[發(fā)明專利]一種基于園區(qū)畫像的園區(qū)負荷預(yù)測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010046372.3
• 申請日: 2020-01-16
• 公開（公告）號: CN111292121A
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計）人: 王利利;張琳娟;許長清;盧丹;李錳;鄭征;周楠;郭璞;張平;邱超;馬麗雅
• 申請（專利權(quán)）人: 國家電網(wǎng)有限公司;國網(wǎng)河南省電力公司經(jīng)濟技術(shù)研究院
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/06;G06Q50/06;G06N3/04
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 楊媛媛

1.一種基于園區(qū)畫像的園區(qū)負荷預(yù)測方法，其特征在于，所述預(yù)測方法包括如下步驟：

獲取園區(qū)的歷史用戶畫像信息、歷史負荷數(shù)據(jù)、歷史天氣數(shù)據(jù)和歷史節(jié)假日數(shù)據(jù)作為輸入數(shù)據(jù)，獲取每組輸入數(shù)據(jù)對應(yīng)的檢測時間的下一時刻檢測的負荷數(shù)據(jù)作為輸出，，構(gòu)建訓練樣本集；

構(gòu)建園區(qū)負荷預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)模型和長短記憶模型；

利用所述訓練樣本集訓練所述卷積神經(jīng)網(wǎng)絡(luò)模型，獲得訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

利用所述訓練樣本集訓練所述長短記憶模型，獲得訓練后的長短記憶模型；

將訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型與訓練后的長短記憶模型的輸出端與Lasso回歸模型的輸入端連接，構(gòu)建園區(qū)短期負荷預(yù)測模型；

利用所述訓練樣本集對所述短期負荷預(yù)測模型的Lasso回歸模型進行訓練，獲得訓練后的園區(qū)短期負荷預(yù)測模型；

獲取園區(qū)當前時刻的用戶畫像信息、負荷數(shù)據(jù)、天氣數(shù)據(jù)、節(jié)假日數(shù)據(jù)輸入所述訓練后的園區(qū)短期負荷預(yù)測模型，得到下一時刻的負荷預(yù)測值。

2.根據(jù)權(quán)利要求1所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括輸入層、多個隱含層和全連接層；所述隱含層包括多個卷積層和多個池化層。

3.根據(jù)權(quán)利要求1所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測方法，其特征在于，所述利用所述訓練樣本集訓練所述卷積神經(jīng)網(wǎng)絡(luò)模型的過程中利用隨機梯度下降法更新所述卷積神經(jīng)網(wǎng)絡(luò)模型中的權(quán)重和偏置參數(shù)。

4.根據(jù)權(quán)利要求1所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測方法，其特征在于，所述長短記憶模型包括遺忘門、輸入門和輸出門。

5.根據(jù)權(quán)利要求1所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測方法，其特征在于，所述利用所述訓練樣本集訓練所述長短記憶模型的過程中采用自適應(yīng)時刻估計法更新長短記憶模型的權(quán)值參數(shù)和輸入偏置參數(shù)。

6.一種基于園區(qū)畫像的園區(qū)負荷預(yù)測系統(tǒng)，其特征在于，所述識別系統(tǒng)包括：

訓練樣本集構(gòu)建模塊，用于獲取園區(qū)的歷史用戶畫像信息、歷史負荷數(shù)據(jù)、歷史天氣數(shù)據(jù)和歷史節(jié)假日數(shù)據(jù)作為輸入數(shù)據(jù)，獲取每組輸入數(shù)據(jù)對應(yīng)的檢測時間的下一時刻檢測的負荷數(shù)據(jù)作為輸出，，構(gòu)建訓練樣本集；

模型構(gòu)建模塊，用于構(gòu)建園區(qū)負荷預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)模型和長短記憶模型；

卷積神經(jīng)網(wǎng)絡(luò)模型訓練模塊，用于利用所述訓練樣本集訓練所述卷積神經(jīng)網(wǎng)絡(luò)模型，獲得訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

長短記憶模型訓練模塊，用于利用所述訓練樣本集訓練所述長短記憶模型，獲得訓練后的長短記憶模型；

園區(qū)短期負荷預(yù)測模型構(gòu)建模塊，用于將訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型與訓練后的長短記憶模型的輸出端與Lasso回歸模型的輸入端連接，構(gòu)建園區(qū)短期負荷預(yù)測模型；

園區(qū)短期負荷預(yù)測模型訓練模塊，用于利用所述訓練樣本集對所述短期負荷預(yù)測模型的Lasso回歸模型進行訓練，獲得訓練后的園區(qū)短期負荷預(yù)測模型；

預(yù)測模塊，用于獲取園區(qū)當前時刻的用戶畫像信息、負荷數(shù)據(jù)、天氣數(shù)據(jù)、節(jié)假日數(shù)據(jù)輸入所述訓練后的園區(qū)短期負荷預(yù)測模型，得到下一時刻的負荷預(yù)測值。

7.根據(jù)權(quán)利要求6所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測系統(tǒng)，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括輸入層、多個隱含層和全連接層；所述隱含層包括多個卷積層和多個池化層。

8.根據(jù)權(quán)利要求6所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測系統(tǒng)，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型訓練模塊包括：

第一參數(shù)更新子模塊，用于利用隨機梯度下降法更新所述卷積神經(jīng)網(wǎng)絡(luò)模型中的權(quán)重和偏置參數(shù)。

9.根據(jù)權(quán)利要求6所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測系統(tǒng)，其特征在于，所述長短記憶模型包括遺忘門、輸入門和輸出門。

10.根據(jù)權(quán)利要求6所述的基于園區(qū)畫像的園區(qū)負荷預(yù)測系統(tǒng)，其特征在于，所述長短記憶模型訓練模塊包括：

第二參數(shù)更新子模塊，用于采用自適應(yīng)時刻估計法更新長短記憶模型的權(quán)值參數(shù)和輸入偏置參數(shù)。