本发明实施例提供一种中长期电力负荷预测方法，如图1所示，该方法包括：[0063]11、在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；[0064]12、对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；[0065]13、将所述预测模型进行处理，得到训练好的模型；[0066]14、将所述测试数据集带入训练好的模型进行预测，得到预测结果。[0067]在一个实施例中，所述固定时段为数日或数月或数年，所述设定频率为数分钟或者数小时。
[0068]在一个实施例中，对训练数据和测试数据进行处理指的是预处理，包括：将数据转化为有监督学习、将数据标准化，然后将训练数据输入到初始的预测模型进行训练，初始的预测模型可以根据设置确定，例如，初始的预测模型包括网络的层数，每层网络的类型、以及相关参数的设置。然后确定最优的网络结构，用测试数据去进行预测并评价。[0069]在一个实施例中，，所述在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集包括：[0070]每小时采集一次所述电力数据，则每天采集24条所述电力数据；[0071]连续采集一年的所述电力数据作为所述居民建筑的训练数据集，训练数据集表示为P，再连续采集两个月的所述电力数据作为所述居民建筑的测试数据集，测试数据集表示
8
CN 109242180 A
说 明 书
5/8页
为T，则：
[0072]
[0073]
其中，P、T中每一行代表着一条所述电力数据，每一列表示所述电力数据中的一个参数，总共有n个参数。
[0075]在一个实施例中，所述对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型包括：
[0076]将所述训练数据集中的数据及所述测试数据集中的数据转化为有监督学习的数据，所述训练数据集转化后的数据表示为P′，所述测试数据集转化后的数据表示为T′，其中：P′＝f(P)，T′＝f(T)；[0077]按照下式对P′、T′的每一列进行标准化，得到所述预测模型；
[0078][0079]
[0074]
其中xi,j表示转化后数据的原始值，min表示xi,j所处列的最小值，max表示xi,j所处列的最大值，x′则标准化的总数据可以表示为P″。i,j为标准化后的数值，[0080]在一个实施例中，所述将所述预测模型进行处理，得到训练好的模型包括：[0081]对所述预测模型施加正则化，则所述预测模型各个常规网络层的代价函数可以表示为
其中C0l为第l层的原始代价函数，C1l为引入正则化后第l层的代
价函数，ωil为权重，λ为系数；
[0082]对预测模型中的所有网络层设置Dropout；[0083]应用Adam梯度下降算法，优化所述预测模型参数；[0084]应用Hyperopt库，对所述预测模型中的超参进行优化，得到所述训练好的模型。[0085]其中，对所述预测模型施加正则化，该预测模型为一个神经网络模型，包括输入层->LSTM网络层数->常规网络层数->输出层。是对预测模型中的所有常规网络层分别施加正则化。
[0086]其中，预测模型的代价函数可以表示为，每个常规网络层都施加正则化，
表示一个常规网络层添加正则化后的代价函数。
[0087]
其中，对所述预测模型中的超参进行优化，该方法是已有的算法，所谓优化就是该方法相对于其他方法收敛速度快，效果好等。
9
CN 109242180 A[0088]
说 明 书
6/8页
其中，对所述预测模型中的超参进行优化，给定相关参数(LSTM网络层数、常规网
络层数、激活函数类型和Dropout值)的范围，Hyperopt会返回最优的一组参数最为最终预测模型的参数。
[0089]在一个实施例中，所述应用Hyperopt库，对所述预测模型中的超参进行优化包括：[0090]LSTM网络层数、常规网络层数、激活函数类型和Dropout值。[0091]在一个实施例中，将所述测试数据集带入训练好的模型进行预测，则预测结果包括：
[0092]将所述测试数据集T带入所述训练好的模型进行预测，则所述预测结果表示为Yp，Yp＝prediciton(T)，其中Yp表示预测的所述居民建筑负荷值。[0093]在一个实施例中，所述将所述测试数据集带入训练好的模型进行预测，则预测结果之后，还包括：
[0094]对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果；其中所述均方根误差、所述平均绝对误差和所述平均绝对百分比误差越小表示预测结果越好，所述皮尔逊相关系数越大表示预测结果越好；[0095]所述均方根误差：
[0096]
[0097]
RMSE1和RMSE2分别是指训练阶段和测试阶段预测值与真实值之间的均方根误差，
Ya,train和Ya,test分别指所述训练数据集和所述测试数据集中负荷的真实值，Yp为预测值，T1和T2分别为预测负荷点的数目；[0098]所述平均绝对误差：
[0099]
[0100][0101][0102][0103]
MAE为测试阶段真实值与预测值之间平均绝对误差；所述皮尔逊相关系数：
其中为测试集中居民建筑负荷真实值的标准差，为相应预测值的标准
差；
[0104][0105][0106][0107][0108]
所述平均绝对百分比误差：
在一个实施例中，如图2所示，本发明实施例的中长期电力负荷预测方法还包括：15、将所述评价结果进行超参优化，直至达到最优的预测结果。其中，最优的预测结果为预测准确率最高。本发明实施例的中长期电力负荷预测方法，在固定时段内按照设定频率对居民建
10
CN 109242180 A
说 明 书
7/8页
筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。
[0109]本发明实施例提供一种中长期电力负荷预测系统，包括：数据读取模块21、数据预处理模块22、模型训练模块23、预测模块24和评价模块25；[0110]所述数据读取模块21，用于在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条电力数据，应用所述多条电力数据构建训练数据集、测试数据集，每条所述电力数据包括所述居民建筑负荷数据、天气数据和时间变量；[0111]所述数据预处理模块22，用于对所述训练数据集及所述测试数据集进行处理，并输入到初始的预测模型；
[0112]所述模型训练模块23，用于将所述预测模型进行处理，得到训练好的模型；[0113]所述预测模块24，用于将所述测试数据集带入训练好的模型进行预测，则预测结果；
[0114]所述评价模块25，用于对所述预测结果采用均方根误差和/或平均绝对误差和/或皮尔逊相关系数进行评价，得到评价结果。[0115]具体的，数据读取模块21读取预测模型所需的居民建筑负荷数据、天气数据以及环境变量等，并把数据划分为训练数据集和测试数据集。数据预处理模块22首先把读取的数据转化为有监督学习数据，然后再进行标准化处理。模型训练模块23设置预测模型的权重正则化，选择合适的梯度下降算法，并进行超参的优化。预测模块24把测试集输入到训练好的模型，得到负荷预测结果。评价模块24使用均方根误差、平均绝对误差和皮尔逊相关系数对预测结果进行评价。并把评价结果返回到模型训练模块直至达到最优的预测结果。[0116]本发明实施例的中长期电力负荷预测系统与上述中长期电力负荷预测方法相对应，详细实现步骤参照上述方法实施例，此处不赘述。[0117]本发明实施例的中长期电力负荷预测系统，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。
[0118]本发明实施例的中长期电力负荷预测系统，在固定时段内按照设定频率对居民建筑进行电力数据采集，得到多条包含居民建筑负荷数据、天气数据和时间变量的电力数据，应用多条电力数据构建训练数据集、测试数据集，对训练数据集及测试数据集进行处理，并输入到初始的预测模型，将预测模型进行处理，得到训练好的模型，将测试数据集带入训练好的模型进行预测，得到预测结果。从而实现根据居民建筑负荷数据、天气数据和时间变量进行复核预测，从而得到的预测结果更为准确。[0119]以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技
11
CN 109242180 A
说 明 书
8/8页
术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
[0120]本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
12
CN 109242180 A
说 明 书 附 图
1/3页
图1
13
CN 109242180 A
说 明 书 附 图
2/3页
图2
14
CN 109242180 A
说 明 书 附 图
3/3页
图3
15
因篇幅问题不能全部显示，请点此查看更多更全内容