[發明專利]基于卷積長短時記憶神經網絡的用電負荷預測方法及系統

有效

• 申請號: 202010864506.2
• 申請日: 2020-08-25
• 公開（公告）號: CN112152201B
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 張愛群;辛衛東;卞峰;牛蔚然;汪東軍;王瑞琪;王碩;朱國梁;魏姍姍;楊偉進;劉建文;李燕;遲青青;魏嘉萍;王永彬
• 申請（專利權）人: 國網山東綜合能源服務有限公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

1.基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是，包括如下步驟：

獲取待預測用電系統的歷史用電數據并進行預處理；

將預處理后的樣本數據傳輸至訓練好的包含MVCNN模型和ConvLSTM模型的多層神經網絡，輸出預測結果；所述的包含MVCNN模型和ConvLSTM模型的多層神經網絡由超參數配置組合調整多層神經網絡的結構參數，并通過反向傳播算法進行迭代優化，直到經過設定次數的訓練循環之后，達到設定的收斂條件，得到訓練好的模型；所述的調整多層神經網絡的結構參數包括設置不同的視圖數量，數據切分方式以及網絡層數；所述的視圖數量、數據切分方式和網絡層數由用電負荷數據決定；

按照預測結果輸出配電控制方案。

2.如權利要求1所述的基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是：所述預處理包括標準化處理和滑動窗處理。

3.如權利要求1所述的基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是：包含MVCNN模型和ConvLSTM模型的多層神經網絡包括依次連接的MVCNN模型、多層ConvLSTM模型、全連接層、BN層以及輸出層；MVCNN模型的輸出特征圖作為ConvLSTM模型的輸入，ConvLSTM模型輸出的特征圖又作為全連接層的輸入。

4.如權利要求1所述的基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是：將預處理后的樣本數據傳輸至訓練好的包含MVCNN模型和ConvLSTM模型的多層神經網絡，輸出預測結果的方法，包括如下步驟：

卷積層進行卷積運算：將輸入的樣本數據進行切分、提取數據特征后獲得特征圖并進行級聯；

對卷積運算后的數據添加偏置項，并采用激活函數進行激活；

將激活后的特征圖輸入至ConvLSTM模型提取特征，輸入全連接層和BN層；

將經過BN層處理的特征圖，通過線性激活函數在輸出層輸出預測值。

5.如權利要求1所述的基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是：還包括對最終的預測值進行反標準化處理的步驟，將無量綱的數據轉化為與原始數據量綱相同的數據。

6.如權利要求1所述的基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是：對包含MVCNN模型和ConvLSTM模型的多層神經網絡進行訓練的方法，包括如下步驟：

獲取歷史用電數據序列并進行標準化處理；

將標準化后的數據使用滑動窗口處理成具有不同窗口寬度的樣本數據集；

采用MVCNN模型和ConvLSTM模型搭建Multi-view ConvLSTM神經網絡；

根據定義的Multi-viewConvLSTM模型，確定需要搜索的超參數；將預處理后的用電數據輸入至Multi-view ConvLSTM神經網絡進行訓練，獲得超參數數值；

計算損失函數，根據損失函數數值采用網格搜索最佳的超參數配置組合；

根據最佳的超參數配置組合調整多層神經網絡的結構參數，并通過反向傳播算法進行迭代優化，直到經過設定次數的訓練循環之后，達到設定的收斂條件，得到訓練好的模型。

7.如權利要求6所述的基于卷積長短時記憶神經網絡的用電負荷預測方法，其特征是：所述損失函數為預測誤差，根據預測值與真實值確定預測誤差；

或者，收斂條件設定為損失函數值在設定訓練周期內的變化不超過設定值。