[发明专利]基于集成片段变换和时间卷积网络的电力负荷分布预测方法

权利要求书

1.一种基于集成片段变换和时间卷积网络的电力负荷分布预测方法，包括以下步骤：

S1、获取电力负荷历史数据及对应时刻的天气数据，其中，电力负荷数据为固定时间间隔的时间序列，天气数据为包括温度，湿度，辐射强度在内的时间序列；利用EPT即集成片段变换，对各时间序列进行分解，获得各序列的趋势项和周期项分量；

S2、设定时间卷积网络模型参数，构建负荷预测神经网络模型；基于所述各序列的趋势项和周期项分量构建训练样本集；

S3、引入分位数损失优化目标，优化模型参数；获得具有一定间隔的不同分位数损失优化目标下的负荷预测模型；

S4、以中位数损失优化目标下的模型预测结果为实际负荷预测结果，基于不同分位数下模型预测结果和核密度估计获取实时负荷预测分布。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，电力负荷数据采样间隔为15min；

利用EPT变换对各时间序列进行分解的具体方法为：

将包括电力负荷数据和天气数据的多源时间序列数据表示为：，其中，为时间序列长度，表示电力负荷数据，表示气温，表示湿度，表示辐射强度；

对各时间序列进行EPT分解，由以下公式表达：

其中，和分别表示时间序列高频和低频分量；

则多源时间序列经EPT分解后可表示为，其中包括各时间序列的高频周期性分量和低频趋势项分量。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2具体包括：

设定时间卷积网络模型参数，包括输入层、两层隐藏层和一层输出层；

基于设定的时间卷积网络参数，构建端对端的负荷预测神经网络模型，输入为经过EPT分解的多源时间序列，输出为特定预测步长下的负荷；

构建训练样本集，训练样本集中的模型输入为多源时间序列片段，表示为，其中为模型输入的片段长度，为样本个数；模型输出标签为，表示个时间步长后的实际负荷值。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2中，输入层通道数为8，两层隐藏层和输出层通道数分别为64、64、1；两层隐藏层和输出层卷积核尺寸分别为32、16、1。

5.根据权利要求3所述的方法，其特征在于，所述步骤S3具体包括：

S31、引入分位数损失优化目标，表示如下：

其中，为时间卷积网络模型参数权重，为模型参数偏置，表示时间卷积神经网络模型，将原始多源时间序列片段映射至负荷预测值，分位数；

S32、利用Adam优化分位数损失，更新模型参数，表示如下：

其中为时间卷积网络模型参数集合，和为第次模型参数更新中引入动量的一阶矩和二阶矩估计，和为衰减速率参数，为损失优化目标对模型参数的求导，为学习率，为偏置项常数；

S33、以0.05为间隔，获取从0至1的20个不同分位数损失优化目标下的预测模型及对应的模型负荷预测结果：

。

6.根据权利要求4所述的方法，其特征在于，所述步骤S4具体包括：以中位数，即0.5分位数的预测模型输出结果作为实际负荷预测结果，即；

不同分位数下模型预测结果，假定分位数在0至1连续取值，关于负荷预测值的条件密度可以表示如下：

进一步离散化，利用高斯核密度估计可得负荷预测分布结果。

7.根据权利要求1-6中任一所述的方法，其特征在于，还包括以下步骤：

S5、在测试集中检验已训练模型的效果和可行性。

8.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1所述方法的步骤。