[发明专利]基于深度学习的台区短期负荷预测方法

权利要求书

1.基于深度学习的台区短期负荷预测方法，其特征在于，包括如下步骤：

S1：采集低压配电台区的时序运行数据，其中，所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息；

S2：对所述时序运行数据进行预处理和特征工程工作，其中，所述预处理包括剔除异常数据、填充缺失值和数据标准化，得到数值型数据，所述特征工程工作为按照小时、周、月、是否为工作日、是否为高峰负荷时段5个维度增加时间属性的特征，并采用独热向量编码规则生成稀疏特征向量，得到类别型数据的特征向量；

S3：将所述数值型数据输入到训练好的Seq2Seq-Attention模型中，得到经过Attention模型附加权重的向量序列，之后，将经过全连接网络的类别型数据的特征向量与所述向量序列进行向量合并，并经过激活函数得到负荷预测结果，其中，所述Seq2Seq-Attention模型是在基于LSTM的Seq2Seq模型基础上引入Attention机制后构建的，用于负荷预测。

2.按照权利要求1所述基于深度学习的台区短期负荷预测方法，其特征在于：S1中，剔除异常数据的方法如下：

定义变量A，使用分位数来检测异常数据，并利用公式(1)剔除异常数据：

式中，Q₁和Q₃分别为第一个和第三个四分位数，IQR为四分位数取值范围。

3.按照权利要求1所述基于深度学习的台区短期负荷预测方法，其特征在于：S1中，填充缺失值的方法如下：采用前后量测数据的平均值进行数据填充。

4.按照权利要求1所述基于深度学习的台区短期负荷预测方法，其特征在于：S1中，数据标准化利用公式(2)实现

式中，表示第i个样本的第n个特征，符号E表示期望，符号Std表示方差。

5.按照权利要求1所述基于深度学习的台区短期负荷预测方法，其特征在于：S3之前还包括训练Seq2Seq-Attention模型的步骤，具体包括：

S31：在基于LSTM的Seq2Seq模型基础上引入Attention机制，构建Seq2Seq-Attention模型；

S32：利用训练集样本训练Seq2Seq-Attention模型，并利用验证集样本对模型进行优化，直至得到最优模型，即：训练好的Seq2Seq-Attention模型。

6.按照权利要求5所述基于深度学习的台区短期负荷预测方法，其特征在于：S32中，训练集样本和验证集样本为经过预处理和特征工程工作的数据样本。

7.按照权利要求5所述基于深度学习的台区短期负荷预测方法，其特征在于：S32中，采用均方根误差RMSE作为评价指标。

8.按照权利要求5所述基于深度学习的台区短期负荷预测方法，其特征在于：S32中，采用Adagrad算法对参数进行优化，实现学习率的动态更新。