[发明专利]一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法

说明书

本发明公开了一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法，包括步骤：获取已知饱和负荷密度的元胞特征与饱和负荷密度，得到负荷元胞样本库；分析空间负荷元胞多源信息的属性，进行待测元胞的数据预处理；将用地性质分别代入到负荷元胞样本库数据和待测元胞的数据中；采用深度学习算法中的基于栈式降噪的自编码器，选择适当的激活函数，对数据进行网络训练及多属性特征提取；输入到回归器内进行负荷的特征提取与负荷预测。本发明提出的基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法，具有一定的可行性与有效性，在进行空间负荷预测时较传统的算法提取性能更优。

技术领域

本发明涉及电力系统领域，特别是涉及一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法。

背景技术

负荷预测在电力系统规划中属于基础性工作。负荷预测结果是进行电力平衡的依据和基础，对负荷的大小和位置分布进行较为精细的预测有利于配电网设备的合理优化配置，从而促进电力系统的精益化规划。如何对负荷空间分布进行精准预测，是目前电力系统负荷预测中需要解决的问题。

基于地块元胞进行供电区域内负荷大小与位置分布预测的空间负荷预测在配电网规划中得到了广泛应用，其中基于智能算法的负荷密度指标法基于实际的地块样本，克服了传统方法对于规划人员主观经验的依赖性，适合在用地规划明确、元胞地块样本充足的情况下使用，其预测精度取决于是否对元胞属性进行了充分挖掘和是否对元胞进行了正确分类。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测的方法。

本发明采用以下的技术方案：

一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测的方法，包括如下步骤：

获取已知饱和负荷密度的元胞特征与饱和负荷密度，得到负荷元胞样本库；

分析空间负荷元胞多源信息的属性，根据待测元胞的特征，进行待测元胞的数据预处理；

将用地性质分别代入到负荷元胞样本库数据和待测元胞的数据中；

采用深度学习算法中的基于栈式降噪的自编码器的网络，选择适当的激活函数，对数据进行网络训练及多属性特征提取；

输入到回归器内进行负荷的特征提取与负荷预测。

上述技术方案中，所述的元胞特征包括元胞所在地的气象特征、用地性质特征和区位特征。

所述的分析空间负荷元胞多源信息的属性并进行数据预处理，包括：

根据地块的不同用地性质，将样本库按用地性质分类分别开展预测，用地性质属性不作为模型输入，将其余属性进行数据处理，这些属性中包括结构化与非结构化的属性，对于结构化属性，以0-1二值逻辑、多值逻辑或数值表示，对于以文本为载体的非结构化属性进行结构化处理。

采用深度学习算法中的基于栈式降噪自编码器，选取ReLU函数作为SDAE网络的激活函数，对网络进行如下改造：

正向传播：

反向传播：

其中

其中

式中：x为输入值，为第ly层的输出值，为第ly层中输出i对输入j的权值，为第ly层中输出i对输入j的权值变化量，LY为总层数，E_sj为深度学习网络中的损失函数；

此外，在SDAE顶层叠加一个回归器，通过对SDAE进行训练，即可输出回归的结果，开展空间负荷预测。

本发明提供的技术方案的有益效果：