[发明专利]配电网边缘侧负荷辨识方法、装置和终端设备

权利要求书

1.一种配电网边缘侧负荷辨识方法，其特征在于，包括：

获取原始数据集，将所述原始数据集划分为日负荷训练数据集和日负荷验证数据集；所述原始数据集包含天气数据、时间数据、历史分时刻负荷数据以及日总负荷数据；

基于所述日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值；计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集；基于所述层间过渡数据集训练分时刻负荷预测模型；

基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。

2.根据权利要求1所述的配电网边缘侧负荷辨识方法，其特征在于，所述于所述日负荷训练数据集对日总负荷预测模型进行训练，包括：

设置日总负荷预测模型的隐藏层层数的初始值，隐藏层每层的节点数的初始值，在训练过程中根据所述日总负荷预测模型的收敛情况以及预测效果对隐藏层和节点数进行试凑；

设置所述日总负荷预测模型的激活函数、迭代次数和初始学习率；

所述日总负荷预测模型根据所述激活函数正向计算各层节点输入值和神经节点传播权重，根据反向传播算法反馈误差对神经节点传播权值进行更新优化，直至超出所述迭代次数之前所述日总负荷预测模型的损失函数值收敛，其中，所述损失函数为预测值与实际值的差值；

所述日总负荷预测模型的输入节点包括日最高温度、最低气温、日平均气温、相对湿度、降雨量、周几、是否节假日以及过去一周内每隔预设时长采集一次的多个历史负荷值信息，输出节点为预测日的日总负荷。

3.根据权利要求2所述的配电网边缘侧负荷辨识方法，其特征在于，所述节点数的设置公式为：

其中，n₁代表初始隐藏层节点数，n代表预测网络输入层节点数，m代表预测日总负荷网络输出层节点数，c∈[1,10]的自然数。

4.根据权利要求1所述的配电网边缘侧负荷辨识方法，其特征在于，所述计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，包括：

将天气数据和时间数据表示为多维特征输入变量X＝(X₁,X₂,…,X_M)，输出历史分时刻负荷序列中的峰值为Y，输入变量每个维度变量X_i与输出Y之间的互信息值为MI(X_i,Y)：

其中，ψ函数为Psi(Digamma)函数，ψ函数的自变量n为X与Y合并数据集的总样本数量，n_x(i)表示数据集X中距离X与Y合并数据集中第i个点X_i小于的近邻点数，di为X_i与X_i的k近邻之间的距离，n_y(i)表示数据集Y中距离X与Y合并数据集中第i个点X_i小于的近邻点数；

将(X_i,Y)随机分成s个互斥且近似的子集U1、U2、……、Us，去掉第j个子集Uj，由剩余子集组成数据集Ωremain_j，其中的输入为X_ij，随机置换Y得到Y_j,π,设定k∈[1,30]，k为整数，计算k取每一个值时，数据集Ωremain_j且j∈[1,s]中的X_ij与Y之间的互信息值MI(X_j,Y)，以及X_ij与Y_j,π之间的互信息值MI(X_j,Y_j,π)，并计算MI(X_j,Y)和MI(X_j,Y_j,π)的分布，对所述分布进行z检验，使z_k最大的k即为第i维输入变量X_i对应的k值；z检验的公式为：

式中，μ_k和μ_k,π分别代表互信息MI(X_j,Y)和MI(X_j,Y_j,π)的均值，σ_k和σ_k,π分别代表MI(X_j,Y)和MI(X_j,Y_j,π)的标准差，N代表互信息值的个数；

根据互信息MI(X_i,Y)公式和确定的k值，计算每个维度变量X_i与输出Y之间的关联程度。