[發明專利]一種基于解耦機制的配電線路負荷預測方法

在審

• 申請號: 202111663680.1
• 申請日: 2021-12-31
• 公開（公告）號: CN114330902A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 張家安;李鳳賢
• 申請（專利權）人: 河北工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;H02J3/00;H02J3/14;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 張國榮

1.一種基于解耦機制的配電線路負荷預測方法，其特征在于，該預測方法包括下述步驟：

第一步，獲得同一地區歷史負荷數據以及對應的氣象因素數據和日期因素數據，構成歷史數據集M；其中歷史負荷數據為經固定時間間隔采集到的實際負荷數據，為一個帶時刻標簽的負荷值的時間序列數據，一條歷史負荷數據的時長為一天；

第二步，建立負荷標幺曲線預測模型，具體包括下述步驟：

步驟2.1：基于歷史數據集M，將日最高溫度、日最低溫度、日平均溫度、天氣類型、季節、月份、星期類型、日期類型共8個因素作為分析影響負荷變化的研究對象，通過MIC定量分析各個影響因素與日最大負荷的非線性相關性強弱，計算公式如式(1)-(2)所示：

式中，p(x,y)為隨機變量x和y的聯合概率密度函數，p(x)和p(y)為隨機變量的邊緣概率密度函數；N為數據總數目，B(N)為網格劃分總數的約束條件，B(N)＝N^0.6；MIC取值范圍為[0,1]，兩變量之間的相關性越強，MIC結果越接近于1；

將通過MIC分析，選擇MIC0.3的m個主要因素的數據用于構造日特征向量，待預測日的日特征向量為T₀，選取待測日前p天歷史日作為相似日篩選樣本，以相同方法構造待預測日前p天的m維歷史日特征向量T₁,T₂,…,T_p；

式中，T₀為待預測日特征向量，T_i為第i個歷史日特征向量，T_0k為第k維影響因素特征值；

步驟2.2：計算待預測日與各歷史日影響因素灰色關聯系數，組成灰色關聯矩陣，從而得到待預測日與各歷史日的灰色關聯度；

式中，r_i(k)為第i個歷史日特征向量中第k維影響因素的灰色關聯系數值，ρ為分辨系數，取0.5；r為灰色關聯矩陣；R(i)為第i個歷史日灰色關聯度；

步驟2.3：將步驟2.2中得到的灰色關聯度從大到小排列，選取灰色關聯度最大值所對應的歷史日作為待預測日的相似日，以日最大負荷與日最小負荷為基準值對相似日負荷進行標幺化，得到相似日負荷標幺曲線；

式中，P₀為相似日負荷曲線，P_0max為相似日負荷最大值，P_0min為相似日負荷最小值，P′₀為相似日負荷標幺曲線；

第三步，基于CNN-LSTM混合神經網絡建立日最大負荷預測模型，具體包括以下步驟：

步驟3.1：基于歷史數據集M，將日最高溫度、日最低溫度、日平均溫度、天氣類型、前一天最高溫度、前一天最低溫度、前一天平均溫度、季節、月份、星期類型、日期類型、前一天負荷最大值、前兩天負荷最大值、前三天負荷最大值、前四天負荷最大值、前五天負荷最大值、前六天負荷最大值、前七天負荷最大值共18個因素作為分析影響負荷變化的研究對象，通過MIC定量分析各個影響因素與日最大負荷的非線性相關性強弱，篩選出其中MIC0.3的因素的數據作為特征數據，外加相應的日最大負荷實際值，建立CNN-LSTM混合神經網絡的專用數據集；其中，將專用數據集中待預測日前的數據作為訓練數據集用于訓練神經網絡；

步驟3.2：將訓練數據集中的特征數據作為完成參數初始化的CNN-LSTM混合神經網絡的輸入，以日最大負荷的預測值作為神經網絡輸出，選取均方誤差函數作為網絡損失函數，如式(8)：

式中，P_i為第i個點的日最大負荷實際值，第i個點的日最大負荷預測值，n為訓練數據集中樣本個數；

根據損失函數的值反向調整CNN-LSTM混合神經網絡的參數，若當前網絡參數所得的損失函數的值小于預設值或達到迭代次數，則該網絡參數訓練完成；

步驟3.3：把待預測日的與訓練數據集相同的特征數據輸入到步驟3.2中的完成參數訓練的CNN-LSTM混合神經網絡模型中，得到待預測日的日最大負荷預測值P_premax；

第四步，基于負荷時序特征建立日最小負荷預測模型，具體包括以下步驟：

步驟4.1：統計歷史數據集M中的負荷數據中日最大負荷數據與日最小負荷數據，通過MATLAB軟件，利用ecdf(經驗分布函數)分別求取日最大負荷數據P_max與日最小負荷數據P_min對應的累積分布函數，累積分布函數如式(9)：

式中，P_max、P_min分別為日最大負荷與日最小負荷變量，p₁為P_max落在(0,P₁)內的概率，p₂為P_min落在(0,P₂)內的概率；

步驟4.2：通過MATLAB軟件，利用createFit函數求取日最大負荷與日最小負荷數據累積分布函數的反函數，反函數如式(10)：

步驟4.3：將步驟4.1中得到的日最大負荷累積分布函數的概率值和日最小負荷累積分布函數的概率值構造BiLSTM神經網絡專用數據集；其中，將BiLSTM神經網絡專用數據集中待預測日前的數據作為訓練數據集用于訓練BiLSTM神經網絡；將BiLSTM神經網絡專用數據集中日最大負荷累積分布函數的概率值作為完成參數初始化的BiLSTM神經網絡的輸入，以對應的日最小負荷累積分布函數概率值的預測值作為神經網絡的輸出，選取均方誤差函數作為網絡損失函數；根據損失函數的值反向調整BiLSTM神經網絡的參數，若當前網絡參數所得的損失函數的值小于預設值或達到迭代次數，則該網絡參數訓練完成；

步驟4.4：將第三步得到的待測日負荷最大值P_premax代入日最大負荷累積分布函數中，得到其對應的概率值p₁；將p₁輸入到完成訓練的BiLSTM神經網絡中，得到待測日最小負荷累積分布函數概率值p₂；將p₂帶入日最小負荷累積分布函數的反函數中，得到的值即為待測日負荷最小值P_premin；

第五步，將第二步中得到的待測日負荷標幺曲線與第三步中得到的待測日負荷最大值P_premax以及第四步中得到的待測日負荷最小值P_premin，組合得到待測日負荷曲線：

P＝P′₀*(P_premax-P_premin)+P_premin (11)

式中，P為待測日負荷曲線，P′₀為待測日負荷標幺曲線，P_premax為最大負荷預測值，P_premin為最小負荷預測值。