文摘

随着电力物联网的发展(物联网),负荷预测电力系统将发挥重要的作用。它可以优化发电计划和提高电力物联网经济运行。本文提出了一种新的负荷预测算法的电力物联网使用训练数据维度扩张和整体学习。在离线阶段,获得的气象数据和时间信息规范化删除单元的效果。然后,Hampel过滤器是用来应付来自传感器的气象数据的离群值。通过预处理、指纹的训练数据。接下来,提出了矩阵乘法方法扩大训练数据的维数指纹信息。最后,整体学习相结合提出了多个长期短期记忆(LSTM)网络获得多个电力负荷预测模型和相应的权重系数。在线阶段,获得的气象数据和时间信息预处理和电力负荷预测模型的输入形式。最后的电力负荷预测是通过线性加权和法中间预测结果。 In the proposed algorithm, more features of training data can be obtained by the data dimension expansion. Moreover, the ensemble learning using LSTM can make fully use of the timing sequence of training and improve the generalization performance of offline training. Experiment results illustrate that the proposed algorithm has better forecasting performance than existing methods.

1。介绍

能源消费的增加要求,清洁、低碳、安全、电力系统和共享已经收到了很多关注学术和行业(1,2]。新能源革命称为“能源+互联网”成为一个研究热点3]。在中国,国家电网公司开始发展无处不在的电力物联网(物联网)在2019年智能电网3]。电力物联网相关的人员和设备连接到电网。通过收集device-related使用传感器数据,将数据发送到服务器处理的大数据分析、云计算和人工智能技术。它有效地集成通信基础设施资源和电力系统基础设施资源,可以实现互连电力系统中的所有东西。现在,物联网可以促进能源服务的效率和新能源消耗显著。在[4],无处不在的电力物联网的架构提出的收集带来了很大的便利,传输,处理,存储的数据。在[5),电力物联网的特点,应用,智能电网的需求提出了通信覆盖率和数据采集。

电力物联网建设的要求,电力负荷预测中扮演一个重要的角色在电力系统的操作计划。的作者(6)提出了一种负荷预测方法通过两组特性。半个小时的电力负荷变量从智能电表获得通过物联网技术的滞后负载和日历变量用于多层感知器神经网络的短期负荷预测。在[7),一个超短的术语负荷预测方法提出的电力物联网联合学习。它学习模型参数的数据分布在多个边缘节点。因为快速和准确的电力负荷预测可以优化发电计划和提高电力物联网经济运行,迫切需要研究电力负荷预测技术物联网(8]。

最近,负荷预测执行不同的技术在文献中可以大致分为两类:基于传统和人工智能技术。

对传统技术,统计方法主要用于负荷预测。在[9),考虑到负荷预测是一个条件期望负荷给定的时间,天气,和其他解释变量;负荷预测可以直接从给定的参数计算。在[10),一般的指数平滑法是用于开发一个使用观测值自适应负荷预测系统的综合计时的需求。在[11),修改后的自回归移动平均(ARMA)基础方法和非高斯过程是用来改善预测性能。注意,由于特征的时间序列单变量加载数据的非线性特性,这种技术并不总是表现良好。

为了应对传统技术的局限性,基于人工智能技术开发。首先,提出了一些基于机器学习方法。在[12),一个基于支持向量回归(SVR)方法用于负荷预测通过选择核函数。在[13),使用人工神经网络(ANN)获得工作日和周末的负荷预测模型,分别。现在,随着机器学习理论的发展,一些深度学习方法用于负荷预测,因为它有更多的隐藏层来处理复杂的非线性模式。在[14),提出了一种多尺度卷积神经网络随时间认知负荷预测。由于递归神经网络(RNN)是有效的获取训练数据非平稳,pooling-based深RNN (15)提出了解决负荷预测的过度拟合问题。注意,消失的梯度和梯度爆炸问题出现在RNN可以减少预测精度。因此,长期短期记忆(LSTM)网络已经考虑来解决这些问题。在[16使用LSTM网络),一个有效的方法是开发做出精确的预测更复杂的时间序列数据加载条件下。

根据上面的讨论,我们继续研究深度上优于负荷预测算法。由于时间和气象数据,如风速、温度和压力,影响功耗至关重要(17),本文深入学习技术是用来训练上述因素和电力负荷之间的关系。本文的贡献可以概括如下:(1)深上优于LSTM负荷预测算法。它可以有效地避免不敏感的训练数据时间序列预测的过程(2)数据预处理,Hampel滤波器可以消除传感器引起的异常噪音。此外,特征提取网络使用随机矩阵乘法可以获得更好的功能表示可以提高离线训练的性能(3)回归学习的整体学习框架,结合多个LSTM网络用于火车测量和负载之间的关系。它可以减少落入局部最优解的风险,提高泛化性能(4)特征提取网络(随机矩阵)和回归学习网络(LSTM网络)相结合共同学习和优化。因此,全球意义上的最优参数,最后可以提高负荷预测性能

本文的其余部分组织如下。部分2给出了算法框架。的离线阶段描述和在线阶段描述该算法在部分进行阐述3和4,分别。现场测试和性能分析5节中,得出结论6。

2。算法框架

根据图中所示的框图1该算法包含两个主要阶段:离线训练阶段和在线预测阶段。离线训练阶段,它包含三个重要步骤:(1)训练数据预处理,(2)特征提取使用维度扩张,和(3)回归学习使用整体学习。另一方面,在在线预测阶段,类似的获得数据的预处理后,训练网络特征提取和预测模型被用来估计最终的负荷预测结果。在以下,该算法的每一步将详细描述。

3所示。离线阶段描述

3.1。训练数据预处理

在这一步中,数据标准化和孤立点检测用于数据预处理。首先,我们知道,一些测量环境和传感器噪声可能会导致一些测量变得异常数据收集。摘要Hampel过滤器是用来移除这些异常值(18]。对于一个给定的向量 ,定义每个测量的观察窗。假设窗口的半身像 ;总长度定义窗口的计算 (包括给定的测量)。然后,所有测量数据窗口的中值计算

每一个测量的标准偏差的绝对值平均写成

过滤后,测量可以被描述为

如果测量超过获得的标准偏差的3倍,中位数是用来替代测量数据。

以温度和压力信息为例,数据2和3描述了测量数据预处理结果。可以看出Hampel过滤过程后,有些离群值删除。因此,对离群值删除Hampel过滤器的影响。

接下来,收集到的气象数据和时间信息扩展为了引导他们属于一个特殊的范围。摘要min-max方法是用来获得数据信息到[0,1]区间可由(19] 在哪里 分别描述原始和规范化数据和是这种的最大和最小值给定的数据。

数据归一化的目的是去除单位下面的培训效果。通过这一过程,不同类型的数据在同一水平。和可以进行综合评价和分析。

因此,通过以上预处理,训练数据中描述图的指纹4,指纹包含时间信息(月、小时)和气象数据(风速、温度和压力)。指纹是五个维度的大小。训练数据的标签是实际的负载。

3.2。特征提取使用训练数据维度的扩张

数据预处理后,在接下来的训练数据扩张获得更多的功能用于培训。传统数据维度扩展深度学习包含随机增量和下界收割机(20.]。随机增量的概念是随机生成一个二进制掩模可以乘以向量的数据。下界的种植者增加技术利用这个观察增加训练数据的大小。特别是,对于一个给定的收集的数据向量,任何条目的值小于某个阈值是一个候选人要删除(设置为0)。所有的这些条目可以被添加到组合形成新的训练数据。如图5在这一步中,随机矩阵提出了扩大指纹的维数。

假设原始指纹被定义为与大小 ;为了扩大一个向量的维数,一个随机矩阵被定义为乘法操作。为了满足计算规则和维扩张的要求,应该是大小 ( )。可以获得最优元素从回归后的训练和学习。

最后,扩大指纹可以写成 的大小是 。每个元素与矩阵相乘得到的向量。

注意,因为扩展的大小大于原来的指纹和指纹元素与离线训练,可以确定更详细的功能训练数据可以通过以上维度扩张。

3.3。回归学习使用整体学习

在本节中,为了提高的训练性能离线阶段,整体学习框架提出了回归学习(21]。此外,LSTM网络选择的sublearner可以充分利用训练数据的时间序列。

首先,一些基本的知识LSTM网络描述(22]。根据LSTM架构如图6,它包含四个基本部分组成:细胞,输入,输出,和忘记门。每个组件的功能描述如下。细胞的核心计算节点。传输信息可以通过细胞在随机时间间隔。门痕迹的输入和输出数据流的细胞。输入和输出登机口是用来控制输入和输出。忘记门是用来控制历史信息的保留程度。此外,乙状结肠激活函数引入到[0,1]之间使输出。当输出为0,这意味着所有的信息在前面的状态就会被丢弃。当输入门是1,所有信息被保留在之前的状态。

LSTM被定义为单位

输入的定义是

被定义为细胞更新 在哪里乙状结肠激活函数;阿达玛的产品;和被描述为当前节点的输入和输出; 代表权重矩阵; 偏置值; 描述的结果,输入,输出,和忘记门,分别;更新状态;和是输入的数据。

其次,提出了回归学习使用整体学习框架。我们都知道,一个与一些sublearners sublearners比这更强的泛化能力。Sublearners通常从训练数据生成基本的学习算法,如神经网络,支持向量机,或其他机器学习方法。每个sublearner的多样性对整体学习训练的性能至关重要。因此,大多数合奏方法使用一些有效的策略来提高sublearners[的多样性23,24]。三种主要类型的整体学习控制演算法,装袋,提振。如图7通过数据标准化和Hampel过滤预处理部分3所示。1,获得的指纹用于数据维度扩张和回归学习。对于每个sublearner,首先生成随机矩阵,然后LSTM用于回归学习。学习的任务是获得最优随机矩阵元素和LSTM网络的参数。最后,特征提取与优化网络元素随机矩阵和负荷预测模型。在离线阶段,更多sublearners用于回归学习。

图8拟议的框架显示LSTM网络。可以看出,它包含两个LSTM层,一层辍学,一个完整的连接(FC)层,和RELU层。每一层的功能和参数描述如下:(1)LSTM层:第一层状态向量的长度单位是8,时间跨越1,激活函数是双曲正切。第二LSTM层,状态向量的长度单位是16和时间步是1(2)辍学层:这一层的目的是减少实际训练参数的随机神经网络断开。摘要参数选为0.1(3)FC层:这一层,它可以映射特性从一个空间到另一个。选为RELU激活函数(4)RELU层:这一层的目的是减轻过度拟合的效果

最后,重量参数是选择在线预测数据融合。摘要重量参数离线训练的错误决定。如果sublearner的离线训练误差很小,相应的重量参数比较大。否则,很小的重量参数。为th sublearner,重量参数可以被描述为 在哪里的训练误差sublearner。

注意,在提出了离线训练,选择随机矩阵作为特征提取的网络。特征提取网络和回归学习网络离线训练相互结合。因此,离线阶段的性能可以得到改善。

4所示。在线阶段描述

在本节中,当获得的气象数据和时间信息,用于负荷预测的负荷预测模型。根据图中所示的框图9,负荷预测过程描述如下:

首先,根据获得的时间信息和气象数据,数据预处理提出了离线阶段是用来构造归一化和Hampel过滤的指纹。然后,选择指纹作为每个负荷预测模型的输入数据。最后,最后负载估计的线性加权法给出的 在哪里中间的负荷预测吗负荷预测模型。

5。实验结果和性能分析

5.1。实验参数和环境

在训练数据实验中,选择一个社区的苏州,江苏。所有的测量数据收集的时间间隔15分钟在24小时。程序是基于Windows 10 Python 3.7的操作系统。熊猫,numpy matplotlib库例程在蟒蛇和Keras培训框架选择离线训练。

5.2。性能评价指标

摘要平均绝对误差(MAE)、平均绝对百分误差(日军),均方根误差(RMSE),和确定的系数( )是选择绩效评估中所示(11)- (14)。上述性能评价指标从不同的方面描述预测性能。美被定义为平均绝对误差预测值与观测值。日军的百分比值描述的美。RMSE代表标准偏差的预测值与观测值之间的差异。决定系数用于评价回归模型的拟合程度系数。值越高,模型越好。 在哪里和描述的真实和预测负荷,负荷预测的均值,是负载的数量预测。

5.3。该算法的性能描述

5.3.1。训练性能的描述

在这个实验中,运行计算机给出的参数如下:CPU-AMD r7 - 5800 h, GPU-Nvidia RTX 3050 4 g, Memery-16G和软件platform-Pycharm (Python 3.9.7) + TensorFlow 2.1.0 + Keras 2.3.1。有18000的测量实验,训练数据和测试数据之间的比例为0.8:0.2。图10显示了该算法的训练性能,参数的数据维度扩张是16。我们可以发现,当迭代次数增加,负荷预测的均方误差会逐渐减少。以迭代号码是80为例,MSE方法0.032这意味着损失函数的最小值是收敛的。因此,这一迭代条件下,负荷预测模型从离线学习获得可用于在线预测估计。

5.3.2。该算法的性能描述

在本节中,该算法具有不同参数的预测性能。在训练数据的数量在18000年为例,图11说明了真实和预测负载在不同的时间下,当参数数据维度扩张是16和LSTM的数量是2。可以看出,在不同的时间和气象数据情况下,负载发生了翻天覆地的变化,但负荷预测也可以接近实际的价值无论多么实际的负载变化。为了更清楚地描述了算法性能,数据12和13负荷预测的统计误差。当训练数据的数量的增加,将减少预测误差和预测性能可以改善。的数据,当训练数据的数量是18000,美和RMSE只有94.87和146.19,分别。如果训练数据的数量超过9000的参数接近或大于0.8。因此,通过统计分析,可以得出结论,该算法能够充分满足实际应用。

表1描述了与不同数量的LSTM统计误差分析,当训练数据的数量是18000。正如所料,当LSTM数量的增加,可以显著提高负荷预测的性能。因此,不考虑培训时间成本,这是一个更好的方法来增加数量的LSTM性能改进。

5.4。性能比较

在本节中,现有负载算法有两种:(1)训练数据用于训练和附加LSTM(没有数据维度扩张+整体学习),和(2)训练数据维度展开,然后LSTM用于培训(数据维度扩张+没有整体学习)选择算法比较。数据14- - - - - -17分别描述不同算法的统计误差比较。从实验结果可以看出,这三种算法的负荷预测性能变得更好,当训练数据的数量增加。以15000训练数据为例,梅,RMSE,日军,算法的107.76,162.73,0.09,和0.87,分别。然而,四个错误的统计参数数据维度扩张+没有整体学习法,哪个性能更接近该算法,是161.34,213.94,0.13和0.78。因此,根据统计误差分析,该算法有三个方法中最佳的负荷预测性能。原因可以总结如下。数据维度扩展技术可以更清楚地描述训练数据的特征。此外,整体学习可以提高离线学习的效率。

5.5。硬件移植实验

为了显示为实际应用该算法的性能,本文的覆盆子π如图18用于硬件移植(25]。首先,深入学习工具,比如Tensorflow Keras,安装,然后,所有的实验配置库。在下面,移植所描述的训练负荷预测模型和测试数据。

根据图19history_weather_15min,测试数据集”。csv”在覆盆子π是进口的。月、小时、风速、温度和压力测试数据选择负荷预测。然后,得到负荷预测模型在离线阶段加载如图的硬件平台20.。最后,实际的负荷和负荷预测“W.xlsx都写在文件。“从输出如图21和22、列B和C描述实际负荷和负荷预测,分别。

6。结论

在本文中,基于深度学习电力负荷预测算法提出了物联网。在该算法中,两个数据预处理,min-max正常化和hampel过滤器,用于构造训练数据的指纹。然后,提出了矩阵乘法方法提取指纹特征维度扩张。最后,整体学习使用多个LSTM网络提出了离线训练和获取电力负荷预测模型。在该算法中,数据维度扩张为训练数据可以获得更多的功能。整体学习使用LSTM可以充分利用时间序列的培训和提高泛化性能。实验进行评估预测性能。通过实验结果可以看出,该算法比现有方法选择更好的负荷预测性能。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(61771256)。