[发明专利]一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法

说明书

本发明提供了一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，该方法包括：首先，通过截取某段电网负荷数据构造数据集，输入Lstm算法生成Lstm模型。接着，另截取一段电网数据其中包括工况及负荷数据。选取负荷数据构建Lstm数据集，输入Lstm模型得到负荷预测结果。然后，将预测负荷结果与工况数据融合构造新的数据集，将数据集输入Gcforest算法生成Gcforest模型。最后，将应用数据负荷数据集输入Lstm模型得到负荷预测结果，将负荷预测结果与应用数据工况数据融合后输入Gcforest模型得到最终应用负荷结果。通过Lstm循环神经网络学习具有长短期依赖知识的能力，以及深度森林对非线性属性特征提取的能力，在配变负荷预测场景中使用Lstm‑Gcforest组合模型能够更精准的预测配变负荷状况。

技术领域

本发明涉及配变负荷预测技术领域，具体为一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法。

背景技术

配变负荷预测是电力系统调度中的一个重要环节。负荷预测的准确与否关系到电力系统规划、运行、安全、可靠等重要问题。然而，目前我国电网还存在着许多难以适应国民经济增长和满足人民生活需要的问题，诸如供电网规划不合理、电力供应不足、资源利用不协调、安全可靠性不高等。要有效解决这些问题，最为关键的一步工作就是要做好配变的负荷预测。

当前配变负荷预测技术主要有三类：一类是经典技术，如：单耗法、弹性系数法、等；另一类是现代预测技术，如：灰色预测法、人工神经网络法、模糊预测法等。上述负荷预测方法和预测技术已经取得了重要的研究成果，但依旧没有一个通用的方法可适用于解决所有的负荷预测问题，也并无一个预测方法能保证优于其它任何一个方法，且都存在实时预测精度低，推广难度大等不足。这主要是因为：(1)当前负荷预测技术在算法设计上还存在许多的不足，仅仅局限在弱机器学习算法上；(2)电力系统的数据具有强非线性、时变性、大量数据特征未确切可知等特点；(3)由于各个地区经济、人口等发展不平衡及地理位置的差异性，导致不同地区电网负荷存在着很大的差异性，电力系统负荷预测表现出动态性和不确定性。

发明内容

配变负荷预测是电力系统中的一个重要组成部分，若能精准的预测未来的配变负荷情况，将可以为电力系统规划以及决策提供极大的帮助。本文基于机器学习方法，提出了一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，能够更精准的预测配变负荷状况。

为实现上述目的，本发明提供如下技术方案：一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，包括以下步骤：

(1)从配网信息管理系统历史数据集中抽取某台变压器长度为n的负荷取值时间序列数据，记为其中t₁,t₂,…t_n代表前驱后续的n个时间点；

(2)按照顺序从时间序列数据中抽取指定长度为L的(n-L+1)段数据序列，构成如下(n-L+1)行×L列的二维矩阵J₁：

(3)将J₁中第L列时间数据进行纵向上移p个长度，得到二维矩阵J₂′：

(4)将第L列缺失数据的(n-L+2-p)至(n-L+1)共p行数据进行删除，生成新的二维矩阵J₂：

(5)将矩阵J₂每行数据分别代入Lstm神经网络模型进行训练，其中矩阵J₂数据的第1列至第L-1列作为输入，第L列作为输出代入，训练完成后保存Lstm算法对应模型记为L_p_Model；