[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010431204.6
• 申請(qǐng)日: 2020-05-20
• 公開（公告）號(hào): CN112001519A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計(jì)）人: 蔣正威;闕凌燕;陳耀軍;胡鐵軍;婁冰;孫志華;史奎山
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)浙江省電力有限公司;浙江華云信息科技有限公司;國(guó)網(wǎng)浙江省電力有限公司寧波供電公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 杭州杭誠(chéng)專利事務(wù)所有限公司 33109
• 代理人: 尉偉敏

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，包括以下步驟：

(1)采集歷史負(fù)載數(shù)據(jù)；

(2)使用多個(gè)并行卷積神經(jīng)網(wǎng)絡(luò)CNN組件來處理歷史負(fù)載數(shù)據(jù)，使深度神經(jīng)網(wǎng)絡(luò)模型自動(dòng)地從原始數(shù)據(jù)中學(xué)習(xí)特征表示，得到序列數(shù)據(jù)；

(3)使用多個(gè)具有不同濾波器大小的并行卷積神經(jīng)網(wǎng)絡(luò)CNN分量，將并行結(jié)構(gòu)引入深度神經(jīng)網(wǎng)絡(luò)模型DNN中；

(4)通過遞歸神經(jīng)網(wǎng)絡(luò)處理序列數(shù)據(jù)得到一個(gè)隱藏的對(duì)應(yīng)狀態(tài)列表；

(5)將其他類型的特征納入到我們的預(yù)測(cè)模型中作為模型的DNN部分的輸入，進(jìn)行負(fù)荷預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟2在深度神經(jīng)網(wǎng)絡(luò)模型DNN的第一層中執(zhí)行特征學(xué)習(xí)和特征提取，使用具有局部連接的接收域的內(nèi)核，充當(dāng)轉(zhuǎn)換輸入信號(hào)的過濾器，從原始輸入中學(xué)習(xí)各種特性，使用多個(gè)并行卷積神經(jīng)網(wǎng)絡(luò)對(duì)歷史負(fù)荷序列進(jìn)行轉(zhuǎn)換，以獲得后續(xù)負(fù)荷預(yù)測(cè)的各種特征。

3.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟3將并行結(jié)構(gòu)引入深度神經(jīng)網(wǎng)絡(luò)模型DNN中，而不是以級(jí)聯(lián)方式疊加到DNN深度神經(jīng)網(wǎng)絡(luò)模型層，深度神經(jīng)網(wǎng)絡(luò)模型DNN從輸入的歷史負(fù)載序列中學(xué)習(xí)更豐富的特性，獲得更豐富的特性。

4.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟4中遞歸神經(jīng)網(wǎng)絡(luò)對(duì)輸入序列{x1,x2,…,xn}使用遞歸式：

h_t＝f(h_t-1，x_t)

x_t是時(shí)間t的輸入，h_t是隱藏狀態(tài)，將其視為所有時(shí)間t之前的輸入。

5.根據(jù)權(quán)利要求4所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟4為解決梯度消失和爆炸問題，長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM引入遞推函數(shù)f，并按以下方式計(jì)算隱藏狀態(tài)：

i_t＝σ(W_I·[h_t-1，，x_t]+b_i)

f_t＝σ(W_f·[h_t-1，，x_t]+b_f)

C_t＝f_t*C_t-1+i_t*C_t

o_t＝σ(W_o·[h_t-1，，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，i_t，f_t和o_t分別是輸入門、遺忘門和輸出門；C_t是單元狀態(tài)，代表候選單元狀態(tài)；W和B是LSTM單元的參數(shù)，通過將輸入序列{x1，x2，…，xn}輸入到RNN中，得到一個(gè)隱藏的對(duì)應(yīng)狀態(tài)列表{h1，h2，…，hn}作為輸出。

6.根據(jù)權(quán)利要求5所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述隱藏狀態(tài)的平均值用作整個(gè)輸入序列的特征表示。

7.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟5中其他類型的特征包括天氣信息、假日以及預(yù)測(cè)的特定時(shí)間和日期。

8.根據(jù)權(quán)利要求7所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述天氣信息通過收集每日最高和最低溫度，并直接使用溫度作為數(shù)值特征的兩個(gè)維度；假日通過獲得每年的公共假日，將它們用作二進(jìn)制特性，其中值1表示一天是假日，而0表示不是假日；預(yù)測(cè)的特定時(shí)間和日期被視為分類特征，并分別以24維和7維向量表示。