一种基于多损失函数协同优化的负荷预测方法与流程

1.本发明涉及电力系统短期负荷预测技术领域，特别涉及一种基于多损失函数协同优化的负荷预测方法。


背景技术：

2.电力工业是国家在能源领域的重大基础行业，是国民经济的命脉。由于就目前的技术而言，电力能源的大量存储依然不可实现，所以电网系统中电力能源的发电、输电、用电过程是同时进行的。这就需要电力部门制定合理的方案从中协调调度，在能确保人民有电可用的同时又可以尽量减少成能源浪费。因此需要对电力负荷的特性及变化做出尽量准确的预测。科学的负荷预测，从大处讲是为国家电网合理布局基础设施建设提供决策依据，避免某地区设施落后或重复建设造成的人力、物力资源浪费，打乱经济建设和社会生活正常秩序；从小处看可为地区电网日常经营和制定调度方案提供参考，调度员根据电力负荷预测结果，合理协调机各电厂的出力分配，维持供需平衡，确保电网安全，电厂工作人员则据此确定发电机组的启停安排，减少冗余的发电机储备容量值，降低发电成本。
3.自负荷预测的概念被提出以来，电力负荷预测的方法在不断更新，精度也在不断提高。总结下来可将电力负荷预测方法分为三类：经典预测方法、传统预测方法、现代预测方法。随着电力行业的发展，分布式电源的接入和电动汽车等新负荷的加入，加强了电网负荷的复杂性、非线性和不确定性，经典预测方法和传统预测方法不再能满足新形势下电力市场规划的要求。近年来，伴随着深度学习的兴起，人工神经网络算法领域不断取得新的突破，因此基于深度学习的负荷预测方法就逐渐成为了现代预测方法中的一个重要部分。但在实际运行中，由于传统的单一损失函数物理性质单一，无法适应电力负荷数据的变化特性，影响负荷预测的准确性。
4.鉴于此，需要一种基于多损失函数协同优化的负荷预测方法。


技术实现要素：

5.本发明实施例提供了一种基于多损失函数协同优化的负荷预测方法，以至少解决相关技术中目前负荷预测方法缺乏综合考虑各损失函数物理性质及预测精度低的技术问题。
6.根据本发明实施例的一方面，提供了一种基于多损失函数协同优化的负荷预测方法，包括：
7.获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；
8.根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；
9.构建组合损失函数，并设设置组合损失函数的权重初值；
10.对组合函数的权重进行优化得到最优权重；
11.根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。
12.可选地，配电变压器负荷历史数据的样时间颗粒度为15min。
13.可选地，所述缺失值补充采用线性插值补充。
14.可选地，建立负荷预测模型包括：
15.根据电力系统配电变压器负荷预测数据集的规模及复杂程度，搭建含有1层lstm网络与1层全连接层的负荷预测网络；
16.根据电力系统配电变压器负荷预测的数据集的规模及复杂程度，设置超参数，并采用max-min归一化方法对数据集进行预处理。
17.可选地，所述组合损失函数为基于l1损失函数与mse损失函数的组合损失函数。
18.可选地，构建组合损失函数包括：
19.建立l1损失函数的数学模型：
[0020][0021]
式中，l
mae
是l1损失函数的输出值，和yi分别为实际值与预测值；
[0022]
建立mse损失函数的数学模型：
[0023][0024]
式中，l
mse
是mse损失函数的输出值，和yi分别为实际值与预测值；
[0025]
根据l1损失函数的数学模型和mse损失函数的数学模型加权求和构建的组合损失函数为：
[0026][0027]
式中，l是组合损失函数的输出值，和yi分别为实际值与预测；ω
mse
和ω
mae
分别为mse损失函数与l1损失函数在组合损失函数中所占的权重，初值均为1。
[0028]
可选地，利用组合损失函数引导优化负荷预测模型参数，基于adam优化器更新负荷预测模型网络参数，使得当前组合损失函数逼近全局最小；以负荷预测模型的预测误差最小为目标函数，基于遗传算法优化组合损失函数权重，重复本步骤直到预测误差最小，得到组合损失函数的最优权重。
[0029]
根据本发明实施例的另一方面，还提供了一种基于多损失函数协同优化的负荷预测系统，包括：
[0030]
数据处理模块，用于获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；
[0031]
组合损失函数模块，用于构建组合损失函数，并设设置组合损失函数的权重初值；
[0032]
权重优化模块，用于对组合函数的权重进行优化得到最优权重；
[0033]
负荷预测模型模块，用于根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；
根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。
[0034]
根据本发明实施例的另一方面，还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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于多损失函数协同优化的负荷预测方法。
[0035]
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的基于多损失函数协同优化的负荷预测方法。
[0036]
与现有的技术相比，本发明具有如下有益效果：
[0037]
本发明实施例中，本发明通过获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；构建组合损失函数，并设设置组合损失函数的权重初值；对组合函数的权重进行优化得到最优权重；根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。通过使用多损失函数协同优化进一步提高负荷预测精度的方法。且以短期负荷预测精度为评价指标，分析损失函数的物理性质与预测模型泛化误差之间的关系，从而为改进人工智能网络负荷预测方法提供指导意见。
[0038]
本发明的负荷预测方法可满足新形势下电力市场规划的要求；充分考虑了人工神经网络损失函数的物理性质，并且分析了泛化误差与预测结果偏差、方差之间的关系，提出使用多损失函数协同优化的负荷预测方法可为合理协调机各电厂的出力分配，维持供需平衡，确保电网安全的实际工作提供指导。
[0039]
本发明适用于短期电力负荷预测，通过多损失函数协同优化，减小负荷预测模型的泛化误差，解决了负荷预测模型在工程环境中预测精度不高的问题，该方法充分考虑了泛化误差的产生机制，评估了损失函数对人工神经网络优化方向的指导作用，提升了人工神经网络负荷预测模型的预测精度。
附图说明
[0040]
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1是根据本发明实施例的一种基于多损失函数协同优化的负荷预测方法的流程图；
[0042]
图2是根据本发明实施例的基于遗传算法优化组合损失函数权重的流程图；
[0043]
图3是根据本发明实施例的基于多损失函数协同优化的负荷预测方法的预测结果曲线图。
具体实施方式
[0044]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0045]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
[0046]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0047]
实施例1
[0048]
根据本发明实施例，提供了一种基于多损失函数协同优化的负荷预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0049]
如图1是根据本发明实施例的一种基于多损失函数协同优化的负荷预测方法的流程图，如图1所示，基于多损失函数协同优化的负荷预测方法包括如下步骤：
[0050]
步骤s1、获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集。
[0051]
作为一种可选的实施例，配电变压器负荷历史数据的样时间颗粒度为15min。
[0052]
作为一种可选的实施例，获取采样时间颗粒度为15min的配电变压器负荷历史数据，每天96个点，共计365天，并剔除由极端气候、设备损坏等不确定性因素造成的异常值。
[0053]
作为一种可选的实施例，采用线性插值补充缺失值。
[0054]
作为一种可选的实施例，步骤s1具体包括以下步骤：
[0055]
步骤s11、获取采样时间颗粒度为15min的配电变压器负荷历史数据。
[0056]
步骤s12、采用线性插值法对缺失数据进行修补。
[0057]
线性插值法的数学模型如下：
[0058][0059]
式中，x为缺失点的负荷数据，y为缺失点的时间数据。(x0,y0)与(x1,y1)分别为缺失点的前一点与后一点的负荷及时间数据。因此，在确定该时刻前后的基本数据后，就可以对缺失点进行插值。
[0060]
步骤s13、将整个修补后的数据集按8；2的比例划分为训练集与测试集。
[0061]
步骤s2、根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数。
[0062]
作为一种可选的实施例，步骤s2具体包括以下步骤：
[0063]
步骤s21、根据电力系统配电变压器负荷预测数据集的规模及复杂程度，搭建含有1层lstm网络与1层全连接层的负荷预测网络。
[0064]
其中，单个lstm的细胞结构包括：
[0065]
步骤s211、遗忘门：
[0066]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀ
(2)
[0067]
式中，f
t
为遗忘门的输出，wf为遗忘门的权重矩阵，bf为遗忘门的偏置矩阵。
[0068]
步骤s212、输入门：
[0069]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
ꢀꢀ
(3)
[0070]
式中，i
t
为输入门的输出，wi为输入门的权重矩阵，bi为输入门的偏置矩阵。
[0071]
需要利用一个tanh层对输入门的输出进行处理，才能得到新的候选细胞信息，处理如下：
[0072][0073]
式中，为新的候选细胞信息，wc为tanh层的权重矩阵，bc为tanh层的偏置矩阵。
[0074]
需要利用候选细胞信息，对旧有细胞信息进行更新，得到新的细胞信息，如下：
[0075][0076]
式中，c
t
为更新后的细胞信息，f
t
为遗忘门的输出，c
t-1
为旧有细胞信息，i
t
为输入门的输出，为新的候选细胞信息。
[0077]
步骤s213、输出门：
[0078]ot
＝σ(wo[h
t-1
,x
t
]+bo)
ꢀꢀ
(6)
[0079]
式中，wo为输出门的权重矩阵，bo为输出门的偏置矩阵，o
t
为输出门的输出，也是最后决定输出细胞哪些特征的判断条件。
[0080]
将细胞状态c
t
通过一个tanh层，得到一个-1到1之间的向量，该向量与输出门得到的判断条件o
t
相乘，就得到了最终该lstm细胞的输出，如下：
[0081]ht
＝o
t
*tanh(c
t
)
ꢀꢀ
(7)
[0082]
式中，h
t
为lstm单个细胞的最终输出，o
t
为输出门的输出，c
t
为更新后的细胞信息。
[0083]
步骤s22、根据电力系统配电变压器负荷预测的数据集的规模及复杂程度，设置合适的超参数，并采用max-min归一化方法对数据集进行预处理。
[0084]
max-min归一化方法如下：
[0085][0086]
式中，x是归一化前的数值，x
max
和x
min
分别是数据集中的最大值与最小值，x
*
为归一化后的数值。
[0087]
作为一种可选的实施例，网络隐藏层的维度为32，学习率设为0.01，batchsize设置为128，迭代次数设为1000次，激活函数为relu。
[0088]
relu的数学模型如下：
[0089]
relu(x)＝max(0,x)
ꢀꢀ
(9)
[0090]
选择adam方法进行优化，并加入dropout防止过拟合情况的发生。
[0091]
步骤s3、构建组合损失函数，并设设置组合损失函数的权重初值。
[0092]
作为一种可选的实施例，构建组合损失函数包括：基于l1损失函数与mse损失函数
二者加权求和构建组合损失函数，权重初值均为1。
[0093]
具体的包括以下步骤：
[0094]
建立l1损失函数的数学模型：
[0095][0096]
式中，l
mae
是l1损失函数的输出值，和yi分别为实际值与预测值。
[0097]
建立mse损失函数的数学模型：
[0098][0099]
式中，l
mse
是mse损失函数的输出值，和yi分别为实际值与预测值，n为数值的总数。
[0100]
根据l1损失函数的数学模型和mse损失函数的数学模型加权求和构建的组合损失函数如下：
[0101][0102]
式中，l是组合损失函数的输出值，和yi分别为实际值与预测，ω
mse
和ω
mae
分别为mse损失函数与l1损失函数在组合损失函数中所占的权重，初值均为1。
[0103]
步骤s4、对组合函数的权重进行优化得到最优权重。
[0104]
作为一种可选的实施例，利用组合损失函数引导优化负荷预测模型参数，基于adam优化器更新负荷预测模型网络参数，使得当前组合损失函数逼近全局最小；之后以负荷预测模型的预测误差最小为目标函数，基于遗传算法优化组合损失函数权重，重复本步骤直到预测误差最小，得到组合损失函数的最优权重。具体步骤如图2所示。
[0105]
作为一种可选的实施例，以负荷预测模型的预测误差最小为目标函数，基于遗传算法优化组合损失函数权重，重复本步骤直到预测误差最小，得到组合损失函数的最优权重，包括以下步骤：
[0106]
步骤s41、建立遗传算法模型，设置初始种群个数为50，最大迭代次数为150，变异概率为0，交叉概率为0.5。
[0107]
步骤s42、以组合损失函数的权重值为优化群体，以预测模型测试误差最小为优化目标。
[0108]
步骤s43、将所有个体所代表的组合损失函数分别代入预测模型进行训练并测试，通过测试误差对每个个体进行评价，选择测试误差低的个体参与遗传操作，测试误差高的个体被淘汰。
[0109]
步骤s44、经遗传操作(复制、交叉)的个体集合形成新一代种群，直到满足停止准则(进化代数gen》＝最大迭代次数)，如不满足停止标准，则将新一代种群代入上一步重新计算测试误差。
[0110]
步骤s45、将后代中变现最好的个体作为遗传算法的执行结果，即组合损失函数的最优权重。
[0111]
步骤s5、根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。
[0112]
作为一种可选的实施例，步骤s5包括以下步骤：
[0113]
步骤s51、将预测网络模型中的组合函数权重设置为最优权重。
[0114]
步骤s52、训练步骤s51得到的负荷预测模型，并采用训练完成的模型进行负荷预测。
[0115]
实施例2
[0116]
对本发明基于多损失函数协同优化的负荷预测方法的其中一个实施例进行详细说明，以使本领域技术人员更了解本发明：
[0117]
步骤a1、获取采样时间颗粒度为15min的配电变压器负荷历史数据，并使用线性插值补充缺失值，建立电力系统配电变压器负荷预测数据集。以2011年葡萄牙某地区的负荷，数据的采样颗粒度为15分钟，每天96个点，共计365天数据，作为实施例的原始数据。
[0118]
步骤a2、剔除由极端气候、设备损坏等不确定性因素造成的异常值，并使用插值法对缺失数据进行修补，最后将整个数据集按8；2的比例划分为训练集与测试集。
[0119]
步骤a3、根据数据集的规模及复杂程度，搭建含有1层lstm网络与1层全连接层的负荷预测网络。网络隐藏层的维度为32，学习率设为0.01，batchsize设置为128，迭代次数设为1000次，激活函数为relu，并加入dropout防止过拟合情况的发生。
[0120]
步骤a4、基于l1损失函数与mse损失函数二者加权求和构建组合损失函数，权重初值均为1。
[0121]
步骤a5、利用组合损失函数引导优化负荷预测模型参数，基于adam优化器更新负荷预测模型网络参数，使得当前组合损失函数逼近全局最小；之后以负荷预测模型的预测误差最小为目标函数，基于遗传算法优化组合损失函数权重，重复本步骤直到预测误差最小，得到组合损失函数的最优权重，步骤流程图如图2所示。
[0122]
步骤a6、将预测网络模型中的组合函数权重设置为最优权重，训练负荷预测模型。并采用训练完成的模型进行负荷预测，预测模型的最终预测结果曲线如图3所示。
[0123]
表1各类损失函数所获得的最终误差对比
[0124][0125]
对各类损失函数所获得的最终误差对比的结果如表1所示，从表1可以看出：1、由于单一损失函数的优化方向较为单一，无法整体性地降低泛化误差。因此单一mse损失函数和单一l1损失函数的mape均相对较大；2、采用组合损失函数的形式可以在单一损失函数的基础上进一步降低泛化误差，前提是选取恰当的权重参数，如果权重设置不当，则准确率可能下降。
[0126]
从图3可以看出，本文采用的基于遗传算法优化损失函数权重的方法，可以较好地
得到组合损失函数的最优权重，采用最优权重进行训练时，预测模型具有较高准确率。
[0127]
实施例3
[0128]
根据本发明实施例的另一方面，还提供了一种基于多损失函数协同优化的负荷预测系统，该系统包括：
[0129]
数据处理模块，用于获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；
[0130]
组合损失函数模块，用于构建组合损失函数，并设设置组合损失函数的权重初值；
[0131]
权重优化模块，用于对组合函数的权重进行优化得到最优权重；
[0132]
负荷预测模型模块，用于根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。
[0133]
本发明不局限于以上的具体实施方式，以上仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
[0134]
实施例4
[0135]
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的基于多损失函数协同优化的负荷预测方法。
[0136]
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
[0137]
可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；构建组合损失函数，并设设置组合损失函数的权重初值；对组合函数的权重进行优化得到最优权重；根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。
[0138]
实施例5
[0139]
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述中任意一项的基于多损失函数协同优化的负荷预测方法。
[0140]
本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现基于多损失函数协同优化的负荷预测方法的步骤。
[0141]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0142]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0143]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的
方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接可以是电性或其它的形式。
[0144]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0145]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0146]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom,read-0nlymemory)、随机存取存储器(ram,randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0147]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于多损失函数协同优化的负荷预测方法，其特征在于，包括：获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；构建组合损失函数，并设设置组合损失函数的权重初值；对组合函数的权重进行优化得到最优权重；根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。2.根据权利要求1所述的基于多损失函数协同优化的负荷预测方法，其特征在于，配电变压器负荷历史数据的样时间颗粒度为15min。3.根据权利要求1所述的基于多损失函数协同优化的负荷预测方法，其特征在于，所述缺失值补充采用线性插值补充。4.根据权利要求1所述的基于多损失函数协同优化的负荷预测方法，其特征在于，建立负荷预测模型包括：根据电力系统配电变压器负荷预测数据集的规模及复杂程度，搭建含有1层lstm网络与1层全连接层的负荷预测网络；根据电力系统配电变压器负荷预测的数据集的规模及复杂程度，设置超参数，并采用max-min归一化方法对数据集进行预处理。5.根据权利要求1所述的基于多损失函数协同优化的负荷预测方法，其特征在于，所述组合损失函数为基于l1损失函数与mse损失函数的组合损失函数。6.根据权利要求1所述的基于多损失函数协同优化的负荷预测方法，其特征在于，构建组合损失函数包括：建立l1损失函数的数学模型：式中，l
mae
是l1损失函数的输出值，和y
i
分别为实际值与预测值；建立mse损失函数的数学模型：式中，l
mse
是mse损失函数的输出值，和y
i
分别为实际值与预测值；根据l1损失函数的数学模型和mse损失函数的数学模型加权求和构建的组合损失函数为：式中，l是组合损失函数的输出值，和y
i
分别为实际值与预测；ω
mse
和ω
mae
分别为mse损失函数与l1损失函数在组合损失函数中所占的权重，初值均为1。
7.根据权利要求1所述的基于多损失函数协同优化的负荷预测方法，其特征在于，利用组合损失函数引导优化负荷预测模型参数，基于adam优化器更新负荷预测模型网络参数，使得当前组合损失函数逼近全局最小；以负荷预测模型的预测误差最小为目标函数，基于遗传算法优化组合损失函数权重，重复本步骤直到预测误差最小，得到组合损失函数的最优权重。8.一种基于多损失函数协同优化的负荷预测系统，其特征在于，包括：数据处理模块，用于获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；组合损失函数模块，用于构建组合损失函数，并设设置组合损失函数的权重初值；权重优化模块，用于对组合函数的权重进行优化得到最优权重；负荷预测模型模块，用于根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。9.一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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于多损失函数协同优化的负荷预测方法。10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的基于多损失函数协同优化的负荷预测方法。

技术总结
本发明公开了一种基于多损失函数协同优化的负荷预测方法，通过获取配电变压器负荷历史数据，并进行缺失值补充，根据补充数值后的数据建立电力系统配电变压器负荷预测的数据集；根据电力系统配电变压器负荷预测的数据集，建立基于长短期记忆递归神经网络和全连接神经网络的负荷预测模型，采用正态初始化网络参数；构建组合损失函数，并设设置组合损失函数的权重初值；对组合函数的权重进行优化得到最优权重；根据组合损失函数的最优权重训练负荷预测模型，通过训练后的混合神经网络进行负荷预测。通过多损失函数协同优化，减小负荷预测模型的泛化误差，解决了负荷预测模型在工程环境中预测精度不高的问题。环境中预测精度不高的问题。环境中预测精度不高的问题。


技术研发人员：黄维 李珊 周杨珺 姚知洋 吴丽芳 李菱 欧阳健娜 颜丽娟 肖辉 奉斌 刘鹏 苏星华
受保护的技术使用者：广西电网有限责任公司电力科学研究院
技术研发日：2023.03.16
技术公布日：2023/7/19