[發明專利]一種基于QRNN的配電臺區基線負荷預測方法及裝置

在審

• 申請號: 202111352558.2
• 申請日: 2021-11-15
• 公開（公告）號: CN114239911A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 毛田;周保榮;程韌俐;姚文峰;趙文猛;王滔
• 申請（專利權）人: 南方電網科學研究院有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;H02J3/00;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

1.一種基于QRNN的配電臺區基線負荷預測方法，其特征在于，包括以下步驟：

構建基于QRNN網絡的基線負荷預測模型，并選取若干負荷影響因素作為所述基線負荷預測模型的輸入特征向量，以待預測日負荷預測值作為所述基線負荷預測模型的輸出特征向量；

在所述基線負荷預測模型中，對所述輸入特征向量進行數據預處理并將得到的數據集劃分為訓練集、驗證集和測試集，基于預設的預測效果評價指標和預設的超參數對所述訓練集、所述驗證集和所述測試集進行計算，得到預測結果。

2.如權利要求1所述的基于QRNN的配電臺區基線負荷預測方法，其特征在于，所述基于QRNN網絡的基線負荷預測模型的QRNN網絡具體為：

QRNN網絡的卷積部分：

f_t＝σ(W_f*X_t)

o_t＝σ(W_o*X_t)

QRNN網絡的池化部分：

h_t＝o_t⊙tanh(c_t)

其中，f_t，o_t表示m維時間序列卷積得數，符號*表示沿時間步長維度的掩碼卷積，符號⊙表示按元素進行乘法運算；w，W_f，為卷積濾波器，k為卷積濾波器的寬度，表示由個維的輸入特征向量組成，c_t為輸入特征向量的乘法運算值，h_t為運算輸出值。

3.如權利要求1所述的基于QRNN的配電臺區基線負荷預測方法，其特征在于，所述選取若干負荷影響因素作為所述基線負荷預測模型的輸入特征向量，具體為：

選取歷史負荷參數、平均溫度參數、相對濕度參數、日期類型參數、時刻值參數共同作為所述基線負荷預測模型的輸入特征向量。

4.如權利要求1所述的基于QRNN的配電臺區基線負荷預測方法，其特征在于，所述對所述輸入特征向量進行數據預處理并將得到的數據集劃分為訓練集、驗證集和測試集，具體為：

在對輸入所述基線負荷預測模型中的原始特征數據x(i)進行數據預處理時，對所述原始特征數據x(i)進行歸一化處理，使輸入均限制在[0，1]范圍內，歸一化后的輸入數據x₁(i)為：

式中，x_max、x_min分別為原始輸入數據最大值和最小值；

將不超過原始特征數據的數據量15％的空缺值和“NAN”異常值，采用與其相鄰負荷數據的均值進行填充；若出現連續異常數據，則繼續向兩端查找直至非空值；

并將得到的數據集以70％∶15％∶15％的比例劃分訓練集、驗證集和測試集。

5.如權利要求1所述的基于QRNN的配電臺區基線負荷預測方法，其特征在于，所述預設的預測效果評價指標包括：

平均絕對百分比誤差：

均方根誤差：

其中，n為預測點數量，y_i、d_i分別為預測點i負荷真實值和預測值。

6.一種基于QRNN的配電臺區基線負荷預測裝置，其特征在于，包括：

模型建立模塊，用于構建基于QRNN網絡的基線負荷預測模型，并選取若干負荷影響因素作為所述基線負荷預測模型的輸入特征向量，以待預測日負荷預測值作為所述基線負荷預測模型的輸出特征向量；

模型數據處理模塊，用于在所述基線負荷預測模型中，對所述輸入特征向量進行數據預處理并將得到的數據集劃分為訓練集、驗證集和測試集，基于預設的預測效果評價指標和預設的超參數對所述訓練集、所述驗證集和所述測試集進行計算，得到預測結果。