[发明专利]一种基于长短期神经网络模型的微电网负荷预测方法

说明书

本发明公开了一种基于长短期神经网络模型的微电网负荷预测方法，涉及微电网负荷预测技术领域，包括步骤：获取聚类间隔最大时各影响因素的权重，并通过双层卷积神经网络提取当前组别中各影响因素中的特征向量；通过优化器优化长短期神经网络，并通过优化后的长短期网络进行特征向量筛选；通过注意力优化对筛选出的特征向量进行加权处理，并获得优化后的特征向量；通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷。本发明通过通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷，采用长短期神经网络解决训练过程中的长时依赖问题。

技术领域

本发明涉及微电网负荷预测技术领域，具体涉及一种基于长短期神经网络模型的微电网负荷预测方法。

背景技术

随着世界科技和经济的高速发展，传统发电方式所带来的环境污染问题日益严重。以风力发电、光伏发电为核心的新能源技术已成为国内外研究的重点。然而可再生能源自身具有相当的随机性和波动性，当大规模接入电力系统时，会对电网稳定性和可靠性造成不良影响。微电网作为一种小规模、分散的独立系统，具有能够自我控制、保护与管理的优点。其相关技术的高速发展给促进新能源的大规模接入，多能源形式的可靠供给提供了可能。对微电网负荷功率进行精确预测，并将其纳入调度计划是提高新型电力系统安全性和经济性的重要保障。

目前，负荷预测主要可以从预测时间尺度、空间尺度、输出形式和概率预测方法四个方面进行划分。其中，按时间尺度可以分为超短期预测、短期预测和中长期预测。按空间尺度可以分为用户级负荷预测、微电网及负荷预测和区域电网级负荷预测。按输出形式可以分为分位点预测、区间预测和概率密度预测。按建模方法可以分为统计类方法和人工智能方法。人工智能具有非常突出的数据挖掘能力和复杂函数逼近能力，在实际工程中受到了广泛应用。其可以自主挖掘负荷及其影响因素隐含特征的能力，使得其已经成为负荷概率预测的主流方法。

然而现有负荷预测方法虽然具有各自的优点，但研究对象都是传统电力系统，缺乏对新能源大量接入下的新型微电网的针对性研究。此外，如何进一步挖掘数据特征，提高预测精度和收敛速度也是一个亟待解决的问题。

发明内容

为了更好的研究微电网在复杂衍生环境下的负荷变化情况，本发明提出了一种基于长短期神经网络模型的微电网负荷预测方法，包括步骤：

S1：采集微电网运行过程中预设组别数量的负荷数据及其对应影响因素的数据；

S2：通过聚类分析将各影响因素进行聚类，并基于聚类结果获取聚类间隔最大时各影响因素的权重；

S3：基于权重信息通过双层卷积神经网络提取当前组别中各影响因素中的特征向量；

S4：通过优化器优化长短期神经网络，并通过优化后的长短期网络进行特征向量筛选；

S5：通过注意力优化对筛选出的特征向量进行加权处理，并获得优化后的特征向量；

S6：通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷；

S7：根据预测结果与实际负荷数据的离散度调节长短期神经网络的参数，并在训练结束前调取下一组别数据并返回S3步骤；

S8：根据训练好后的模型进行微电网负荷预测。

进一步地，所述S1步骤之后，还包括步骤，

S11：通过归一化处理负荷数据和影响因素数据。

进一步地，所述S2步骤中各影响因素的权重通过如下公式获取：

D(ω)＝‖x-N₀(x)^Tω‖-‖x-N₁(x)^Tω‖