[发明专利]基于深度学习的台区短期负荷预测方法

说明书

本发明公开了一种基于深度学习的台区短期负荷预测方法，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，得到数值型数据和类别型数据；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。该基于深度学习的台区短期负荷预测方法，在Seq2Seq‑Attention模型和电力系统大量多维时间序列数据基础之上，基于Seq2Seq‑Attention模型下的台区短期负荷预测方法，能够达到较高的预测准确性。

技术领域

本发明涉及配电网分析领域，特别提供了一种基于深度学习的台区短期负荷预测方法。

背景技术

随着现代电力系统的迅猛发展，大批量电力数据源源不断的出现，致使传统的负荷预测方法已经不能满足当前社会发展需求，引起了供电企业对负荷预测的高度重视。近年来随着大数据和人工智能技术的广泛应用，人们开始考虑利用大数据技术来提高负荷预测精度，这样可以让电力系统更加合理，经济有效地进行日常生产项目的安排。负荷预测从预测的时间尺度上可以分为长期、中期、短期和超短期预测，其中短期负荷预测适用于配电台区级别的负荷预测。

对于短期负荷预测的研究方法主要分为两种，一种是传统的机器学习方法，如支持向量机算法SVM及其高级算法，在处理小样本数据时SVM相对更加快速，但是SVM不能处理大批量数据样本，速度缓慢，因此其适合处理特征维数多，数据集较少的负荷数据。另一种是使用人工神经网络方法，如传统的神经网络及其改进算法，它们对于处理海量数据具有很好的性能。但是负荷数据存在时序特性，而人工神经网络方法只使用全连接层和非线性激活函数，显然，不能够满足负荷预测精度要求。

因此，提出一种新型的短期负荷预测方法，以解决上述问题，成为研究热点。

发明内容

鉴于此，本发明的目的在于提供一种基于深度学习的台区短期负荷预测方法，以解决现有短期负荷预测方法存在的问题。

本发明提供的技术方案是：基于深度学习的台区短期负荷预测方法，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。

进一步优选，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。

进一步优选，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。

进一步优选，S1中，数据标准化利用公式(2)实现