一种考虑大量弹性负荷的并行短期负荷预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115986730A(43)申请公布日2023.04.18(21)申请号202211699232.1(22)申请日2022.12.29(71)申请人长春工业大学地址130012吉林省长春市朝阳区延安大路17号(72)发明人董吉哲罗龙李恪禹陆哲勤姜益文张琪(51)Int.Cl.H02J3/00(2006.01)G06N3/045(2023.01)G06N3/0464(2023.01)G06N3/048(2023.01)G06Q10/04(2023.01)G06Q50/06(2012.01)权利要求书2页说明书8页附图3页(54)发明名称一种考虑大量弹性负荷的并行短期负荷预测方法(57)摘要本发明为一种考虑大量弹性负荷的并行短期负荷预测方法，属于电气工程技术领域。针对含有高水平弹性负荷的系统，提出的一种电力负荷预测模型。该模型由3种结构组成：一维卷积网络结构、并行预测结构和深度残差网络结构。首先，1D卷积网络结构对一些输入项执行特征提取，减少了信息冗余。然后使用并行预测结构来模拟基本负荷和弹性负荷预测，解决了弹性载荷问题，使模型性能的进一步提高。最后采用深度残差网络结构来提高模型的泛化能力，防止梯度消失。所提出的模型在北美公用事业数据集、ISO‑NE数据集和马来西亚数据集上进行了评估。数值结果表明，与现有模型相比，该模型具有可靠的性能和较高的泛化能力。CN115986730ACN115986730A权利要求书1/2页1.一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，包括如下步骤：S1：获取历史电力负荷数据；S2：使用、、、、、、、、、、,11个输入项作为模型输入；S3：按照模型输入要求对电力负荷数据集进行整理；S4：对数据集进行线性变换归一化处理；S5：进行神经网络模型训练；S6：对神经网络模型实施集成策略；S7：将神经网络模型的输出值进行反归一化处理，得到电力负荷预测值。2.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S2中，11个输入项分别是指：是第二天第h小时之前最近的24小时的负荷，尺寸为24，是第二天之前第4、8、12、16、20、24周的第h小时的负荷，尺寸为6，是第二天之前第1、2、3、4周的第h小时的负荷，尺寸为4，是第二天之一周每天的第h小时的负荷，尺寸为7，是第二天之前第4、8、12、16、20、24周的第h小时的温度，尺寸为6，是第二天之前第1、2、3、4周的第h小时的温度，尺寸为4，是第二天之一周每天的第h小时的温度，尺寸为7，为第二天第h小时的实际温度，尺寸为1，是季节的独热编码，尺寸为4，是区分工作日/周末的独热编码，尺寸为2，是区分节假日/非节假日的独热编码，尺寸为2。3.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S4中，线性变换归一化计算方法为：(1)其中，和分别表示数据中最大值和最小值，表示归一化后的数值。4.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S5中，神经网络模型由一维卷积网络结构、并行预测结构和深度残差网络结构3种结构组成：一维卷积网络结构，应用在输入项的部分后面，用于对这些输入进行特征提取，其结构具体如下：（1）一维卷积层：用于提取输入的不同特征；（2）一维平均池化层：池化层具有三个作用：特征不变性、特征降维和过拟合预防；（3）压平层：采用一维输入代替多维输入，结构更容易嵌入到后续结构中；并行预测结构，由基础负荷预测部分和弹性负荷预测部分两部分组成，最后，根据叠加规则重构负荷预测；深度残差网络结构，由残差块组成，一个残差块由两个全连接层和一个加层组成，第一个全连接层有20个节点，以"缩放指数线性单元"为激活函数；第二个全连接层有24个节2CN115986730A权利要求书2/2页点，以"线性函数"为激活函数，在残差块中，学习的是到的映射，残差块的具体表示为：(2)通过叠加残差块来构建深度残差网络，如果叠加个残差块，这种结构的前向传播可以表达为：(3)其中，为深度残差网络的输入,为深度残差网络的输出，表示第个残差块的权重，反向传播的误差可以计算得出：(4)其中，表示深度残差网络的总误差，表示深度残差网络的快捷方式连接，梯度可以完整传播，即使残差网络的梯度非常小，由于快捷方式连接的存在，梯度也不会消失，使训练深度神经网络成为可能。5.如权利要求1所述的一种考虑大量弹性负荷的并行短期负荷预测方法，其特征在于，在步骤S6中，集成策略的步骤如下所述：S61：将模型训练次数设置为1000；S62：当第500次训练时首次保存模型权重和偏置参数，在之后的训练，模型训练50次重新保存一次，直至模型训练结束；S63：对模型