[发明专利]基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法

说明书

本发明公开了基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，具体包括选取训练数据、验证数据，建立联合神经网络模型，训练联合神经网络模型，将预测样本集输入训练的联合神经网络模型；本发明的方法在超短期电力负荷预测中考虑了负荷和功率的历史数据之间的关联性，采用了LSTM神经网络和全连接神经网络相关联的结构，有效解决了长时依赖问题；本发明还具有算法较简单、运行时间短、预测精度高，为电网的稳定运行提供了坚实保障的优点。

技术领域

本发明属于智能电网控制与电力预测方法技术领域，具体涉及基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法。

背景技术

近年来，我国配电自动化水平的提高和智能配网建设的推进，为配电网复杂化的负荷预测提供了多方面的数据和技术支持。准确的负荷预测可以保证电力系统的稳定性和安全性，提高电网的经济效益和社会效益。

国内外学者已经提出很多关于负荷预测的方法，大致可分为三类：传统优化算法、启发式算法和人工智能算法。其中与负荷预测相关的人工智能算法主要包括小波分析法、遗传算法、模糊理论、支持向量机和人工神经网络等，它以其独特优点得到了广泛的研究。如贾辛淼在《基于小波分析的电力系统短期负荷预测的应用研究》中提出的小波神经网络预测模型，具有较短的学习训练时间和更好的精度；Lin和Tu等提出了粒子群算法优化的最小二乘支持向量机负荷预测模型；Hong等提出了一种用于短期负荷预测的模糊回归模型，该模型考虑了相关性因素。刘春霞等采用人工神经网络的非线性预测能力建立电力负荷预测模型，并利用遗传算法优化神经网络连接权值。

上述方法虽然已被证实在短期负荷预测领域里具有良好的表现，但仍存在一些不足：①支持向量机难以处理大规模训练样本；②小波变换算法通常难以与人工神经网络相结合；③模糊系统不具备自学习能力，模糊规则较多依赖专家经验；④由于城市核心区负荷受相关因素影响大，不同地区负荷呈现不同的规律性，预测方法鲁棒性差；⑤负荷影响因素分析粗糙等问题，导致负荷预测耗时长，预测精准度较差，实用性不强。人工神经网络能够处理海量信息输入，具有自适应自学习能力，在短期负荷预测问题中表现突出，因而成为本发明研究的重点。

发明内容

本发明的目的在于提供基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，能够建立适用性强、预测精度高的预测模型。

本发明采用的技术方案为，基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，具体按照以下步骤实施：

步骤1、将待预测目标的历史数据进行预处理，随机选取80％作为训练数据，20％作为验证数据，同时设置模型网络动态参数：数据批处理尺寸和数据移动窗口大小；

步骤2、以训练数据、验证数据作为输入组，构建模型网络，以LSTM神经网络为第一层，将第一层输出结果作为全连接层的输入构建神经网络，得到联合神经网络模型；

步骤3、将训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output；

步骤4、通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；

同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；

步骤5、利用TensorFlow中Tensorboard将损失函数loss、预测精度值ACC界面实时动态展示；

步骤6、待预测样本集输入已训练的联合神经网络模型，得到预测数据。

本发明的特点还在于：

步骤1预处理是指对数据进行对比处理和归一化处理。