基于耦合特征矩阵时序片段分析的综合负荷短期预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907118A(43)申请公布日2023.04.04(21)申请号202211409152.8G06N3/0464(2023.01)(22)申请日2022.11.11G06N3/0442(2023.01)G06F18/23(2023.01)(71)申请人合肥工业大学G06N3/08(2023.01)地址230009安徽省合肥市包河区屯溪路193号申请人国网安徽省电力有限公司电力科学研究院(72)发明人张磊仇茹嘉王小明吴红斌徐斌谢毓广滕越彭勃毕锐(74)专利代理机构安徽省合肥新安专利代理有限责任公司34101专利代理师陆丽莉何梅生(51)Int.Cl.G06Q10/04(2023.01)G06Q50/06(2012.01)权利要求书3页说明书7页附图2页(54)发明名称基于耦合特征矩阵时序片段分析的综合负荷短期预测方法(57)摘要本发明公开了一种基于耦合特征矩阵时序片段分析的综合负荷短期预测方法，包括：1、采集原始数据并归一化，将负荷数据整理为负荷耦合特征矩阵的形式，通过滑动时窗重组构建负荷耦合特征矩阵和外部参数的时序片段样本；2、通过3DCNN网络同时提取样本时序特征和负荷形式耦合特征，利用FCM聚类进行聚类分析；3、基于多任务学习框架结合LSTM网络，构建LSTM‑MTL模型实现综合负荷预测，利用隶属度搜索的机制迭代重构训练集和验证集，提高最终预测性能。本发明针对能源耦合形式复杂影响综合负荷预测性能的问题，通过对耦合特征矩阵的时序片段样本进行聚类分析，增强了负荷波动特征提取能力，从而有效提高综合负荷的预测精度。CN115907118ACN115907118A权利要求书1/3页1.一种基于耦合特征矩阵时序片段分析的综合负荷短期预测方法，其特征在于，是按如下步骤进行：步骤一、基于滑动时窗构建负荷耦合特征矩阵和外部参数的时序片段数据；步骤1.1、从综合能源系统中获取综合负荷的历史数据序列和相关外部影响因素的历史数据序列，并分别进行归一化处理，相应得到历史耦合特征矩阵和历史相关外部影响因素矩阵，其中，采样时刻t的耦合特征矩阵记为Lt，且Lt＝{lt(nL1,nL2)|nL1＝1,2,3；nL2＝1,2,3}；采样时刻t的相关外部影响因素矩阵记为pt，且Pt＝{pt(nP)|nP＝1,2,…,NP}，其中，nL1和nL2分别取值1、2、3，相应代表三种负荷形式，即电负荷、热负荷和天然气负荷；lt(nL1,nL2)表示在采样时刻t由第nL1种负荷形式向第nL2种负荷形式转化的负荷量；当nL1＝nL2时，lt(nL1,nL2)表示采样时刻t第nL1种负荷形式未经转换直接在用户侧消耗的功率；pt(nP)表示采样时刻t的第nP种外部影响因素；NP表示所考虑的外部影响因素种类数；步骤1.2、设置时间长度tTW作为时窗长度，将时窗在历史负荷耦合特征矩阵上进行滑动；每滑动一个采样步长tS，获得一个采样时刻t的耦合特征时序片段数据其中，tn表示当前时窗下的采样时刻，Tn＝tTW/tS表示时序片段数据中的采样点数目；表示当前时窗下的采样时刻tn的耦合特征；步骤1.3、将时窗在历史相关外部影响因素矩阵上进行滑动，每滑动一个采样步长tS，获得一个采样时刻t的外部影响因素时序片段数据表示当前时窗下的采样时刻tn的外部影响因素；步骤1.4、对历史耦合特征矩阵和历史相关外部影响因素矩阵进行重构后，得到时序片段样本数据集其中，表示采样时刻t的时序片段样本，TD为历史数据的采样时刻总数，令TS表示时序片段样本的总数，且TS＝TD‑Tn+1；步骤二、基于3D‑CNN网络和FCM方法进行聚类分析；步骤2.1、构建3D‑CNN网络，并包括数据输入层、卷积层、池化层和输出层；并采用3D‑CNN网络对采样时刻t的耦合特征时序片段数据进行特征提取：步骤2.2、所述卷积层通过所述输入层接收维度为3×3×Tn的并利用式(1)对conv进行处理，得到维度为2×2×(Tn‑2)的相邻时刻耦合特征out；conv式(1)中：为相邻时刻耦合特征out中宽为i高为j深为k位置的耦合特征；wI,J,K为所述卷积层中形式为2×2×3的卷积核在宽为I高为J深为K位置的权重；inI+i‑1,J+j‑1,K+k‑1为中宽为I+i‑1高为J+j‑1深为K+k‑1位置的数据；bias为待训练的网络偏置；ReLU为激活函数；步骤2.3、所述池化层利用式(2)对邻时刻耦合特征outconv沿深度K进行处理，得到维度pool为Tn‑2的一维耦合特征数组out，并作为采样时刻t的时序片段样本对应的时2CN115907118A权利要求书2/3页TSS序片段特征Ft，从而由输出层输出；式(2)中：为所述池化层利用维度为2×2的平均池化方式得到在深度