[發(fā)明專利]基于深度神經網絡模型融合的電力負荷預測方法、裝置

在審

• 申請?zhí)枺?/td>: 201911346947.7
• 申請日: 2019-12-24
• 公開（公告）號: CN111091247A
• 公開（公告）日: 2020-05-01
• 發(fā)明（設計）人: 王守相;陳海文;蔡聲霞;馬琪
• 申請（專利權）人: 天津相和電氣科技有限公司;國網天津市電力公司;天津大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q10/00;G06Q50/06;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 張文華

1.基于神經網絡模型融合的日前電力負荷預測方法，其特征在于：所述日前電力負荷預測方法包括如下步驟：

S1、獲取需要預測的電力負荷日期之前M天的智能電表的負荷數(shù)據(jù)，通過AP聚類算法對其進行聚類分組，將不同用電模式的用戶進行了區(qū)分，使得各組用戶均具有相似的用電模式；

S2、分別構建CNN神經網絡、LSTM神經網絡及CNN-LSTM相結合的神經網絡，并利用步驟S1中得到的分組數(shù)據(jù)對其進行訓練；

S3、將步驟S2中訓練好的三個深度神經網絡的輸出層丟棄，將輸出層前一層的隱藏層的輸出作為高級特征，并將三個深度神經網絡的隱藏層輸出組合成一個新的特征向量，即得到三個深度神經網絡的融合之后的高級特征；

S4、凍結步驟S2訓練好的三個網絡的網絡權重，并添加多通道卷積層作為模型融合層，利用步驟S1中得到的分組數(shù)據(jù)對融合層參數(shù)進行訓練，即完成了三個神經網絡的融合從而形成了新的融合模型；

S5、根據(jù)步驟S1得到的各組用戶負荷數(shù)據(jù)，將需要預測日期的前N天的各組智能電表的負荷數(shù)據(jù)分別輸入到步驟S4中訓練好的融合模型，融合模型對各組負荷數(shù)據(jù)進行預測，然后將各組預測值相加，即得到最終的日前電力負荷數(shù)據(jù)；

其中，所述步驟S1及S5中，M與N均為自然數(shù)，且M＞N。。

2.根據(jù)權利要求1所述的基于神經網絡模型融合的日前電力負荷預測方法，其特征在于：所述步驟S2中CNN神經網絡、LSTM神經網絡及CNN-LSTM相結合的神經網絡的構建及訓練均使用python編程語言中keras深度學習工具包。

3.根據(jù)權利要求1所述的基于神經網絡模型融合的日前電力負荷預測方法，其特征在于：所述步驟S2中CNN神經網絡、LSTM神經網絡及CNN-LSTM相結合的神經網絡的訓練方法為：

將步驟S1中經過聚類的智能電表組分割為訓練所用的樣本集，具體的：將步驟S1中經過聚類的每組智能電表均分割成多個樣本，每個樣本由N+1天組成，使用前N天作為網絡的輸入，后一天作為網絡的標簽和評估模型時的參考值，在各樣本集上分別訓練步驟S2構建的三種深度神經網絡，得到對應的深度神經網絡模型。

4.根據(jù)權利要求1所述的基于神經網絡模型融合的日前電力負荷預測方法，其特征在于：所述步驟S4中融合層參數(shù)的訓練方法為：

將步驟S1中經過聚類的智能電表組分割為訓練所用的樣本集，具體的：將步驟S1中經過聚類的每組智能電表均分割成多個樣本，每個樣本由N+1天組成，使用前N天作為網絡的輸入，后一天作為網絡的標簽和評估模型時的參考值，在各樣本集上分別訓練S4中的融合層參數(shù)，得到對應的融合模型。

5.根據(jù)權利要求1所述的基于神經網絡模型融合的日前電力負荷預測方法，其特征在于：所述步驟S5中各組智能電表的負荷數(shù)據(jù)是指：將各組內所有用戶的負荷數(shù)據(jù)相加，即可得到各組智能電表的負荷數(shù)據(jù)。

6.根據(jù)權利要求1所述的基于神經網絡模型融合的日前電力負荷預測方法，其特征在于：所述步驟S1及S5中，M與N均為自然數(shù)，150≤M，3≤N≤10。