[發(fā)明專利]一種基于園區(qū)畫像的園區(qū)負荷預測方法及系統(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）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: 北京高沃律師事務所 11569
• 代理人: 楊媛媛

本發(fā)明提出了一種基于園區(qū)畫像的園區(qū)負荷預測方法及系統(tǒng)。本發(fā)明采用卷積神經(jīng)網(wǎng)絡模型和長短記憶模型組合的園區(qū)短期負荷預測模型，有效避免了單一模型在訓練過程中存在陷入局部極小值的風險，而且組合有的模型可充分發(fā)揮各自的優(yōu)勢，提高負荷預測的精度。

技術領域

本發(fā)明涉及負荷預測技術領域，特別是涉及一種基于園區(qū)畫像的園區(qū)負荷預測方法及系統(tǒng)。

背景技術

準確的園區(qū)負荷預測是電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟運行的重要前提。能源行業(yè)的數(shù)字化趨勢也為人工智能技術的應用提供了必要條件。同時，機器學習的快速發(fā)展也為負荷預測的提供了全新的解決方案。其中，基于機器學習方法的用戶畫像技術在許多領域獲得廣泛應用，包括精準營銷、精準廣告平臺、信息流推送、各類推薦系統(tǒng)等，在電力系統(tǒng)中通過畫像技術的應用在預測問題、電力市場營銷、市場交易等方面取得顯著效果。另外，深度學習在多個領域有著優(yōu)異實踐效果，相較與傳統(tǒng)淺層模型，深度學習模型往往能獲得更好的學習效果，作為該領域內(nèi)的尖端技術，獲得了工業(yè)界與學術界的廣泛關注，各行業(yè)科研人員并對其內(nèi)涵與相關應用場景進行了深入挖掘。但是，目前深度學習與能源領域的結合仍然有限，在模型訓練過程中存在陷入局部極小值的風險。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于園區(qū)畫像的園區(qū)負荷預測方法及系統(tǒng)，以克服模型訓練過程中存在陷入局部極小值的風險的技術缺陷，提高預測精度。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種基于園區(qū)畫像的園區(qū)負荷預測方法，所述預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)對應的檢測時間的下一時刻檢測的負荷數(shù)據(jù)作為輸出，構建訓練樣本集；

構建園區(qū)負荷預測的卷積神經(jīng)網(wǎng)絡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)絡模型，獲得訓練后的卷積神經(jīng)網(wǎng)絡模型；

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，構建園區(qū)短期負荷預測模型；

利用所述訓練樣本集對所述短期負荷預測模型的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)短期負荷預測模型，得到下一時刻的負荷預測值。

可選的，所述卷積神經(jīng)網(wǎng)絡模型包括輸入層、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。

可選的，所述利用所述訓練樣本集訓練所述卷積神經(jīng)網(wǎng)絡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)絡模型中的權重和偏置參數(shù)。

可選的，所述長短記憶模型包括遺忘門、輸入門和輸出門。

可選的，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時刻估計法更新長短記憶模型的權值參數(shù)和輸入偏置參數(shù)。

一種基于園區(qū)畫像的園區(qū)負荷預測系統(tǒng)，所述識別系統(tǒng)包括：

訓練樣本集構建模塊，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)對應的檢測時間的下一時刻檢測的負荷數(shù)據(jù)作為輸出，，構建訓練樣本集；

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

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