[發明專利]基于混合深度學習模型的電功率預測方法、系統及設備

在審

• 申請號: 202211383556.4
• 申請日: 2022-11-07
• 公開（公告）號: CN115630286A
• 公開（公告）日: 2023-01-20
• 發明（設計）人: 葉圣永;楊新婷;龍川;李婷;劉立揚;魏俊;劉旭娜;李達
• 申請（專利權）人: 國網四川省電力公司經濟技術研究院
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/10;G06N3/045;G06N3/0442;G06N3/0464;G06N3/047;G06N3/048;H02J3/38;G06F123/02
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 王鵬程

1.一種基于混合深度學習模型的電功率預測方法，其特征在于，包括：

獲取歷史數據構建預測電功率的第一特征數據集，其中所述歷史數據包括功率數據、氣象數據及日期數據；其中利用變分模態分解法對所述歷史功率數據進行變分模態分解，得到功率數據的多模態分量，依據滑動窗口法對功率數據的多模態分量的時間序列進行構造，得到具有時間序列的功率數據，基于具有時間序列的功率數據對第一特征數據集中的功率數據進行更新，得到第二特征數據集；

構建預先訓練好的混合深度學習模型，利用訓練好的混合深度學習模型抽取第二特征數據集的特征向量，得到電功率預測結果；其中，混合深度學習模型依次由卷積神經網絡、注意力機制、門控循環神經網絡和全連接層連接而成。

2.根據權利要求1所述的方法，其特征在于，利用變分模態分解法對所述歷史功率數據進行變分模態分解，得到功率數據的多模態分量，具體為：

以各模態分量中心頻率和最小為目標函數來構造受約束變分模型，其中約束變分問題模型為；

引入拉格朗日乘法算子以及二次懲罰因子，將受約束變分模型變為無約束變分模型；

利用乘法算子交替方法來循環更新無約束變分模型的各個分解信號及其對應的中心頻率，在循環更新的終止條件達到時，得到無約束變分模型的最優解，即功率數據的多模態分量。

3.根據權利要求2所述的方法，其特征在于，所述受約束變分模型的數學表達式為：其中，j為虛數，f(t)為原始輸入信號，δ(t)為狄拉克函數，{μ_k}為分解得到的模態分量，{ω_k}為各模態分量相應的中心頻率，*為卷積運算，k為模態分解數，t為取樣時間；

所述無約束變分模型的數學表達式為：

其中，λ(t)為拉格朗日乘法算子，α為二次懲罰因子，f(ω)、λⁿ(ω)分別為f(t)、λⁿ(t)的傅里葉變化，n為迭代次數，N為最大迭代次數，λⁿ(t)表示第n次迭代的拉格朗日乘法算子，μ_k(t)表示t時刻分解得到的模態分量，表示第n次迭代t時刻分解得到的模態分量；

所述循環更新的終止條件的數學表達式為：其中，表示第n次迭代分解得到的模態分量，表示第n+1次迭代分解得到的模態分量。

4.根據權利要求1所述的方法，其特征在于，所述卷積神經網絡為加入殘差網絡的卷積神經網絡，該卷積神經網絡包含兩個卷積層和一個第二全連接層，每個卷積層包含一個卷積操作和一個池化操作，兩個卷積層順次連接后與第二全連接層連接；

其中卷積層提取所輸入的第二特征數據集的局部特征，得到第一特征向量，其中第一特征向量包括具有時間序列的功率數據的局部特征、氣象數據的局部特征和日期數據的局部特征，第二全連接層對第一特征向量進行歸一化處理，并輸出歸一化處理后的第一特征向量。

5.根據權利要求4所述的方法，其特征在于，所述注意力機制對卷積神經網絡輸出的第一特征向量的局部特征分配不同的權重，得到第二特征向量。

6.根據權利要求5所述的方法，其特征在于，門控循環神經網絡對注意力機制層輸出的第二特征向量潛藏的時序規律進行提取，得到第三特征向量，并由第一全連接層對具有時序規律的第三特征向量進行求和，得到電功率預測結果。