[發明專利]基于大數據驅動的小水電群發電量預測方法

在審

• 申請號: 201911105323.6
• 申請日: 2019-11-13
• 公開（公告）號: CN110909994A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 黃馗;吳劍鋒;陳曉兵;韋化;張樂;祝云;張弛;呂中梁;黃國輝;江雄烽;練椿杰;覃圣超
• 申請（專利權）人: 廣西電網有限責任公司;廣西大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 南寧圖耀專利代理事務所(普通合伙) 45127
• 代理人: 陳劍鋒

1.基于大數據驅動的小水電群發電量預測方法，其特征在于，包括如下步驟：

S1.將小水電按所屬區域劃分成多個小水電群，獲取各小水電的歷史發電量，并將各區域中的小水電每小時歷史發電量加合，得到該區域小水電群第i小時總發電量E_Si(i＝0,1,2,…23)，i為小時數；

S2.從數據庫中獲取各區域以小時為單位的歷史氣象數據，并按時間與所在區域小水電群第i小時總發電量E_Si(i＝0,1,2,…23)建立聯系；

S3.隨機取一部分的歷史氣象數據和發電量數據做為訓練數據，其余部分作為測試數據；

S4.利用大數據挖掘對訓練數據進行預處理，填補缺失數據，去除噪聲數據，剔除壞數據；

S5.預處理后，將不同單位的訓練數據進行歸一化處理；

S6.在連續型模型中添加兩個長短期記憶網絡結構和一個全連接神經網絡結構得到訓練模型，設置全連接神經網絡結構激活函數為selu，公式為：

其中，k在代表神經網絡迭代過程中的特征量輸出，常數λ取值為1.0507，常數a取值為1.6732，e為自然常數；

S7.將步驟S5歸一化處理后的數據作為訓練模型的輸入量進行模型訓練；

S8.以測試數據的發電量真實值與訓練模型發電量預測值的均方根誤差最小為優化目標進行優化計算，其公式為：

其中，mse為均方根誤差，j(1,2…n)為單個測試數據在測試數據集中的序號，n為數據集的個數，y_j為測試數據的發電量真實值，y'_j為訓練模型發電量預測值；

當判定均方根誤差mse為最小時結束模型訓練，此時得到最終的預測模型；

S9.根據實時的氣象數據和小水電群發電量數據利用步驟S8所得的預測模型預測所在區域小水電群的未來發電量。

2.根據權利要求1所述的基于大數據驅動的小水電群發電量預測方法，其特征在于，一天的歷史氣象數據包括：

降雨量R_i(i＝0,1,2,…23),溫度W_i(i＝0,1,2,…23),濕度H_i(i＝0,1,2,…23)，i為小時數。

3.根據權利要求1所述的基于大數據驅動的小水電群發電量預測方法，其特征在于，所述步驟S4中對訓練數據進行預處理時，對出現的錯誤數據進行補充替換的步驟如下：

取錯誤數據前兩個時刻和后兩個時刻的平均值作為錯誤時刻數據的補充替換，即若i超過所設區間，則取前一日或后一日相應時間。

4.根據權利要求1所述的基于大數據驅動的小水電群發電量預測方法，其特征在于，所述步驟S5中將不同單位的訓練數據進行歸一化處理的步驟如下：

將步驟S4預處理后的訓練數據歸一化到[0，1]區間，公式為：

式中，式中，x'表示輸入參數歸一化后的值，x表示原始輸入值；x_max、x_min分別表示x的最大值、最小值。

5.根據權利要求1所述的基于大數據驅動的小水電群發電量預測方法，其特征在于，所述步驟S7中進行模型訓練的步驟如下：

對于模型整體：每一個輸入的數據點大小為(3，24)，經過訓練輸出大小為(1，1)的數據點，輸出為下一小時負荷值；

對于第一層長短期記憶網絡結構：輸入維度為3，時間窗口為24，輸出維度為d₁(50≤d₁≤80且d₁∈z⁺)；

對于第二層長短期記憶網絡結構：輸入維度為d₁(50≤d₁≤80且d₁∈z⁺)，時間步長為1，輸出維度為d₂(80≤d₂≤100且d₂∈z⁺)；

對于全連接神經網絡結構層：輸入維度為d₂(80≤d₂≤100且d₂∈z⁺)，輸出維度為1，用于輸出結果降維。