[發明專利]一種空調負荷聚合功率預測方法及系統

在審

• 申請號: 202010514907.5
• 申請日: 2020-06-08
• 公開（公告）號: CN111680838A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 李亞平;姚建國;楊勝春;耿建;王珂;朱克東;錢甜甜;湯必強;劉建濤;郭曉蕊;周競;于韶源
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網江蘇省電力有限公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京寶護知識產權代理有限公司 11703
• 代理人: 齊書田

1.一種空調負荷聚合功率預測方法，其特征在于，包括以下步驟，

第一步，獲取空調負荷聚合數據；

第二步，將所述空調負荷聚合數據分為輸入序列和輸出序列兩部分，對多分支卷積長短時記憶神經網絡模型的訓練，獲得訓練好的權值矩陣W；

第三步，使用訓練好的權值矩陣W初始化多分支卷積長短時記憶神經網絡模塊；輸入前A個溫度值下的負荷聚合數據，經過訓練的權重提取特征后，在最后使用第A個數據的隱層輸出并映射出第A+1個數據的特征矩陣；特征矩陣的通道維度通過卷積操作降維到1通道，長和寬不變，此時輸出的就是第A+1個數據；再將第A+1個數據輸入回所述多分支卷積長短時記憶神經網絡模塊；重復上述操作輸出全部的預測數據。

2.如權利要求1所述的空調負荷聚合功率預測方法，其特征在于，第二步中，通過多分支卷積長短時記憶神經網絡模型學習輸入數據序列X_i＝{x₁,x₂......x₈}的特征變化規律，循環輸出的預測，再與真實的輸出Y_i＝{y₁,y₂......y₄}計算均方差損失值；再利用優化算法減少損失值，反向傳播更新學習的權值矩陣W。

3.如權利要求1所述的空調負荷聚合功率預測方法，其特征在于，第一步中，空調負荷聚合數據為序列兩維向量形式；一個兩維向量表示在當前溫度下的空調數量和不同時刻的負荷聚合值，其中向量第一列為負荷聚合值，第二列為空調數量。

4.如權利要求1所述的空調負荷聚合功率預測方法，其特征在于，第二步中，多分支卷的積長短時記憶神經網絡模型的結構為“編碼-解碼”模型，編碼部分用來學習序列圖的變化特征，解碼部分利用編碼學到的變化特征結合最后溫度下輸入數據來預測下一溫度的數據。

5.如權利要求1所述的空調負荷聚合功率預測方法，其特征在于，

第二步中，多分支卷積長短時記憶神經網絡模型的結構包括：

卷積層，從單層卷積操作增加到5層卷積操作，用于提取更抽象的圖像特征；

激活函數，在前四層卷積后接ReLU激活函數；

門控單元，接收第五層卷積后的權值，并通過不同的所述激活函數激活；遺忘門，通過sigmoid函數映射到0和1，利用權值遺忘記憶細胞部分內容，更新方式使用矩陣對應元素相乘的方法，使待保留的所述權值遺忘記憶細胞部分內容與1相乘不變，待遺忘的所述權值遺忘記憶細胞部分內容與0相乘消失；輸入門，將學習到的新特征加入到記憶細胞，在經過所述激活函數激活后，采用對應元素相加的方法，使新特征被加入到記憶細胞中；輸出門，結合記憶細胞將當前的預測特征輸出，采用tanh激活函數將記憶細胞中待保留的部分映射到1，待遺忘的部分映射為-1，之后與當前的隱藏層特征相乘，獲得當前隱藏層輸出特征圖。

6.如權利要求5所述的空調負荷聚合功率預測方法，其特征在于，

第二步中，控制門和記憶細胞的更新規則如下：

所述遺忘門：f_t＝δ(W_xf*x_t+W_hf*h_t-1+b_f)

所述輸入門：i_t＝δ(W_xi*x_t+W_hi*h_t-1+b_i)

所述記憶細胞：

所述輸出門：

7.如權利要求5所述的空調負荷聚合功率預測方法，其特征在于，

第二步中，對所述遺忘門判斷是否遺忘像素，選用將輸出限制在0到1之間的sigmoid激活函數，輸入門單元由特征輸入和記憶細胞輸入兩個部分組成，均采用sigmoid激活函數；隱藏層輸出先對記憶細胞進行tanh函數激活，再和由sigmoid激活的隱藏層特征相乘，輸出最終的特征圖。