[發明專利]基于關聯全連接神經網絡和LSTM的PMU一次調頻負荷預測方法

有效

• 申請號: 201810732495.5
• 申請日: 2018-07-05
• 公開（公告）號: CN109242236B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 姜策;杜麗媛
• 申請（專利權）人: 西安圖跡信息科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/06;G06N3/08;G06Q50/06
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 李娜

本發明公開了基于關聯全連接神經網絡和LSTM的PMU一次調頻負荷預測方法，具體包括選取訓練數據、驗證數據，建立聯合神經網絡模型，訓練聯合神經網絡模型，將預測樣本集輸入訓練的聯合神經網絡模型；本發明的方法在超短期電力負荷預測中考慮了負荷和功率的歷史數據之間的關聯性，采用了LSTM神經網絡和全連接神經網絡相關聯的結構，有效解決了長時依賴問題；本發明還具有算法較簡單、運行時間短、預測精度高，為電網的穩定運行提供了堅實保障的優點。

技術領域

本發明屬于智能電網控制與電力預測方法技術領域，具體涉及基于關聯全連接神經網絡和LSTM的PMU一次調頻負荷預測方法。

背景技術

近年來，我國配電自動化水平的提高和智能配網建設的推進，為配電網復雜化的負荷預測提供了多方面的數據和技術支持。準確的負荷預測可以保證電力系統的穩定性和安全性，提高電網的經濟效益和社會效益。

國內外學者已經提出很多關于負荷預測的方法，大致可分為三類：傳統優化算法、啟發式算法和人工智能算法。其中與負荷預測相關的人工智能算法主要包括小波分析法、遺傳算法、模糊理論、支持向量機和人工神經網絡等，它以其獨特優點得到了廣泛的研究。如賈辛淼在《基于小波分析的電力系統短期負荷預測的應用研究》中提出的小波神經網絡預測模型，具有較短的學習訓練時間和更好的精度；Lin和Tu等提出了粒子群算法優化的最小二乘支持向量機負荷預測模型；Hong等提出了一種用于短期負荷預測的模糊回歸模型，該模型考慮了相關性因素。劉春霞等采用人工神經網絡的非線性預測能力建立電力負荷預測模型，并利用遺傳算法優化神經網絡連接權值。

上述方法雖然已被證實在短期負荷預測領域里具有良好的表現，但仍存在一些不足：①支持向量機難以處理大規模訓練樣本；②小波變換算法通常難以與人工神經網絡相結合；③模糊系統不具備自學習能力，模糊規則較多依賴專家經驗；④由于城市核心區負荷受相關因素影響大，不同地區負荷呈現不同的規律性，預測方法魯棒性差；⑤負荷影響因素分析粗糙等問題，導致負荷預測耗時長，預測精準度較差，實用性不強。人工神經網絡能夠處理海量信息輸入，具有自適應自學習能力，在短期負荷預測問題中表現突出，因而成為本發明研究的重點。

發明內容

本發明的目的在于提供基于關聯全連接神經網絡和LSTM的PMU一次調頻負荷預測方法，能夠建立適用性強、預測精度高的預測模型。

本發明采用的技術方案為，基于關聯全連接神經網絡和LSTM的PMU一次調頻負荷預測方法，具體按照以下步驟實施：

步驟1、將待預測目標的歷史數據進行預處理，隨機選取80％作為訓練數據，20％作為驗證數據，同時設置模型網絡動態參數：數據批處理尺寸和數據移動窗口大小；

步驟2、以訓練數據、驗證數據作為輸入組，構建模型網絡，以LSTM神經網絡為第一層，將第一層輸出結果作為全連接層的輸入構建神經網絡，得到聯合神經網絡模型；

步驟3、將訓練數據輸入聯合神經網絡模型，得到訓練數據模型輸出結果output；將驗證數據輸入聯合神經網絡模型，得到驗證數據模型輸出結果output；

步驟4、通過訓練樣本集中負荷數據真實值和訓練數據模型輸出結果output構建損失函數loss，運用梯度優化器優化，并控制學習速度，根據梯度進行動態調整，使損失函數loss盡可能達到全局最優，得到已訓練的聯合神經網絡模型；

同時根據驗證樣本集中的負荷數據真實值和驗證數據模型輸出結果output計算聯合神經網絡模型的預測精度值ACC；

步驟5、利用TensorFlow中Tensorboard將損失函數loss、預測精度值ACC界面實時動態展示；

步驟6、待預測樣本集輸入已訓練的聯合神經網絡模型，得到預測數據。

本發明的特點還在于：

步驟1預處理是指對數據進行對比處理和歸一化處理。