[發明專利]配電網負荷預測的方法及系統

在審

• 申請號: 201710935032.4
• 申請日: 2017-10-10
• 公開（公告）號: CN107730039A
• 公開（公告）日: 2018-02-23
• 發明（設計）人: 劉志文;董旭柱;鄭鋒;孔祥玉;吳爭榮;陳立明
• 申請（專利權）人: 中國南方電網有限責任公司電網技術研究中心;南方電網科學研究院有限責任公司;天津大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q50/06
• 代理公司: 廣州華進聯合專利商標代理有限公司44224
• 代理人: 馮右明

1.一種配電網負荷預測的方法，其特征在于，包括：

根據配電網歷史負荷影響因子和待預測區域的歷史負荷值，按照時間信息構建多個數據集；根據所述多個數據集得到無監督訓練樣本集、有監督訓練樣本集和測試樣本集；

根據所述無監督訓練樣本集，對預先建立的負荷預測模型中的DBN模型層進行逐層無監督訓練；所述負荷預測模型包括：DBN模型層以及線性神經網絡層；所述負荷預測模型以配電網歷史負荷影響因子作為輸入向量，以待預測區域的負荷預測值作為輸出向量；

將所述無監督訓練得到的網絡參數作為所述負荷預測模型的網絡參數初始值；根據所述有監督訓練樣本集，對所述負荷預測模型進行有監督訓練，得到最優負荷預測模型；

利用所述最優負荷預測模型對所述測試樣本集進行測試，得到待預測區域的負荷預測值。

2.根據權利要求1所述的配電網負荷預測的方法，其特征在于，所述負荷預測模型包括一個輸入層、l個隱藏層和一個輸出層構成；

所述輸入層和l個隱藏層構成DBN模型層，實現對輸入數據的特征提取；第l層隱藏層和輸出層構成線性神經網絡層，作為網絡的回歸層，將DBN模型層提取的特征向量作為輸入，待預測區域的負荷預測值作為輸出；

其中，l為大于等于2的整數。

3.根據權利要求1所述的配電網負荷預測的方法，其特征在于，根據所述多個數據集得到無監督訓練樣本集、有監督訓練樣本集和測試樣本集之前，還包括：

對數據集中的數據進行歸一化處理，歸一化處理采用的表達式為：

Xnorm=X-XminXmax-Xmin]]>

其中X_norm為歸一化后的數據，X為原始數據，X_max、X_min分別為原始數據的最大值和最小值。

4.根據權利要求1所述的配電網負荷預測的方法，其特征在于，

所述根據配電網歷史負荷影響因子和待預測區域的歷史負荷值，按照時間信息構建多個數據集，包括：根據同一歷史時間點的配電網負荷影響因子和待預測區域的歷史負荷值，構建該歷史時間點對應的數據集；

所述根據所述多個數據集得到無監督訓練樣本集、有監督訓練樣本集和測試樣本集，包括：

根據與當前時間點的距離在第一時長范圍內的若干數據集得到測試樣本集，根據剩余的數據集得到無監督訓練樣本，根據所述無監督訓練樣本中與所述測試樣本集的最晚時間點距離在第二時長范圍內的數據集得到有監督訓練樣本。

5.根據權利要求1所述的配電網負荷預測的方法，其特征在于，所述根據所述無監督訓練樣本集，對預先建立的負荷預測模型中的DBN模型層進行逐層無監督訓練，包括：

從DBN模型層的輸入層至DBN模型層的頂層，每兩層構成一個RBM，其中第一個RBM為高斯-伯努利RBM，其余為伯努利-伯努利RBM；

將無監督訓練樣本集的輸入變量作為第一個RBM的訓練數據，通過對比散度方法訓練得到第一個RBM的參數并固定；

將第一個RBM的隱藏單元的激活概率作為第二個RBM的訓練數據，通過對比散度方法訓練得到第二個RBM的參數；

以此類推，直到DBN模型層的最頂層訓練結束，得到整個DBN模型的網絡參數。

6.根據權利要求1所述的配電網負荷預測的方法，其特征在于，根據所述有監督訓練樣本集，對所述負荷預測模型進行有監督訓練，得到最優負荷預測模型，包括：

根據所述有監督訓練樣本集，通過列文伯格-馬夸爾特算法對所述負荷預測模型進行有監督訓練，根據有監督訓練結果對模型的網絡參數初始值進行優化，得到最優負荷預測模型。