基于循环神经网络的地铁供电系统负荷预测方法

摘要

本发明公开了一种基于循环神经网络的地铁供电系统负荷预测方法，该方法主要包含以下三个步骤：1)获取地铁历史负荷数据、天气数据、温度数据等，并对其进行数据预处理；2)构建基于循环神经网络的地铁供电系统负荷预测模型；3)基于地铁供电系统负荷预测模型进行负荷预测。本发明所述方法能够对地铁供电系统进行精准的负荷预测，能够有效地反应地铁供电系统的未来运行状态，有利于电力人员对地铁供电系统调度的工作，为地铁供电系统规划和决策工作提供重要的依据，对提高地铁供电系统和城市电网运行的安全性、稳定性、经济性有着重大意义。

说明书

技术领域

本发明涉及地铁供电系统负荷预测方法技术领域，尤其涉及一种基于循环神经网络的地铁供电系统负荷预测方法。

背景技术

地铁作为城市中重要的交通运输方式，对于城市建设、经济提升、生活质量、交通安全等方面有着至关重要的作用。随着我国国民经济的持续发展，城市化进程的加快，地铁建设也随之快速发展，地铁供电系统也相应的日益庞大，地铁供电系统负荷已然成为城市电力系统负荷的重要组成部分，再考虑到地铁供电系统负荷所呈现的移动性、时变性、非线性等特点，对地铁供电系统负荷预测技术的研究越来越重要。

电力负荷预测作为电力系统运行和管理中的一个重要研究领域，自电力系统发展之初就备受关注，其研究方法、技术都在日益拓展、成熟，众多专业根据已有的预测问题模型及理论，针对电力负荷预测，进行了大量的研究与改进，其现有的基本预测方法有线性外推、灰色理论、卡尔曼滤波、人工神经网络、遗传算法、小波变换等。但目前针对地铁供电系统这一大场景下的负荷预测问题，仍缺乏具有针对性、高效性的预测模型与方法，难以满足地铁供电系统对于精准负荷预测的要求。

发明内容

本发明所要解决的技术问题是如何提供一种预测准确率高的基于循环神经网络的地铁供电系统负荷预测方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于循环神经网络的地铁供电系统负荷预测方法，其特征在于包括如下步骤：

获取地铁历史运行数据并对其进行数据预处理；

构建基于循环神经网络的地铁供电系统负荷预测模型；

基于地铁供电系统负荷预测模型进行负荷预测。

进一步的技术方案在于：所述运行数据包括地铁历史负荷数据、地铁换乘站数据和地铁地上/地下形式数据。

进一步的技术方案在于：获取的数据还包括天气数据、温度数据和节假日数据。

进一步的技术方案在于：所述预处理包括数据去噪处理、对采集缺失的数据进行补充处理、对有误或超过许可范围的数据进行修正处理，并将处理后的数据提供给负荷预测模型使用。

进一步的技术方案在于：在循环神经网络的基础上建立基于循环神经网络的地铁供电系统负荷预测模型；

循环神经网络的基本单元类似隐马尔科夫链，把循环神经网络基本结构的中间部分成为隐层，向量s标记了隐层的状态；隐层的输出有两个，一个是y，另一个反馈到自身；到自身的反馈将于下一步的输入共同改变隐层的状态s；因此，隐层的输入也是有两个，分别是当输入x和来自自身的反馈；

将基本单元元素按照每一步的输入进行展开，x

x

s

y

进一步的技术方案在于：基于循环神经网络的地铁供电系统负荷预测模型是由多维度输入进行建立的；多维度输入包含的参考量有地铁历史负荷数据、地铁换乘站数据、地铁地上/地下形式数据、天气数据、温度数据和节假日数据；在面对多维度输入的预测问题时，循环神经网络通过自身的反馈机制，拥有其他神经网络所没有的记忆功能。

进一步的技术方案在于：基于地铁供电系统负荷预测模型进行负荷预测的基本步骤如下：

获取预处理好的数据，并对数据进行归一化处理；

划分训练集与验证集，将80％的原始数据作为训练集，剩下的20％作为测试数据，生成训练和测试数据；

对数据进行Reshape操作，以便后续输入到RNN模型中；

构建一个RNN模型，编译、训练模型；

使用训练好的模型进行预测，得到预测的结果；

可视化模型预测的结果，将预测的数据与原始数据进行直观对比。

采用上述技术方案所产生的有益效果在于：本申请所述方法在进行地铁系统负荷预测时，综合考虑地铁数据、天气数据等不同特征因素的数据，能够全面、有效的预测地铁未来负荷量，提高地铁的电力调度准确能力和电网配电经济性；

所述方法在构建基于循环神经网络的地铁供电系统负荷预测模型时，充分考虑了所用模型的先进性，随着机器学习、深度学习的火热发展，各种算法、模型应运而生，每种算法、模型的都有其各自的适用范围与擅长领域，从目前看来，深度学习方法随着计算机运行性能的提升，其方法在图像分析、语音识别等各个领域绽放光芒，而循环神经网络因为其特有的反馈机制，拥有强大的记忆功能，使得在处理地铁供电系统负荷预测这类输入复杂且具有序列性质的预测问题时，效果显著，有着很好的预测准确率；

所述方法采用地铁供电系统负荷预测模型进行负荷预测，通过归一化处理和建立多维度输入与单一输出之间的循环神经网络，经过多次循环、迭代，训练出完好的模型并完成预测，保证好了预测结果的准确性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例所述方法的主流程图；

图2a是本发明实施例中神经元的基本结构示意图；

图2b是本发明实施例中神经元展开的基本结构示意图；

图3a是本发明实施例中循环神经网络的单输入多输出结构图；

图3b是本发明实施例中循环神经网络的多输入单输出结构图；

图4是本发明实施例中循环神经网络的多输入多输出结构图；

图5为基于循环神经网络的地铁供电系统负荷预测流程图；

图6为南京地铁安德门站地铁供电系统短期负荷预测结果图；

图7为南京地铁安德门站地铁供电系统中长期负荷预测结果图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

如图1所示，本发明实施例公开了一种基于循环神经网络的地铁供电系统负荷预测方法包括如下步骤：

1)：获取地铁历史运行数据并对其进行数据预处理；

2)：构建基于循环神经网络的地铁供电系统负荷预测模型；

3)：基于地铁供电系统负荷预测模型进行负荷预测。

进一步的，步骤1)中所述运行数据包括地铁历史负荷数据、地铁换乘站数据和地铁地上/地下形式数据，还包括天气数据、温度数据和节假日数据。对以上数据进行预处理，预处理包括数据去噪处理、对采集缺失的数据进行补充处理、对有误或超过许可范围的数据进行修正处理，并将处理后的数据提供给负荷预测模型使用。

步骤2)中的基于循环神经网络的地铁供电系统负荷预测模型是在循环神经网络的基础上建立的。

循环神经网络(Recurrent Neural Network,RNN)是用于对序列的非线性特征进行学习的深度神经网络。循环神经网络的输入是有前后关联的序列。

循环神经网络可以用来解决与序列有关的问题，如序列回归、序列分类和序列标注等任务。

循环神经网络的基本单元如图2a所示。类似隐马尔科夫链，把循环神经网络基本结构的中间部分成为隐层，向量s标记了隐层的状态。隐层的输出有两个，一个是y，另一个反馈到自身。到自身的反馈将于下一步的输入共同改变隐层的状态s。因此，隐层的输入也是有两个，分别是当输入x和来自自身的反馈(首步没有来自自身的反馈)

循环神经网络具备处理序列的能力是因为其拥有记忆功能，这要得益于它的反馈机制。如图2b所示，将基本(单元)元素按照每一步的输入进行展开，x

如图2a-2b所示，x

s

y

如图3a、3b以及图4所示，常用的循环神经网络结构有三种：one to many结构是单输入多输出的结构，一般用于输入图片给出文字注释；many to one结构是多输入单输出的结构，一般用于进行文本分类；many to many结构是多输入多输出的结构，它一般适合完成标注类任务。本申请的地铁供电系统的负荷预测，所运用的结构是many to one结构。

步骤2)中的基于循环神经网络的地铁供电系统负荷预测模型是由多维度输入进行建立的。

多维度输入包含的参考量有地铁历史负荷数据、地铁换乘站数据、地铁地上/地下形式数据、天气数据、温度数据和节假日数据。在面对多维度输入的预测问题时，循环神经网络因为反馈机制，拥有其他神经网络所没有的记忆功能，使得在处理地铁供电系统负荷预测这类输入复杂且具有序列性质的预测问题时，效果显著，有着很好的预测准确率。

步骤3)基于地铁供电系统负荷预测模型进行负荷预测的基本步骤如下：

步骤3-1)：从文档中自动获取权利要求2预处理好的数据，并对数据进行归一化处理；

步骤3-2)：划分训练集与验证集，将80％的原始数据作为训练集，剩下的20％作为测试数据，生成训练和测试数据；

步骤3-3)：对数据进行Reshape操作，以便后续输入到RNN模型中；

步骤3-4)：构建一个RNN模型，编译、训练模型；

步骤3-5)：使用训练好的模型进行预测，得到预测的结果；

步骤3-6)：可视化模型预测的结果，将预测的数据与原始数据进行直观对比。

以南京地铁实际站点的地铁供电系统负荷预测为例，截至2020年12月，南京地铁已开通运营线路共有10条，包括1、2、3、4、10、S1、S3、S7、S8及S9号线，均采用地铁系统，共174座车站(换乘站重复计算)。

针对地铁安德门站进行短期负荷预测和中长期负荷预测，目前安德门站为换乘站，有地铁1号线、地铁10号线两条线路经过，安德门站1号线车站为高架二层岛侧式车站，东北-西南走向，总建筑面积4861平方米，10号线车站为地下二层岛式车站，南北走向，共设有6个出入口，分别通向小行路和安德门大街，设有公交枢纽站。

根据获得的算例实际数据进行数据去噪处理、对采集缺失的数据进行补充处理、对有误或超过许可范围的数据进行修正处理；处理完成后，建立基于循环神经网络的地铁供电系统负荷预测模型；并基于模型进行负荷预测：从文档中自动获取预处理好的数据，并对数据进行归一化处理；划分训练集与验证集，将80％的原始数据作为训练集，剩下的20％作为测试数据，生成训练和测试数据；对数据进行Reshape操作，以便后续输入到RNN模型中；构建一个RNN模型，编译、训练模型；使用训练好的模型进行预测，得到预测的结果；可视化模型预测的结果，将预测的数据与原始数据进行直观对比。其短期负荷预测结构如图6所示，中长期负荷预测结果如图7所示。