本技术涉及电网负荷预测，尤其涉及基于人工智能的配电网负荷预测方法、装置及介质。
背景技术：
1、目前，配电网负荷预测时置换能源管理系统重的一个核心组成部分，随着智能电网的发展，对于准确预测电力负荷的需求日益增加，这种预测对于电网的稳定运营、优化发电计划、降低运营成本和推动能源市场的有效性至关重要；行业内普片采用的方法包括各种机器学习技术；在准确捕捉负荷序列的复杂模式方面展示了巨大潜力。
2、尽管在上述方法上取得了一定了成功，但目前的配电网负荷预测方面仍旧存在一些技术挑战，即数据的非线性和非平稳性，电力负荷数据往往由于各种因素的影响而表现出非线性和非平稳性，导致对电荷预测不准确，这对传统的统计学方法构成了挑战。
技术实现思路
1、本发明提供了一种基于人工智能的配电网负荷预测方法、装置及介质，以解决现有技术中无法对准确对电网负荷预测的问题。
2、第一方面，本技术提供了一种基于人工智能的配电网负荷预测方法，包括：
3、获取影响配电网负荷的实时数据集；
4、根据预设的深度学习模型和多尺度时间序列分析模型，结合所述实时数据集，分别对所述配电网进行负荷预测，获得第一预测结果和第二预测结果；其中，所述深度学习模型是基于cnn网络和lstm网络融合而构建，以cnn网络的输出作为lstm网络的输入，并根据预设的强化学习算法和历史数据集对初始深度学习模型进行训练优化而获得；所述多尺度时间序列分析模型是根据强化学习算法和历史数据集对arima模型进行训练而获得；
5、使用动态加权法对第一预测结果和第二预测结果加权得到最终的配电网负荷预测结果。
6、本技术的技术方案结合深度学习模型和多尺度时间序列分析模型来对影响配电网负荷的数据集进行训练，然后使用强化学习算法对两个模型进行优化，以及使用实时数据对模型进行预测，最后通过动态加权算法对预测结果进行加权处理，相比于现有技术因为电力负荷数据表现出非线性和非平稳性而导致对电荷预测不准确，本技术能够提高配电网负荷预测的准确性和可靠性。
7、作为第一方面的一个优选实施例，所述深度学习模型是基于cnn网络和lstm网络融合而构建，具体为：
8、cnn网络在前，lstm网络在后，cnn网络和lstm网络之间通过一个全连接层进行连接，以确保cnn输出特征向量的维度与lstm网络的输入维度相匹配。
9、作为第一方面的一个优选实施例，所述根据预设的强化学习算法和历史数据集对初始深度学习模型进行训练优化而获得，具体为：
10、初始深度学习模型获取历史数据集，对历史数据集进行迭代训练，得到初始化深度学习模型；
11、训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，并根据所述误差更新所述初始化深度学习模型的参数，直到误差满足预设阈值，输出所述深度学习模型。
12、此优选实施例中使用cnn与lstm融合来建立深度学习模型可以有效结合cnn卷积神经网络和lstm长短时记忆网络的优势，这两者的结合可以很好的处理非线性和复杂的数据模式，而历史数据集中很多负荷数据都是非线性且实际发生的，具有一定的复杂性，电力负荷数据通常含有多种模式，包括季节性波动、趋势变化、周期性重复以及随机波动等。强化学习算法的引入有助于在模型训练过程中平衡偏差和方差，减少过拟合的风险。两个模型的结合用来处理负荷预测问题可以提高负荷预测的准确性。
13、作为第一方面的一个优选实施例，所述多尺度时间序列分析模型是根据强化学习算法和历史数据集对arima模型进行训练而获得，具体为：
14、初始化arima模型的自回归参数、差分阶数和移动平均参数得到arima模型；
15、arima模型获取历史数据集，对历史数据集进行迭代训练；
16、训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，并根据所述误差更新所述arima模型的参数，直到误差满足预设阈值，输出所述多尺度时间序列分析模型。
17、作为第一方面的一个优选实施例，所述初始化arima模型的自回归参数、差分阶数和移动平均参数得到arima模型，具体为：
18、arima模型通过自回归项、移动平均项和差分项三个部分来有效的对负荷进行预测；
19、自回归项为y’t＝phi1 y’t-1+phi2 y’t-2+……+phip y’t-p+varepsilont；式中phip表示自回归模型的参数，描述过去时间的前p个时刻的负荷对当前时刻负荷的影响程度；y’t表示在时间点t的预测负荷量；y’t-p表示在t-p时刻的预测负荷量；varepsilont表示在时间t的误差项；
20、移动平均项为y’t＝epsilont+theta1 epsilont-1+theta2 epsilont-2+…+thetaqepsilont-q；
21、式中thetaq表示移动平均参数；epsilont-q表示t-q时间点的负荷扰动对当前负荷值y’t的影响；
22、差分项为y’t＝(1-b)d yt；
23、式中d表示差分参数，b是后退算子，(1-b)表示一次差分操作，yt表示在特定时间t点的负荷值，y’t表示经过差分处理后的负荷值；
24、三项合并后的arima模型表示如下：
25、phi(b)(1-b)dyt＝theta(b)epsilont；
26、式中phi(b)为自回归项部分的多项式，phi(b)＝1-phi1b-phi2 b2-…-phip bp；其中bk表示将历史负荷数据集向后移动k个时间单位中对应的负荷值，phi1是模型的回归参数；
27、theta(b)是移动平均项部分的多项式，theta(b)＝1+theta1b+theta2b2+…+thetaqbq；其中bk表示将历史负荷数据集向后移动k个时间单位中对应的负荷值，thetaq表示移动平均参数；
28、(1-b)dyt是差分项；epsilont为白噪声误差项。
29、此优选实施例中arima模型对处理模拟和预测数据的线性趋势和季节性成分，尤其是在数据具有强烈的周期性和趋势性时效果显著，而本技术中的历史负荷数据集具有季节性波动、趋势变化、周期性重复以及随机波动等特性，使用arima模型处理历史数据集中的线性关系和明显的周期性成分具有良好的效果。而强化学习算法的引入有助于在模型训练过程中平衡偏差和方差，减少过拟合的风险。
30、作为第一方面的一个优选实施例，所述训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，具体为：
31、所述的强化学习算法采用actor-critic算法，它分为行动部分和评估反馈部分；
32、每次迭代时，根据当前时间步的历史数据集中的输入状态和所述行动部分，输出下一个时间步的负荷预测结果，并根据所述评估反馈部分，计算实际发生的负荷与所述负荷预测结果之间的误差并提供反馈，反馈包括了奖励和惩罚。
33、此优选实施例中actor-critic算法通过行动部分和评估反馈部分的协同工作，使模型能够根据实时反馈自适应地调整预测策略，以适应负荷数据的变化。行动部分可以根据历史数据集的输入状态及时对现有模型做出预测。评估反馈部分能够在每次迭代后立即提供关于预测准确性的反馈，包括奖励和惩罚，这有助于快速识别并纠正预测误差。通过行动部分的及时预测以及评估反馈部分的即时奖励和惩罚机制，模型可以更有效地学习如何减少预测误差，从而提高负荷预测的效率和准确性。
34、作为第一方面的一个优选实施例，所述使用动态加权法对第一预测结果和第二预测结果加权得到最终的配电网负荷预测结果，具体为：
35、所述动态加权法为遗传算法；
36、使用遗传算法寻找深度学习模型的第一最优权重和多尺度时间序列分析模型的第二最优权重；
37、分别使用两个模型的最优权重对第一预测以及第二预测结果进行加权，得到加权预测结果。
38、此优选实施例中使用动态加权法结合遗传算法对深度学习模型和多尺度时间序列分析模型的预测结果进行加权，这种方法能够智能地寻找两个模型的最优权重组合，从而实现更精确的配电网负荷预测。这种加权机制不仅提高了预测的综合性能，还增强了模型对不同负荷特性的适应性，通过动态调整权重以应对负荷变化的不确定性，最终可以得到更为稳定和可靠的预测结果。
39、作为第一方面的一个优选实施例，所述历史数据集包括：历史负荷数据、天气数据、用户行为数据、经济指标数据和设备与基础设施信息；
40、历史负荷数据包括：历史时间段内各时间点的电力负荷量、历史时间段内的最大电力负荷以及历史时间段内符合的变化率；
41、天气数据包括：温度数据、湿度数据、降雨量、风速以及日照时长；
42、用户行为数据包括：消费模式、事件以及节假日；
43、经济指标包括：产业活动以及电价；
44、设备与基础设施信息包括：配电网配置以及维护日志。
45、此优选实施例中数据集包括了历史负荷数据、天气数据、用户行为数据、经济指标以及设备与基础设施信息等对方面的数据，使用多方面数据对模型进行训练可以提高模型在面对不同情况数据时的预测能力，同时还提高了模型的鲁棒性。
46、第二方面，本技术提供了一种基于人工智能的配电网负荷预测装置。所述配电网负荷预测装置包括：获取模块、预测模块和修正模块；
47、获取模块用于获取影响配电网负荷的实时数据集；
48、预测模块用于根据预设的深度学习模型和多尺度时间序列分析模型，结合所述实时数据集，分别对所述配电网进行负荷预测，获得第一预测结果和第二预测结果；其中，所述深度学习模型是基于cnn网络和lstm网络融合而构建，以cnn网络的输出作为lstm网络的输入，并根据预设的强化学习算法和历史数据集对初始深度学习模型进行训练优化而获得；所述多尺度时间序列分析模型是根据强化学习算法和历史数据集对arima模型进行训练而获得；
49、修正模块用于使用动态加权法对第一预测结果和第二预测结果加权得到最终的配电网负荷预测结果。
50、作为第二方面的一个优选实施例，本装置使用三个模块分工并协调工作可以更好的发现并处理配电网负荷预测装置中出现的问题。同时了结合深度学习模型和多尺度时间序列分析模型来对特定数据集训练，使用强化学习算法对两个模型进行优化，同时使用实时数据对模型进行预测，最后通过动态加权算法对预测结果进行加权处理，提高了配电网负荷预测的准确性和可靠性。
51、作为第二方面的一个优选实施例，所述深度学习模型是基于cnn网络和lstm网络融合而构建，具体为：
52、cnn网络在前，lstm网络在后，cnn网络和lstm网络之间通过一个全连接层进行连接，以确保cnn输出特征向量的维度与lstm网络的输入维度相匹配。
53、作为第二方面的一个优选实施例，所述根据预设的强化学习算法和历史数据集对初始深度学习模型进行训练优化而获得，具体为：
54、初始深度学习模型获取历史数据集，对历史数据集进行迭代训练，得到初始化深度学习模型；
55、训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，并根据所述误差更新所述初始化深度学习模型的参数，直到误差满足预设阈值，输出所述深度学习模型。
56、此优选实施例中使用cnn与lstm融合来建立深度学习模型可以有效结合cnn卷积神经网络和lstm长短时记忆网络的优势，这两者的结合可以很好的处理非线性和复杂的数据模式，而历史数据集中很多负荷数据都是非线性且实际发生的，具有一定的复杂性，电力负荷数据通常含有多种模式，包括季节性波动、趋势变化、周期性重复以及随机波动等。强化学习算法的引入有助于在模型训练过程中平衡偏差和方差，减少过拟合的风险。两个模型的结合用来处理负荷预测问题可以提高负荷预测的准确性。
57、作为第二方面的一个优选实施例，所述多尺度时间序列分析模型是根据强化学习算法和历史数据集对arima模型进行训练而获得，具体为：
58、初始化arima模型的自回归参数、差分阶数和移动平均参数得到arima模型；
59、arima模型获取历史数据集，对历史数据集进行迭代训练；
60、训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，并根据所述误差更新所述arima模型的参数，直到误差满足预设阈值，输出所述多尺度时间序列分析模型。
61、作为第二方面的一个优选实施例，所述初始化arima模型的自回归参数、差分阶数和移动平均参数得到arima模型，具体为：
62、arima模型通过自回归项、移动平均项和差分项三个部分来有效的对负荷进行预测；
63、自回归项为y’t＝phi1 y’t-1+phi2 y’t-2+……+phip y’t-p+varepsilont；式中phip表示自回归模型的参数，描述过去时间的前p个时刻的负荷对当前时刻负荷的影响程度；y’t表示在时间点t的预测负荷量；y’t-p表示在t-p时刻的预测负荷量；varepsilont表示在时间t的误差项；
64、移动平均项为y’t＝epsilont+theta1 epsilont-1+theta2 epsilont-2+…+thetaqepsilont-q；
65、式中thetaq表示移动平均参数；epsilont-q表示t-q时间点的负荷扰动对当前负荷值y’t的影响；
66、差分项为y’t＝(1-b)d yt；
67、式中d表示差分参数，b是后退算子，(1-b)表示一次差分操作，yt表示在特定时间t点的负荷值，y’t表示经过差分处理后的负荷值；
68、三项合并后的arima模型表示如下：
69、phi(b)(1-b)dyt＝theta(b)epsilont；
70、式中phi(b)为自回归项部分的多项式，phi(b)＝1-phi1b-phi2 b2-…-phip bp；其中bk表示将历史负荷数据集向后移动k个时间单位中对应的负荷值，phi1是模型的回归参数；
71、theta(b)是移动平均项部分的多项式，theta(b)＝1+theta1b+theta2b2+…+thetaqbq；其中bk表示将历史负荷数据集向后移动k个时间单位中对应的负荷值，thetaq表示移动平均参数；
72、(1-b)dyt是差分项；epsilont为白噪声误差项。
73、此优选实施例中arima模型对处理模拟和预测数据的线性趋势和季节性成分，尤其是在数据具有强烈的周期性和趋势性时效果显著，而本技术中的历史负荷数据集具有季节性波动、趋势变化、周期性重复以及随机波动等特性，使用arima模型处理历史数据集中的线性关系和明显的周期性成分具有良好的效果。而强化学习算法的引入有助于在模型训练过程中平衡偏差和方差，减少过拟合的风险。
74、作为第二方面的一个优选实施例，所述训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，具体为：
75、所述的强化学习算法采用actor-critic算法，它分为行动部分和评估反馈部分；
76、每次迭代时，根据当前时间步的历史数据集中的输入状态和所述行动部分，输出下一个时间步的负荷预测结果，并根据所述评估反馈部分，计算实际发生的负荷与所述负荷预测结果之间的误差并提供反馈，反馈包括了奖励和惩罚。
77、actor-critic算法通过行动部分和评估反馈部分的协同工作，使模型能够根据实时反馈自适应地调整预测策略，以适应负荷数据的变化。行动部分可以根据历史数据集的输入状态及时对现有模型做出预测。评估反馈部分能够在每次迭代后立即提供关于预测准确性的反馈，包括奖励和惩罚，这有助于快速识别并纠正预测误差。通过行动部分的及时预测以及评估反馈部分的即时奖励和惩罚机制，模型可以更有效地学习如何减少预测误差，从而提高负荷预测的效率和准确性。
78、作为第二方面的一个优选实施例，所述修正模块包括权重计算单元和加权单元：
79、所述动态加权法为遗传算法；
80、所述权重计算单元用于使用遗传算法寻找深度学习模型的第一最优权重和多尺度时间序列分析模型的第二最优权重；
81、所述加权单元用于分别使用两个模型的最优权重对第一预测以及第二预测结果进行加权，得到加权预测结果。
82、此优选实施例中使用动态加权法结合遗传算法对深度学习模型和多尺度时间序列分析模型的预测结果进行加权，这种方法能够智能地寻找两个模型的最优权重组合，从而实现更精确的配电网负荷预测。这种加权机制不仅提高了预测的综合性能，还增强了模型对不同负荷特性的适应性，通过动态调整权重以应对负荷变化的不确定性，最终可以得到更为稳定和可靠的预测结果。
83、作为第二方面的一个优选实施例，所述历史数据集包括：历史负荷数据、天气数据、用户行为数据、经济指标数据和设备与基础设施信息；
84、历史负荷数据包括：历史时间段内各时间点的电力负荷量、历史时间段内的最大电力负荷以及历史时间段内符合的变化率；
85、天气数据包括：温度数据、湿度数据、降雨量、风速以及日照时长；
86、用户行为数据包括：消费模式、事件以及节假日；
87、经济指标包括：产业活动以及电价；
88、设备与基础设施信息包括：配电网配置以及维护日志。
89、此优选实施例中数据集包括了历史负荷数据、天气数据、用户行为数据、经济指标以及设备与基础设施信息等对方面的数据，使用多方面数据对模型进行训练可以提高模型在面对不同情况数据时的预测能力，同时还提高了模型的鲁棒性。
90、第三方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如所述的一种基于人工智能的配电网负荷预测方法。其有益效果与本技术中第一方面提供的一种基于人工智能的配电网负荷预测方法相同。
1.一种基于人工智能的配电网负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的配电网负荷预测方法，其特征在于，所述深度学习模型是基于cnn网络和lstm网络融合而构建，具体为：
3.根据权利要求1所述的一种基于人工智能的配电网负荷预测方法，其特征在于，所述根据预设的强化学习算法和历史数据集对初始深度学习模型进行训练优化而获得，具体为：
4.根据权利要求1所述的基于人工智能的配电网负荷预测方法，其特征在于，所述多尺度时间序列分析模型是根据强化学习算法和历史数据集对arima模型进行训练而获得，具体为：
5.根据权利要求4所述的基于人工智能的配电网负荷预测方法，其特征在于，所述初始化arima模型的自回归参数、差分阶数和移动平均参数得到arima模型，具体为：
6.根据权利要求3或权利要求4所述的基于人工智能的配电网负荷预测方法，其特征在于，所述训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，具体为：
7.根据权利要求1所述的基于人工智能的配电网负荷预测方法，其特征在于，所述使用动态加权法对第一预测结果和第二预测结果加权得到最终的配电网负荷预测结果，具体为：
8.根据权利要求1所述的一种基于人工智能的配电网负荷预测方法，其特征在于，所述历史数据集包括：历史负荷数据、天气数据、用户行为数据、经济指标数据和设备与基础设施信息；
9.一种基于人工智能的配电网负荷预测装置，其特征在于，包括：获取模块、预测模块和修正模块；
10.根据权利要求9所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述深度学习模型是基于cnn网络和lstm网络融合而构建，具体为：
11.根据权利要求9所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述根据预设的强化学习算法和历史数据集对初始深度学习模型进行训练优化而获得，具体为：
12.根据权利要求9所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述多尺度时间序列分析模型是根据强化学习算法和历史数据集对arima模型进行训练而获得，具体为：
13.根据权利要求12所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述初始化arima模型的自回归参数、差分阶数和移动平均参数得到arima模型，具体为：
14.根据权利要求11或权利要求12所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述训练过程中每次迭代都根据强化学习算法，计算获得实际结果和预测结果之间的误差，具体为：
15.根据权利要求9所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述修正模块包括权重计算单元和加权单元：
16.根据权利要求9所述的一种基于人工智能的配电网负荷预测装置，其特征在于，所述历史数据集包括：历史负荷数据、天气数据、用户行为数据、经济指标数据和设备与基础设施信息；
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的一种基于人工智能的配电网负荷预测方法。
