[发明专利]基于新型解耦思想的CNN-TCN日前负荷预测方法

说明书

本发明公开了一种基于新型解耦思想的CNN‑TCN日前负荷预测方法，所述负荷预测方法包括：将电力负荷数据解耦为旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷；构建基于新型解耦思想的CNN‑TCN日前负荷预测模型，其中，所述预测模型包括卷积神经网络模块、时间卷积网络模块和全连接层；通过所述卷积神经网络模块提取所述负荷标幺曲线的形状特征，通过所述时间卷积网络模块提取所述起点负荷以及所述日平均负荷的时序特征，以对所述预测模型进行训练；将外部数据输入训练完成后的所述预测模型，以输出被预测日的负荷曲线。该方法相比其他预测模型有效地降低了预测误差，具有较高的精准性和稳定性。

技术领域

本发明涉及一种负荷预测方法，具体是一种基于新型解耦思想的CNN-TCN日前负荷预测方法，属于电网负荷预测技术领域。

背景技术

负荷预测对电网规划和电力系统运行有着重要意义，尤其是日前负荷预测对缓解电力供需不平衡、提高电站的运行效率和维护电网安全运行起到了重要作用。

如果负荷预测增加微小的误差，会造成极大的经济损失。因此，建立更精准的日前负荷预测模型是很有必要的，精确的日前负荷预测可以给电网带来可观的收益。

但是，现有的日前负荷预测方案的精准性有待提升：基于传统解耦思想的CNN-TCN负荷预测模型没有对起点负荷对日平均负荷值进行校对，且没有对负荷标幺曲线进行旋转操作。

发明内容

为解决上述技术问题，本发明的目的在于提供一种基于新型解耦思想的CNN-TCN日前负荷预测方法，该方法旨在解决现有的日前负荷预测方案的精准性有待提升的问题。

为实现本发明的技术目的，本发明采取的技术方案为：一种基于新型解耦思想的CNN-TCN日前负荷预测方法，所述负荷预测方法包括：

1)将电力负荷数据解耦为旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷；

2)构建基于新型解耦思想的CNN-TCN日前负荷预测模型，其中，所述预测模型包括卷积神经网络模块、时间卷积网络模块和全连接层；

3)通过所述卷积神经网络模块提取所述负荷标幺曲线的形状特征，通过所述时间卷积网络模块提取所述起点负荷以及所述日平均负荷的时序特征，以对所述预测模型进行训练；

4)将外部数据输入训练完成后的所述预测模型，以输出被预测日的负荷曲线。

优选的，所述步骤3)中包括：

31)将所述电力负荷数据中的实际负荷，以及所述实际负荷对应的由所述电力负荷数据解耦出的旋转对齐后的负荷标幺曲线、日平均负荷和起点负荷作为数据集；

32)每次迭代开始时，重新将所述数据集随机平均分为第一数量组子样本，保留其中一组当作验证集，剩余子样本作为训练集；

33)进行第一数量次交叉验证，以使每个所述子样本作一次验证集；

34)当所有的所述子样本都验证结束后，训练进入下一次迭代；

35)迭代结束后，保存验证集平均损失最小的一代所训练出的所述预测模型，并标记为待测模型；

36)对所述待测模型进行测试，以得到测试结果，并基于所述测试结果计算平均绝对误差、平均绝对百分比误差和均方根误差各项评估指标。

优选的，所述步骤36)中包括：

361)基于所述测试结果，计算所述待测模型的平均绝对误差，

362)基于所述测试结果，计算所述待测模型的平均绝对百分比误差；

363)基于所述测试结果，计算所述待测模型的均方根误差；