本發明涉及負荷預測，尤其涉及一種基于機器學習的可調節用電負荷特性分析與預測方法及系統。

背景技術：

1、現代電網包括多種電力源如傳統發電、可再生能源等和用電負荷如家庭、工業等，其動態特性和復雜的負荷模式使得預測和調節變得復雜而重要。同時，可再生能源如風能和太陽能的大量接入增加了電網對調峰資源的需求，而夏季空調負荷的快速增長加大了電網的保供壓力。為了應對負荷波動，電網鼓勵用戶調整用電行為以保證電網運行安全。當前用于分析與預測可調節用電負荷的機器學習技術包括以下幾種：時間序列分析：使用lstm(長短期記憶網絡)和gru(門控循環單元)對負荷數據進行建模，以捕捉時間上的依賴關系和季節性變化；回歸模型：應用隨機森林回歸、支持向量回歸(svr)和xgboost來預測負荷需求，特別是在處理復雜的非線性關系時；深度學習：使用卷積神經網絡(cnn)和深度神經網絡(dnn)來提取負荷數據中的特征，從而進行更準確的負荷預測；集成學習：結合多個模型(如堆疊模型)來提高預測準確性，并減少模型偏差和方差；強化學習：使用強化學習算法來優化負荷調度策略，以便在保證電網穩定性的同時，最大化能源利用效率。

2、負荷側需求響應是應對當前電網保供壓力劇增、新能源消納不足的有效手段，但制定需求側調度策略時，需要提前對負荷數據及負荷可調能力進行預測，進而通過優化算法制定響應策略。負荷預測數據及可調能力評估數據的準確性決定了策略的可實施性。

3、因此，提出一種基于機器學習的可調節用電負荷特性分析與預測方法及系統，來解決現有技術存在的困難，是本領域技術人員亟需解決的問題。

技術實現思路

1、有鑒于此，本發明提供了一種基于機器學習的可調節用電負荷特性分析與預測方法及系統，通過基于機器學習的可調節用電負荷特性分析與預測方法，利用考慮負荷時序特征的聚類方法與lstm-transformer混合架構，為需求響應策略制定提供可信的數據基礎，支撐策略的有效制定。

2、為了實現上述目的，本發明采用如下技術方案：

3、一種基于機器學習的可調節用電負荷特性分析與預測方法，包括以下步驟：

4、s1.獲取數據：獲取用戶歷史用電信息，構建輸入數據集；

5、s2.獲取可調節量：基于輸入數據集，采用基于密度的空間聚類算法對負荷曲線進行對比，得到無需求響應的負荷曲線與需求響應的負荷曲線形成的簇，將無需求響應的負荷曲線與需求響應的負荷曲線的偏差作為可調節量；

6、s3.模型建立：建立基于lstm-transformer混合架構的可調負荷預測模型，經過若干次訓練后，得到訓練好的可調負荷預測模型；

7、s4.任務處理：基于訓練好的可調負荷預測模型，對時間序列預測任務進行處理。

8、可選的，s1中獲取用戶歷史用電信息，構建輸入數據集的具體內容為：

9、用電信息包括農業用電信息和工業生產用電信息，農業用電信息根據農閑、農忙特征對用電數據時段進行劃分，工業生產用電信息基于季節性及工作日/非工作日的特性對用電數據時段進行劃分，進而構建輸入數據集。

10、可選的，s2中基于輸入數據集，采用基于密度的空間聚類算法對負荷曲線進行對比，得到無需求響應的負荷曲線與需求響應的負荷曲線形成的簇，將無需求響應的負荷曲線與需求響應的負荷曲線的偏差作為可調節量的具體內容為：

11、首先通過最大最小規范化方法，將待預測用戶的分段用電數據變換到[0,1]區間，然后使用dbscan聚類，得到無需求響應的負荷曲線與需求響應的負荷曲線的偏差，從而量化可調節量，具體內容為：

12、s21.從輸入數據集中任意選取一個數據對象點p；

13、s22.若對于參數eps和minpts，所選取的數據對象點p為核心點，則找出所有從p密度可達的數據對象點，形成一個簇；

14、s23.若選取的數據對象點p是邊緣點，選取另一個數據對象點；

15、s24.重復s22、s23，直到所有數據對象點被處理。

16、可選的，s3中建立基于lstm-transformer混合架構的可調負荷預測模型的具體內容為：

17、可調負荷預測模型首先通過lstm層提取時間序列模式，然后通過transformer層理解全局上下文，將lstm層作為解碼層，將基于多尺度時序方法和transformer層作為編碼層，經過線性變換和引入softmax函數，建立可調負荷預測模型，滿足如下關系式：

18、

19、式中，yd為第d步預測值，為第d步預測輸出的權重，bd為第d步預測輸出的偏置。

20、可選的，lstm層采用了多層lstm結構，用于捕獲時間序列數據中的長期依賴關系，包含記憶單元、輸入門、遺忘門、輸出門和dropout機制；lstm層由三個具有sigmoid激活函數的全連接層處理，以計算輸入門、遺忘門、輸出門的值；假設有h個隱藏單元，批量大小為n，輸入數為d,則輸入為xt∈rn×d，前一時間步的隱狀態為ht-1∈rn×h，相應地，時間步t的門被定義如下：輸入門是it∈rn×h，遺忘門是ft∈rn×h，輸出門是ot∈rn×h，計算如下：

21、it＝σ(xtwxi+ht-1whi+bi)

22、ft＝σ(xtwxf+ht-1whf+bf)

23、ot＝σ(xtwxo+ht-1who+bo)

24、其中，wxi、wxf、wxo∈rd×h和whi、whf、who∈rh×h是權重參數，bi、bf、bo∈r1×h是偏置參數；

25、記憶單元ct，使用tanh函數作為激活函數，函數的值范圍為(-1,1)，導出在時間步t處的方程為：

26、ct＝tanh(xtwxc+ht-1whc+bc)

27、其中，wxc∈rd×h和whc∈rh×h是權重參數，bc∈r1×h是偏置參數；

28、最后，計算隱狀態ht∈rn×h，它是記憶單元ct的tanh函數的門控版本，ht的值始終在區間(-1,1)內：

29、ht＝ot⊙tanh(ct)

30、只要輸出門接近1，就能夠將所有記憶信息傳遞給預測部分，而對于輸出門接近0，只保留記憶單元內的所有信息，而不需要更新隱狀態。

31、可選的，transformer層通過自注意力機制來理解序列數據中的全局上下文信息，由多個自注意力頭組成；其中，transformer的qkv模型滿足如下關系式：

32、

33、式中，isa為利用多尺度卷積的輸出cm組成的n×m的矩陣，m為模態分量的總數，n為時間卷積核的總數，為qkv模型的權重矩陣、權重矩陣的大小為n×n，為qkv模型的偏置矩陣、偏置矩陣的大小為n×m，*表示q、k、v。

34、可選的，s3中經過若干次訓練后，得到訓練好的可調負荷預測模型的具體內容為：

35、s31.根據可調節量以可調節負荷功率序列的時間特征和空間特征組成lstm層的數據集，并將數據集劃分為訓練集和測試集；

36、s32.將訓練集輸入可調負荷預測模型，對可調負荷預測模型進行訓練；通過損失函數更新網絡權重參數，經過若干次訓練后，得到訓練好的可調負荷預測模型。

37、可選的，采用平均絕對誤差和均方根誤差對可調負荷預測模型的性能進行評價，如下：

38、平均絕對誤差mae，滿足如下關系式：

39、

40、均方根誤差rmse，滿足如下關系式：

41、

42、式中，yd為第d步的預測值，為第d步的真實值，d＝1,2，...，d，d為預測步數。

43、可選的，利用平均絕對誤差mae計算預測模型的第一提升度pmae，滿足如下關系式：

44、

45、式中，model1mae為單步可調負荷預測模型或多步可調負荷預測模型的平均絕對誤差mae；model2mae為單步可調負荷預測模型的平均絕對誤差mae；

46、利用均方根誤差rmse計算預測模型的第二提升度prmse，滿足如下關系式：

47、

48、式中，model1rmse為單步可調負荷預測模型或多步可調負荷預測模型的均方根誤差rmse；model2rmse為單步可調負荷預測模型的均方根誤差rmse；

49、用平均絕對誤差mae計算從預測步長為a到預測步長為b時的平均絕對誤差累值addemae,ab，滿足如下關系式：

50、addemae,ab＝maea-maeb?a>b

51、式中，maea為預測步長為a時的平均絕對誤差mae；maeb為預測步長為b時的平均絕對誤差mae；

52、利用均方根誤差rmse計算從預測步長為a到預測步長為b時的均方根誤差累值addermse,ab，滿足如下關系式：

53、addermse,ab＝rmsea-rmseb?a>b

54、式中，rmsea為預測步長為a時的均方根誤差rmse；rmseb為預測步長為b時的均方根誤差rmse。

55、一種基于機器學習的可調節用電負荷特性分析與預測系統，應用上述任一項的一種基于機器學習的可調節用電負荷特性分析與預測方法，包括：獲取數據模塊、獲取可調節量模塊、模型建立模塊、任務處理模塊；

56、獲取數據模塊，與獲取可調節量模塊的輸入端連接，用于獲取用戶歷史用電信息，構建輸入數據集；

57、獲取可調節量模塊，與模型建立模塊的輸入端連接，用于基于輸入數據集，采用基于密度的空間聚類算法對負荷曲線進行對比，得到無需求響應的負荷曲線與需求響應的負荷曲線形成的簇，將無需求響應的負荷曲線與需求響應的負荷曲線的偏差作為可調節量；

58、模型建立模塊，與任務處理模塊的輸入端連接，用于建立基于lstm-transformer混合架構的可調負荷預測模型，經過若干次訓練后，得到訓練好的可調負荷預測模型；

59、任務處理模塊，用于基于訓練好的可調負荷預測模型，對時間序列預測任務進行處理。

60、經由上述的技術方案可知，與現有技術相比，本發明提供了一種基于機器學習的可調節用電負荷特性分析與預測方法及系統，具有以下有益效果：實現對負荷的精準預測，與常規lstm算法相比，平均絕對誤差從8.344％降至1.926％，均方根誤差從10.258％降至3.214％。