[發明專利]一種Lstm與Gcforest算法混合強化學習的配網變壓器負荷預測方法

有效

• 申請號: 201910725756.5
• 申請日: 2019-08-07
• 公開（公告）號: CN110619107B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 徐健鋒;吳俊杰;鄒偉康;王文國;劉建模
• 申請（專利權）人: 南昌大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06Q10/04;G06Q50/06;G06N20/00;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 許瑩瑩

1.一種Lstm與Gcforest算法混合強化學習的配網變壓器負荷預測方法，其特征在于：包括以下步驟：

(1)從配網信息管理系統歷史數據集中抽取某臺變壓器長度為n的負荷取值時間序列數據，記為其中t₁,t₂,…t_n代表前驅后續的n個時間點；

(2)按照順序從時間序列數據中抽取指定長度為L的(n-L+1)段數據序列，構成如下(n-L+1)行×L列的二維矩陣J₁：

(3)將J₁中第L列時間數據進行縱向上移p個長度，得到二維矩陣J₂′：

(4)將第L列缺失數據的(n-L+2-p)至(n-L+1)共p行數據進行刪除，生成新的二維矩陣J₂：

(5)將矩陣J₂每行數據分別代入Lstm神經網絡模型進行訓練，其中矩陣J₂數據的第1列至第L-1列作為輸入，第L列作為輸出代入，訓練完成后保存Lstm算法對應模型記為L_p_Model；

(6)從配網信息管理系統歷史數據集中抽取這臺變壓器另外截取長度為m的負荷取值時間序列數據，記為其中t₁,t₂,…t_m代表前驅后續的m個時間點；

(7)按照順序從時間序列數據中抽取指定長度為L的(m-L+1)段數據序列，構成如下(m-L+1)行×L列的二維矩陣J₃：

(8)將第L列數據同步驟3方法進行縱向上移p個長度，再將缺失第L列數據的(m-L-p+2)行至(m-L+1)共p行數據進行刪除，得到(m-L+1-p)行×L列的二維矩陣J₄：

(9)將矩陣J₄數據的第1列至第L-1列作為輸入分別代入L_p_Model神經網絡模型，輸出第L列預測值，記為

(10)抽取步驟6中通過處理后確定的m個時間點對應的m條變壓器工況數據記為其中每條工況數據都由k種工況屬性構成，任一可以記錄為其中i∈[1,m]，則可以表示為矩陣J₅：

(11)將步驟9獲取的時間下標為t_L+p,…t_m的(m-L+1-p)個變壓器負荷預測值，記為與矩陣J₅的第L行至m-p行數據結合為如下矩陣J₆：

(12)將步驟7獲取的時間下標為t_L,…t_m-p的(m-L+1-p)個變壓器負荷真實值，記為時間下標為t_L+p,…t_m的(m-L+1-p)個變壓器負荷真實值，記為然后將上述數據與步驟11獲取的矩陣J₆結合為如下矩陣J₇：

(13)將矩陣J₇的(m-L+1-p)行數據分別代入Gcforest機器模型進行訓練，其中矩陣J₇數據的第1列至第k+2列作為輸入，第k+3列作為輸出代入，訓練完成后該模型記G_p_Model；

(14)抽取本變壓器當前待預測時間點T之前時間點T-L+1-p至T-p-1的(L-1)個負荷數據：記為D_(T-L+1-p),D_(T-L+2-p),…D_(T-p-1)，輸入L_p_Model，獲得時間點T負荷預測值記為D'_T；

(15)選取T-p時間點的工況數據C_T-p＝C_(T-p)1,C_(T-p)2,…，C_(T-p)K，T-p時間點負荷數據D_T-p與步驟14獲得時間點T負荷預測數據D'_T，組合為數據序列：C_(T-p)1,C_(T-p)2,…，C_(T-p)K，D_T-p,D'_T輸入G_p_Model，獲得時間點T最終的負荷預測值。