[发明专利]一种基于RNN-RBM的配网馈线长期负荷预测方法

说明书

申请涉及电力系统技术领域，尤其涉及一种基于RNN‑RBM的配网馈线长期负荷预测方法；所述预测方法包括：获取配网馈线历史负荷数据，并对其进行数据预处理；提取所述配网馈线历史负荷数据中用于配网馈线长期负荷预测的特征，所述特征包括自上而下特征和自下而上特征；将所述配网馈线历史负荷数据和所述特征输入至循环神经网络RNN‑受限玻尔兹曼机RBM中，对所述RNN‑RBM中的模型进行训练，得到负荷预测网络混合模型；将所述配网馈线历史负荷数据输入至所述负荷预测网络混合模型，得到对配网馈线长期负荷的预测值；根据评价指标，对所述预测值进行评估，完成配网馈线长期负荷预测；以解决现有配网馈线长期负荷预测准确率低，特征考虑不全面的问题。

技术领域

本申请涉及电力系统技术领域，尤其涉及一种基于RNN-RBM的配网馈线长期负荷预测方法。

背景技术

由于中长期负荷预测受多种因素的交互影响，例如政治、经济、气候等，而且时间跨度长，中长期负荷预测精度始终不理想。若高估长期电力需求，将使多余的电力设施建设投资遭到浪费，不利于社会经济绿色低碳发展；若低估长期电力需求，将导致生产不足和不能满足电力需求，限制国民经济发展。因此，电网规划部门应该充分认识中长期负荷预测的重要性及其指导意义，做到既不高估也不低估，实现电网的合理绿色发展，支撑社会经济发展。

目前，主要用于预测长期负荷的方法有自上而下预测模式和自下而上预测模式。其中，自上而下预测模式侧重于预测整体层面的用电量。例如，采用单变量回归模型ARIMA(Autoregressive Integrated Moving Average，差分整合移动平均自回归)模型直接分析负荷变化趋势，但存在忽略经济、人口和天气等外部因素(即，特征)驱动力的不足。为解决这一不足，有学者引入多元回归模型，如模糊神经网络(Fuzzy Neural Networks，FNN)，BP神经网络和随机森林模型等，在分析这些特征与负荷变化之间的关系时，通过引入多元回归模型能较好反映预测区域负荷整体水平的场景，但应用在具体配电馈线预测时存在明显不足。主要表现为：在整体负荷分配给各个馈线的过程中，无法明确确定各个馈线之间的关系。同时，由于配电线路峰值需求受大负荷的影响大，导致各个馈线负荷与整体负荷有较大偏差，具体配电馈线负荷预测准确率低。

而自下而上预测模式是通过收集底层馈线负载信息来进行预测。直接通过统计用户负荷以获得负载信息，通过负荷的预期值来估计每年馈线的负荷变化。但在实际工作中大客户负载变化对馈线负荷变化的影响非常大。由于大客户信息不可靠和大客户计划在负荷预测期间发生变化，也会影响负荷预测，使预测结果不准确。针对大客户负载变化影响馈线负荷预测，相关文献提出了一种基于子负荷预测的方法，先将子负荷分别预测，然后再聚合到更高的级别进行集群预测，但此类方法未考虑到外部因素(即，特征)对负荷变化的影响。

发明内容

本申请提供了一种基于RNN-RBM的配网馈线长期负荷预测方法，以解决现有配网馈线长期负荷预测准确率低，特征考虑不全面的问题。

本申请的实施例是这样实现的：

本申请实施例提供一种基于RNN-RBM的配网馈线长期负荷预测方法，包括：

获取配网馈线历史负荷数据，并对其进行数据预处理；

提取所述配网馈线历史负荷数据中用于配网馈线负荷预测的特征，所述特征包括自上而下特征和自下而上特征；

将所述配网馈线历史负荷数据和特征输入至循环神经网络RNN-受限玻尔兹曼机RBM中，对所述RNN-RBM中的模型进行训练，得到负荷预测网络混合模型；

将所述配网馈线历史负荷数据输入至所述负荷预测网络混合模型，得到对配网馈线长期负荷的预测值；

根据评价指标，对所述预测值进行评估，完成配网馈线长期负荷预测。