[发明专利]一种基于深度神经网络的电力负荷预测方法

说明书

本发明公开了一种基于深度神经网络的电力负荷预测方法，包括：采集历史负载数据；使用多个并行卷积神经网络CNN组件来处理历史负载数据，得到序列数据；将并行结构引入深度神经网络模型DNN中；通过递归神经网络处理序列数据得到一个隐藏的对应状态列表；将其他类型的特征纳入到我们的预测模型中作为模型的DNN部分的输入，进行负荷预测。使用不同类型的神经网络组件对可能影响负载消耗的不同类型的因素进行建模，并使用多个卷积神经网络CNN组件从历史负载序列中学习丰富的特征表示，然后使用基于LSTM的递归神经组件对历史加载中的变异性和动力学进行建模，以达到提前一天进行每小时的电力负荷预测的目的。

技术领域

本发明涉及电力负荷预测领域，尤其涉及一种基于深度神经网络的电力负荷预测方法。

背景技术

随着电力在经济发展和工业生产和普通人的日常生活中发挥着越来越重要的作用，未来的电网预计将在能源的生产、分配和管理方面提供前所未有的灵活性，这越来越需要准确地进行短期小规模电力负荷和发电预测的能力。电的一个主要的特征就是一旦产生就难以储存，此外短期电力负荷需求变化很大，受多种因素影响，准确的电力负荷预测能够减少电力浪费，提高收益，维持电网系统的稳定运行，所以准确的电力负荷预测对电力公司来说至关重要。

电力负荷消耗受诸多因素的影响，因此负荷预测是一个相当复杂的问题。从数据的角度来看，通常需要更多的训练数据才能获得更好的性能。我们的负荷预测任务有不同类型的输入特性。因此，我们使用合适的神经网络组件来学习深度表示，并从特定的输入中提取丰富的特征。发明提出了一种新的灵活的结构，它融合了多种类型的输入特征，根据不同类型的神经网络组件的具体特征对输入进行处理。

神经网络技术是统计机器学习的一个重要分支，在各种预测任务中得到了广泛的应用。神经网络组件非常擅长对多个领域的数据进行非线性建模，理论上可以对任意精度的任意复杂函数进行逼近。

传统预测方法是最主流的预测方法，它可以分为趋势分析法、节假日分析法、回归分析法和时间序列分析法。

(1)节假日分析法：就是指按照特定节假日的具体安排，来判断电力负荷需求的具体变化趋势。

(2)时间序列法：就是指以过去电力负荷的具体情况为依据，找到随着时间变化电力负荷量的具体发展趋势，找到其中规律然后建立起时序模型，再进行对未来的预测分析，其最基本的思路就是依据现在的数据来对未来进行预测。

(3)趋势序列法：这种方法又称为趋势曲线分析，是迄今为止运用量最多，也最流行的一种预测方法。根据以前的历史资料制定一条曲线，使得这条曲线本身符合历史负荷的趋势，这样就可以对未来做出一定的估量预测。

(4)回归分析法：就是对历史资料的分析，并综合考察影响因子值的具体变化，从而建立起用电量与因子值之间具体的数值函数关系，然后制定相应的数学模型，从而做出预测值与因子值之间关系的预测。

现代的预测分析方法主要包括模糊预测分析、专家系统预测分析、数据挖掘分析、人工神经网络分析、灰色预测分析等。

中国专利文献CN108549960A公开了一种“24小时电力负荷预测方法”。采用了包含数据采集及预处理，通过特征熵权值计算出的有效特征，结合窗口选取法选取固定时间内的24小时用电负荷情况作为DBN网络训练的输入数据，确定DBN网络结构和建立网络模型，通过DBN对网络模型进行训练和测试，输入预测日的特征值数据和窗口法选取的预测日前某几天一天中的24小时用电负荷值，得到预测日的电力负荷值结果。上述技术方案采集了电网数据和天气数据，考虑到历史特征，但并未考虑节假日对用电量的影响，在节假日，人们的行为模式通常与平时大不相同。因此，公共假日，尤其是长假，会对电力需求产生影响。要预测小时负荷，小时本身和目标小时的星期几显然是有用的指标。

发明内容