[發(fā)明專利]配電網(wǎng)負(fù)荷預(yù)測(cè)的方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201710935032.4
• 申請(qǐng)日: 2017-10-10
• 公開（公告）號(hào): CN107730039A
• 公開（公告）日: 2018-02-23
• 發(fā)明（設(shè)計(jì)）人: 劉志文;董旭柱;鄭鋒;孔祥玉;吳爭(zhēng)榮;陳立明
• 申請(qǐng)（專利權(quán)）人: 中國(guó)南方電網(wǎng)有限責(zé)任公司電網(wǎng)技術(shù)研究中心;南方電網(wǎng)科學(xué)研究院有限責(zé)任公司;天津大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06K9/62;G06Q50/06
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司44224
• 代理人: 馮右明

技術(shù)領(lǐng)域

本發(fā)明涉及配電網(wǎng)技術(shù)領(lǐng)域，特別是涉及配電網(wǎng)負(fù)荷預(yù)測(cè)的方法、系統(tǒng)、存儲(chǔ)介質(zhì)及計(jì)算機(jī)設(shè)備。

背景技術(shù)

隨著智能電網(wǎng)的發(fā)展，大規(guī)模的可再生分布式電源接入增加了自發(fā)自用負(fù)荷的波動(dòng)性，電動(dòng)汽車的廣泛應(yīng)用導(dǎo)致充電負(fù)荷位置具有不確定性，此外電力市場(chǎng)化環(huán)境下，用戶用能行為、用戶對(duì)激勵(lì)政策的心里反應(yīng)和城市發(fā)展?fàn)顩r等都對(duì)用電模式產(chǎn)生巨大影響；因此，精確負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)配電網(wǎng)安全經(jīng)濟(jì)運(yùn)行和電網(wǎng)科學(xué)管理的基礎(chǔ)，也是提高發(fā)電設(shè)備利用率和提高經(jīng)濟(jì)調(diào)度有效性的重要保證。

現(xiàn)有的負(fù)荷預(yù)測(cè)方法可分為統(tǒng)計(jì)學(xué)法和人工智能法兩類。統(tǒng)計(jì)學(xué)方法包括多元線性回歸(Multiple Linear Regression，MLR)、自回歸(Auto Regressive，AR)、自回歸移動(dòng)平均(Auto Regressive Moving Average，ARMA)和自回歸綜合移動(dòng)平均(Auto Regressive Integrated Moving Average，ARIMA)等。該類方法模型簡(jiǎn)單，但只能對(duì)少量影響因素及樣本數(shù)據(jù)進(jìn)行處理，對(duì)原始時(shí)間序列的平穩(wěn)性要求較高。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)和支持向量機(jī)(Support Vector Machine，SVM)等，人工神經(jīng)網(wǎng)絡(luò)方法具有多維非線性映射能力，但存在收斂速度慢、泛化能力差和易陷入局部最小值的缺點(diǎn)；SVM方法雖然能夠較好地解決傳統(tǒng)算法中存在的小樣本、非線性、高維數(shù)、局部最小值等問題，但在處理大數(shù)據(jù)量下的模式分類和時(shí)間序列預(yù)測(cè)等方面，存在收斂速度慢和預(yù)測(cè)精度低等缺點(diǎn)。

因此，現(xiàn)有的負(fù)荷預(yù)測(cè)方法均難以實(shí)現(xiàn)對(duì)智能電網(wǎng)環(huán)境下多種因素影響的高精度負(fù)荷預(yù)測(cè)。

發(fā)明內(nèi)容

基于此，本發(fā)明提供了配電網(wǎng)負(fù)荷預(yù)測(cè)的方法及系統(tǒng)，能夠?qū)崿F(xiàn)對(duì)智能電網(wǎng)環(huán)境下多種因素影響的高精度負(fù)荷預(yù)測(cè)。

本發(fā)明方案包括：

一種配電網(wǎng)負(fù)荷預(yù)測(cè)的方法，包括：

根據(jù)配電網(wǎng)歷史負(fù)荷影響因子和待預(yù)測(cè)區(qū)域的歷史負(fù)荷值，按照時(shí)間信息構(gòu)建多個(gè)數(shù)據(jù)集；根據(jù)所述多個(gè)數(shù)據(jù)集得到無(wú)監(jiān)督訓(xùn)練樣本集、有監(jiān)督訓(xùn)練樣本集和測(cè)試樣本集；

根據(jù)所述無(wú)監(jiān)督訓(xùn)練樣本集，對(duì)預(yù)先建立的負(fù)荷預(yù)測(cè)模型中的DBN模型層進(jìn)行逐層無(wú)監(jiān)督訓(xùn)練；所述負(fù)荷預(yù)測(cè)模型包括：DBN模型層以及線性神經(jīng)網(wǎng)絡(luò)層；所述負(fù)荷預(yù)測(cè)模型以配電網(wǎng)歷史負(fù)荷影響因子作為輸入向量，以待預(yù)測(cè)區(qū)域的負(fù)荷預(yù)測(cè)值作為輸出向量；

將所述無(wú)監(jiān)督訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)作為所述負(fù)荷預(yù)測(cè)模型的網(wǎng)絡(luò)參數(shù)初始值；根據(jù)所述有監(jiān)督訓(xùn)練樣本集，對(duì)所述負(fù)荷預(yù)測(cè)模型進(jìn)行有監(jiān)督訓(xùn)練，得到最優(yōu)負(fù)荷預(yù)測(cè)模型；

利用所述最優(yōu)負(fù)荷預(yù)測(cè)模型對(duì)所述測(cè)試樣本集進(jìn)行測(cè)試，得到待預(yù)測(cè)區(qū)域的負(fù)荷預(yù)測(cè)值。

可選地，所述負(fù)荷預(yù)測(cè)模型包括一個(gè)輸入層、l個(gè)隱藏層和一個(gè)輸出層構(gòu)成；

所述輸入層和l個(gè)隱藏層構(gòu)成DBN模型層，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的特征提取；第l層隱藏層和輸出層構(gòu)成線性神經(jīng)網(wǎng)絡(luò)層，作為網(wǎng)絡(luò)的回歸層，將DBN模型層提取的特征向量作為輸入，待預(yù)測(cè)區(qū)域的負(fù)荷預(yù)測(cè)值作為輸出；

其中，l為大于等于2的整數(shù)。

可選地，根據(jù)所述多個(gè)數(shù)據(jù)集得到無(wú)監(jiān)督訓(xùn)練樣本集、有監(jiān)督訓(xùn)練樣本集和測(cè)試樣本集之前，還包括：

對(duì)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理采用的表達(dá)式為：

其中X_norm為歸一化后的數(shù)據(jù)，X為原始數(shù)據(jù)，X_max、X_min分別為原始數(shù)據(jù)的最大值和最小值。

可選地，所述根據(jù)配電網(wǎng)歷史負(fù)荷影響因子和待預(yù)測(cè)區(qū)域的歷史負(fù)荷值，按照時(shí)間信息構(gòu)建多個(gè)數(shù)據(jù)集，包括：根據(jù)同一歷史時(shí)間點(diǎn)的配電網(wǎng)負(fù)荷影響因子和待預(yù)測(cè)區(qū)域的歷史負(fù)荷值，構(gòu)建該歷史時(shí)間點(diǎn)對(duì)應(yīng)的數(shù)據(jù)集；

所述根據(jù)所述多個(gè)數(shù)據(jù)集得到無(wú)監(jiān)督訓(xùn)練樣本集、有監(jiān)督訓(xùn)練樣本集和測(cè)試樣本集，包括：

根據(jù)與當(dāng)前時(shí)間點(diǎn)的距離在第一時(shí)長(zhǎng)范圍內(nèi)的若干數(shù)據(jù)集得到測(cè)試樣本集，根據(jù)剩余的數(shù)據(jù)集得到無(wú)監(jiān)督訓(xùn)練樣本，根據(jù)所述無(wú)監(jiān)督訓(xùn)練樣本中與所述測(cè)試樣本集的最晚時(shí)間點(diǎn)距離在第二時(shí)長(zhǎng)范圍內(nèi)的數(shù)據(jù)集得到有監(jiān)督訓(xùn)練樣本。

可選地，所述根據(jù)所述無(wú)監(jiān)督訓(xùn)練樣本集，對(duì)預(yù)先建立的負(fù)荷預(yù)測(cè)模型中的DBN模型層進(jìn)行逐層無(wú)監(jiān)督訓(xùn)練，包括：

從DBN模型層的輸入層至DBN模型層的頂層，每?jī)蓪訕?gòu)成一個(gè)RBM，其中第一個(gè)RBM為高斯-伯努利RBM，其余為伯努利-伯努利RBM；