基于数据增强策略和残差自修正学习模型的负荷预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936176A(43)申请公布日2023.04.07(21)申请号202211321545.3G06Q50/06(2012.01)(22)申请日2022.10.26H02J3/00(2006.01)G06N3/0442(2023.01)(71)申请人国网河北省电力有限公司经济技术G06N3/045(2023.01)研究院G06N3/0464(2023.01)地址050000河北省石家庄市裕华区富强G06N3/0475(2023.01)大街27号G06N3/049(2023.01)申请人国家电网有限公司G06N3/084(2023.01)(72)发明人马国真王云佳张泽亚胡珀G06N3/094(2023.01)庞凝刘雪飞夏静徐晓彬G06N20/20(2019.01)李航天G06F17/18(2006.01)(74)专利代理机构成都时誉知识产权代理事务所(普通合伙)51250专利代理师李春彦(51)Int.Cl.G06Q10/04(2023.01)权利要求书4页说明书10页附图4页(54)发明名称基于数据增强策略和残差自修正学习模型的负荷预测方法(57)摘要本发明涉及基于数据增强策略和残差自修正学习模型的负荷预测方法，属于负荷预测技术领域，考虑到用户用电结构日趋复杂等，提出一种两阶段数据增强方法，建立以张量核范数为约束的低秩张量补全模型；并通过构建稳定性更强的生成对抗网络模型，识别少数类样本之间的分布特性，根据其分布特性模拟生成新样本以实现类别平衡。考虑用户用电行为波动性及不确定性增加对负荷预测精度要求的提升，提出一种基于残差自修正集成负荷预测方法。通过构建适用于时序数据的负荷预测模型和残差预测模型，并建立一种结合负荷预测和残差预测的残差自修正集成模型，将各个预测结果收集并进行组合决策，得到最终的预测结果，以提升负荷预测精度。CN115936176ACN115936176A权利要求书1/4页1.基于数据增强策略和残差自修正学习模型的负荷预测方法，其特征在于，包括以下步骤：S1：考虑到用户用电结构日趋复杂，提出一种两阶段数据增强方法，通过将原始负荷数据转化为高维张量格式，建立以张量核范数为约束的低秩张量补全模型；S2：通过构建稳定性更强的生成对抗网络模型，识别少数类样本之间的分布特性，根据其分布特性模拟生成新样本以实现类别平衡；S3：考虑用户用电行为波动性及不确定性增加对负荷预测精度要求的提升，提出一种基于残差自修正集成负荷预测方法；S4：通过构建适用于时序数据的负荷预测模型和残差预测模型，并建立一种结合负荷预测和残差预测的残差自修正集成模型，将各个预测结果收集并进行组合决策，得到最终的预测结果。2.根据权利要求1所述的基于数据增强策略和残差自修正学习模型的负荷预测方法，其特征在于，步骤S1具体如下：基于张量核范数约束的低秩张量补全模型原理如公式(1)所示：式中：表示待补全的负荷张量，表示初始负荷张量；Ω表示可观测元素的集合；||·||TNN代表张量核范数大小；PΩ(·)表示采样操作符，其计算公式如式(2)所示：设辅助变量并构建增广拉格朗日函数如公式(3)所示：式中：Q为拉格朗日乘子，β为平衡参数；<·>代表张量内积；||·||F代表张量F范数。3.根据权利要求2所述的基于数据增强策略和残差自修正学习模型的负荷预测方法，其特征在于，步骤S1的负荷数据缺失补全流程如下：dS101：缺失张量建立；设表示N个用户H天负荷的X＝{xi:i＝1,2,…,N*H,xi∈R},按照公式(4)，通过将负荷数据X映射为缺失张量缺失部分数据用0代替，并对进行归一化以加快算法收敛；S102：各张量初始化；将缺失张量的所有值赋给补全张量并初始化辅助张量为全0，拉格朗日乘子张量为全0；S103：交替优化；依据交替方向乘子法原则，通过式(5)、式(6)、式(7)不断求解补全负荷张量辅助张量以及拉格朗日乘子最后当误差ε小于预先设定的阈值或者迭代轮数I已累加至上限时，认为张量核范数已达到最小，算法收敛；2CN115936176A权利要求书2/4页S104：二维矩阵复原；按照公式(8)将补全张量逆映射为此前的负荷数据二维矩阵格式，获取缺失数据补全后的二维负荷数据集X；式中：D表示一天的采样时段数目，floor(·)表示向下取整，％表示取余操作。4.根据权利要求3所述的基于数据增强策略和残差自修正学习模型的负荷预测方法，其特征在于，步骤S2具体如下：生成对抗网络为生成器与判别器之间的相互对抗与博弈；生成器通过采样随机噪声，以此构建隐变量空间和实际样本空间的映射关系，最终生成维度同实际样本高度相似的输出样本；判别器分析输入是否来自于实际样本或者生成样本，其输出为分布于0和1之间的概率值；在彼此对抗博弈并