[发明专利]一种基于深度强化学习和迁移学习电力短期负荷预测方法

说明书

本发明属于电力数据处理领域，具体涉及一种基于深度强化学习和迁移学习电力短期负荷预测方法；所述方法包括获取多组不同的源域电力负荷数据，并进行预处理；采用预处理后的多组源域电力负荷数据和相应的电力融合特征各自训练多个基于GRU网络的电力负荷源域预测模型；将目标域电力负荷数据作为输入，基于时间序列双深度Q网络选择源域预测模型；基于多核最大均值差异算法对源域电力负荷数据和目标域电力负荷数据进行动态分布对齐，并对选择的源域预测模型的模型参数进行调整；将调整后的源域预测模型的模型参数迁移到基于GRU网络的电力负荷目标域预测模型；将目标域电力负荷数据输入到目标域预测模型中，输出电力负荷在短期内的预测结果。

技术领域

本发明属于电力数据处理领域，具体涉及一种基于深度强化学习和迁移学习电力短期负荷预测方法。

背景技术

电力系统短期负荷预测是电力系统调度运营部门一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。依据统计学的理论，模型预测的精度与数据量满足-1/2幂的关系，这意味着数据量对负荷预测模型精度的提升有重要的作用，是负荷预测精度提高的重要驱动力。

在电力系统的发展历程中，国内外研究人员对电力系统短期负荷预测提出了多种方案。从发展阶段来分可以分为两大类，一类是以数学理论为主的传统经典的方法。传统经典的方法以多元线性回归、时间序列预测法、卡尔曼滤波法和小波分析法等为代表。这些方法以纯数学推导为主，从数据本身出发来寻找和探索规律。另一类是人工智能和机器学习理论为主的新方法。新方法的代表为支持向量机、随机森林和GBDT(Gradient BoostingDecision Tree,GBDT)集成学习模型、BPNN(Back Propagation Neural Network,BPNN)神经网络和模型组合预测法等。这些模型可以学习数据之间的联系，同时它们在复杂情况下具备较强的拟合能力。因此，针对电力系统短期负荷预测方法研究是十分有必要的。

短期负荷预测在有效的现代电力系统运行中起着至关重要的作用，精确的电力负荷预测有助于通过避免不必要的中断或短缺来更有效、更安全地控制现代电网系统的运行。近年来，各种基于深度学习的时间序列预测算法都显示出优越的性能。通常，现有的时间序列预测算法需要足够数量的训练样本才能学习到可靠的预测模型。然而，还存在预测新建社区的电力负荷等类似只有有限的训练样本的情况，在这种严格的条件下，由于训练样本有限，基于经典的深度学习的时间序列预测算法都存在高预测误差和过拟合问题。另一方面，在现实生活中，可以从类似场景的其他社区收集大量的历史数据，这可能有助于学习负荷预测模型。因此，可以从迁移学习的角度来解决训练样本有限的电力负荷预测问题。目标是使用来自其他源域的大量历史数据，为只有有限训练样本的目标域学习可靠的负荷预测模型。

传统的短期电力负荷预测法主要有回归分析法、趋势外推法、专家系统法和时间序列法等。其中，趋势外推法和回归分析法主要适用于负荷数据中存在着明显的变化趋势且负荷数据变化比较平稳的情况；专家系统法需要借用专家的主观经验，个体差异较大；时间序列方法则只考虑了负荷本身的自相关关系，而忽视了对负荷影响因素的深入分析。此外，由于短期负荷数据中存在着明显的波动性和随机性，传统的预测方法往往无法做到准确预测。同时目前流行的人工智能和机器学习理论为主的新方法只适用于其特定的场合，各类模型都有各自的优缺点，例如线性模型更适合线性相关性较强的负荷数据预测，BPNN适用于数据关系复杂的场景，对于缺少特征的数据可以使用ARIMA自回归时序预测模型，对于特征充足的数据可以考虑SVR或GBDT等模型。

当前电力系统负荷预测中存在的各种弊端，例如，在源域负荷预测中目前流行的循环神经网络预测方法存在的梯度爆炸问题以及梯度消失问题。同样的，对于只有有限训练样本甚至没有训练样本的目标域的负荷预测，目前流行的负荷预测方法并不能解决样本过少或没有样本的预测问题。基于此，本专利提出一种基于深度强化学习和迁移学习电力短期负荷预测方法。

发明内容

基于现有技术存在的问题，本申请提出一种基于深度强化学习和迁移学习电力短期负荷预测方法。所述方法包括：