[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

本發明提供了一種Lstm與Gcforest算法混合強化學習的配網變壓器負荷預測方法，該方法包括：首先，通過截取某段電網負荷數據構造數據集，輸入Lstm算法生成Lstm模型。接著，另截取一段電網數據其中包括工況及負荷數據。選取負荷數據構建Lstm數據集，輸入Lstm模型得到負荷預測結果。然后，將預測負荷結果與工況數據融合構造新的數據集，將數據集輸入Gcforest算法生成Gcforest模型。最后，將應用數據負荷數據集輸入Lstm模型得到負荷預測結果，將負荷預測結果與應用數據工況數據融合后輸入Gcforest模型得到最終應用負荷結果。通過Lstm循環神經網絡學習具有長短期依賴知識的能力，以及深度森林對非線性屬性特征提取的能力，在配變負荷預測場景中使用Lstm?Gcforest組合模型能夠更精準的預測配變負荷狀況。

技術領域

本發明涉及配變負荷預測技術領域，具體為一種Lstm與Gcforest算法混合強化學習的配網變壓器負荷預測方法。

背景技術

配變負荷預測是電力系統調度中的一個重要環節。負荷預測的準確與否關系到電力系統規劃、運行、安全、可靠等重要問題。然而，目前我國電網還存在著許多難以適應國民經濟增長和滿足人民生活需要的問題，諸如供電網規劃不合理、電力供應不足、資源利用不協調、安全可靠性不高等。要有效解決這些問題，最為關鍵的一步工作就是要做好配變的負荷預測。

當前配變負荷預測技術主要有三類：一類是經典技術，如：單耗法、彈性系數法、等；另一類是現代預測技術，如：灰色預測法、人工神經網絡法、模糊預測法等。上述負荷預測方法和預測技術已經取得了重要的研究成果，但依舊沒有一個通用的方法可適用于解決所有的負荷預測問題，也并無一個預測方法能保證優于其它任何一個方法，且都存在實時預測精度低，推廣難度大等不足。這主要是因為：(1)當前負荷預測技術在算法設計上還存在許多的不足，僅僅局限在弱機器學習算法上；(2)電力系統的數據具有強非線性、時變性、大量數據特征未確切可知等特點；(3)由于各個地區經濟、人口等發展不平衡及地理位置的差異性，導致不同地區電網負荷存在著很大的差異性，電力系統負荷預測表現出動態性和不確定性。

發明內容

配變負荷預測是電力系統中的一個重要組成部分，若能精準的預測未來的配變負荷情況，將可以為電力系統規劃以及決策提供極大的幫助。本文基于機器學習方法，提出了一種Lstm與Gcforest算法混合強化學習的配網變壓器負荷預測方法，能夠更精準的預測配變負荷狀況。

為實現上述目的，本發明提供如下技術方案：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，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；