基于深度混合学习模型的短期电力负荷预测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936208A(43)申请公布日2023.04.07(21)申请号202211531587.XH02J3/00(2006.01)(22)申请日2022.12.01(71)申请人广东电网有限责任公司地址510000广东省广州市越秀区东风东路757号(72)发明人彭勃龚贤夫李耀东徐蔚郑敏嘉林海生张姣廖晖黄玉萍(74)专利代理机构广州三环专利商标代理有限公司44202专利代理师郝传鑫(51)Int.Cl.G06Q10/04(2023.01)G06Q50/06(2012.01)G06N3/045(2023.01)权利要求书2页说明书9页附图4页(54)发明名称基于深度混合学习模型的短期电力负荷预测方法及装置(57)摘要本发明公开了一种基于深度混合学习模型的短期电力负荷预测方法及装置，所述方法包括：获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN‑BiLSTM网络；采用所述特征数据集对所述CNN‑BiLSTM网络进行预测训练，得到预测训练模型；利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；根据所述优化模型预测短期内的电力负荷，得到电力预测结果。本发明可以预先构建包含CNN网络和BiLSTM网络的深度混合学习模型，以及获取电力负荷的特征数据，采用特征数据对深度混合学习模型进行预测训练，并利用鲸鱼优化算法对模型进行预测优化得到电力负荷预测结果，通过结合CNN网络能提升模型对数据的深度挖掘能力，进而提高预测的精度，降低预测的误差。CN115936208ACN115936208A权利要求书1/2页1.一种基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述方法包括：获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN‑BiLSTM网络；采用所述特征数据集对所述CNN‑BiLSTM网络进行预测训练，得到预测训练模型；利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；根据所述优化模型预测短期内的电力负荷，得到电力预测结果。2.根据权利要求1所述的基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型，包括：设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。3.根据权利要求1所述的基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述CNN‑BiLSTM网络，包括：九层网络单元；第一层网络单元为输入层，输入层用户输入n个历史电力负荷数据X＝[x1，x2，…，xn]，N×1每个样本为Xtrain∈R；第二层网络单元和第三层网络单元为BiLSTM层，BiLSTM层的输出矩阵记为B，B∈RN×1；第四层网络单元为组合层，所述组合层包含所述BiLSTM层的输出矩阵B和，训练特征因素Strain，其中，训练特征因素包括：气象因素和日期因素；第五层网络单元、第六层网络单元、第七层网络单元和第八层网络单元为CNN层；第九层网络单元为全连接层。4.根据权利要求1所述的基于深度混合学习模型的短期电力负荷预测方法，其特征在于，所述获取关于电力负荷的特征数据集，包括：获取电力负荷的相关数据集和多维特征参数，所述多维特征参数包括：历史负荷、人口增长率、经济数据、地理环境、预测时刻温度、历史降雨量、风速、相对湿度和日期；对所述相关数据集进行归一化处理，得到归一化数据；利用皮尔逊系数分析法从所述归一化数据中筛选出满足所述多维特征参数的目标数据，得到特征数据集。5.一种基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述装置包括：获取与构建模块，用于获取关于电力负荷的特征数据集，并构建包含多层神经单元的CNN‑BiLSTM网络；训练模块，用于采用所述特征数据集对所述CNN‑BiLSTM网络进行预测训练，得到预测训练模型；优化模块，用于利用鲸鱼优化算法对所述预测训练模型的迭代优化，得到优化模型；预测模块，用于根据所述优化模型预测短期内的电力负荷，得到电力预测结果。6.根据权利要求5所述的基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述优化模块，还用于：设定鲸鱼优化算法的算法参数，所述算法参数，包括：种群数、种群参数、迭代次数和发现者占比；利用初试化算法对所述算法参数进行随机赋值初始化，得到初始化参数；2CN115936208A权利要求书2/2页采用所述初始化参数对所述预测训练模型的迭代训练，得到优化模型。7.根据权利要求5所述的基于深度混合学习模型的短期电力负荷预测装置，其特征在于，所述CNN‑BiLSTM网络，