[發(fā)明專利]一種基于QRNN的配電臺(tái)區(qū)基線負(fù)荷預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202111352558.2
• 申請(qǐng)日: 2021-11-15
• 公開（公告）號(hào): CN114239911A
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 毛田;周保榮;程韌俐;姚文峰;趙文猛;王滔
• 申請(qǐng)（專利權(quán)）人: 南方電網(wǎng)科學(xué)研究院有限責(zé)任公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;H02J3/00;G06N3/04;G06N3/08
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

本發(fā)明公開了一種基于QRNN的配電臺(tái)區(qū)基線負(fù)荷預(yù)測(cè)方法及裝置，方法包括構(gòu)建基于QRNN網(wǎng)絡(luò)的基線負(fù)荷預(yù)測(cè)模型，并選取若干負(fù)荷影響因素作為所述基線負(fù)荷預(yù)測(cè)模型的輸入特征向量，以待預(yù)測(cè)日負(fù)荷預(yù)測(cè)值作為所述基線負(fù)荷預(yù)測(cè)模型的輸出特征向量；在所述基線負(fù)荷預(yù)測(cè)模型中，對(duì)所述輸入特征向量進(jìn)行數(shù)據(jù)預(yù)處理并將得到的數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，基于預(yù)設(shè)的預(yù)測(cè)效果評(píng)價(jià)指標(biāo)和預(yù)設(shè)的超參數(shù)對(duì)所述訓(xùn)練集、所述驗(yàn)證集和所述測(cè)試集進(jìn)行計(jì)算，得到預(yù)測(cè)結(jié)果。本發(fā)明所提模型結(jié)合了循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，具有精度高、計(jì)算效率高、可并行加速優(yōu)化的特點(diǎn)，滿足了實(shí)時(shí)、海量數(shù)據(jù)下配電臺(tái)區(qū)基線負(fù)荷預(yù)測(cè)的需求場(chǎng)景。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，尤其是涉及一種基于QRNN的配電臺(tái)區(qū)基線 負(fù)荷預(yù)測(cè)方法及裝置。

背景技術(shù)

基線負(fù)荷是用戶不執(zhí)行需求響應(yīng)時(shí)消耗的負(fù)荷，通過其與實(shí)際負(fù)荷的對(duì)比可 以確定用戶負(fù)荷削減量。準(zhǔn)確、高效的基線負(fù)荷預(yù)測(cè)為定量評(píng)估用戶負(fù)荷在需求 響應(yīng)中的削減程度提供基礎(chǔ)，是需求響應(yīng)實(shí)施機(jī)構(gòu)對(duì)參與主體進(jìn)行懲罰或補(bǔ)償費(fèi) 用的一大前提，也是需求響應(yīng)效果事后評(píng)估的依據(jù)之一。

目前，基線負(fù)荷預(yù)測(cè)模型包括日期匹配法、時(shí)間序列法、回歸分析法、人工 智能預(yù)測(cè)法等等，其中，人工智能預(yù)測(cè)方法則主要包含機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí) 方法。近年來，深度學(xué)習(xí)方法以其在高維非線性復(fù)雜系統(tǒng)的強(qiáng)大映射能力，被廣 泛應(yīng)用于用戶基線負(fù)荷預(yù)測(cè)領(lǐng)域，熱點(diǎn)模型諸如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等 深度學(xué)習(xí)模型等。深度學(xué)習(xí)方法可通過多層網(wǎng)絡(luò)逐層學(xué)習(xí)到海量數(shù)據(jù)中的抽象特 征，結(jié)合海量歷史負(fù)荷與天氣、經(jīng)濟(jì)等影響因素?cái)?shù)據(jù)，能夠達(dá)到更高精度的負(fù)荷 預(yù)測(cè)效果，然而，大規(guī)模網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練對(duì)運(yùn)算速率帶來更大挑戰(zhàn)。

發(fā)明內(nèi)容

本發(fā)明提供一種基于QRNN的配電臺(tái)區(qū)基線負(fù)荷預(yù)測(cè)方法，能夠有效提高基 線負(fù)荷預(yù)測(cè)精度、效率與實(shí)時(shí)性。

為了解決上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種基于QRNN的配電臺(tái)區(qū) 基線負(fù)荷預(yù)測(cè)方法，包括以下步驟：

構(gòu)建基于QRNN網(wǎng)絡(luò)的基線負(fù)荷預(yù)測(cè)模型，并選取若干負(fù)荷影響因素作為 所述基線負(fù)荷預(yù)測(cè)模型的輸入特征向量，以待預(yù)測(cè)日負(fù)荷預(yù)測(cè)值作為所述基線負(fù) 荷預(yù)測(cè)模型的輸出特征向量；

在所述基線負(fù)荷預(yù)測(cè)模型中，對(duì)所述輸入特征向量進(jìn)行數(shù)據(jù)預(yù)處理并將得到 的數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，基于預(yù)設(shè)的預(yù)測(cè)效果評(píng)價(jià)指標(biāo)和預(yù)設(shè) 的超參數(shù)對(duì)所述訓(xùn)練集、所述驗(yàn)證集和所述測(cè)試集進(jìn)行計(jì)算，得到預(yù)測(cè)結(jié)果。

作為進(jìn)一步改進(jìn)，所述基于QRNN網(wǎng)絡(luò)的基線負(fù)荷預(yù)測(cè)模型的QRNN網(wǎng)絡(luò) 具體為：

QRNN網(wǎng)絡(luò)的卷積部分：

f_t＝σ(W_f*X_t)

o_t＝σ(W_o*X_t)

QRNN網(wǎng)絡(luò)的池化部分：

h_t＝o_t⊙tanh(c_t)

其中，表示m維時(shí)間序列卷積得數(shù)，符號(hào)*表示沿時(shí)間步長(zhǎng)維度的掩碼 卷積，符號(hào)⊙表示按元素進(jìn)行乘法運(yùn)算；為卷積濾波器，k為卷積 濾波器的寬度，表示由個(gè)維的輸入特征向量組成，c_t為輸入特征向量的乘 法運(yùn)算值，h_t為運(yùn)算輸出值。

作為進(jìn)一步改進(jìn)，所述選取若干負(fù)荷影響因素作為所述基線負(fù)荷預(yù)測(cè)模型的 輸入特征向量，具體為：

選取歷史負(fù)荷參數(shù)、平均溫度參數(shù)、相對(duì)濕度參數(shù)、日期類型參數(shù)、時(shí)刻值 參數(shù)共同作為所述基線負(fù)荷預(yù)測(cè)模型的輸入特征向量。