[发明专利]一种基于神经网络的切负荷预测方法及系统

说明书

本发明属于电网风险分析与评估技术领域，提供了一种基于神经网络的切负荷预测方法及方法。该方法包括，将预处理后的历史电网系统状态场景参数数据集划分为测试集、训练集和验证集；基于训练集对切负荷预测模型进行反向传播训练，在满足设定的迭代次数时，采用验证集对切负荷预测模型的训练效果进行验证，根据切负荷预测模型在验证集上的表现调整切负荷预测模型的网络参数，直到调整后的切负荷预测模型满足设定的要求，得到训练好的切负荷预测模型；基于电网系统状态场景运行数据，采用测试集验证准确率达标后的训练好的切负荷预测模型，得到切负荷的结果。

技术领域

本发明属于电网风险分析与评估技术领域，尤其涉及一种基于神经网络的切负荷预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

经过多年的发展，从简单人工神经网络到深度学习中的各类深度神经网络，神经网络一直以其独有的特性傲立于算法世界的一角。神经网络具有很广的应用范围，从简单的线性拟合、非线性拟合，到近几年蓬勃发展的人脸识别、语音识别、语义识别等，都少不了神经网络的身影。神经网络凭借其善于求解复杂问题的特性，以及广泛的适用范围，在电力系统领域也有着重要的应用。

在电力系统的可靠性评估中，需要进行大量的切负荷运算，为了提高模型快速投运的能力，考虑精简模型结构，达到快速训练的目的。CNN相对于传统神经网络的显著优势在于提取特征的同时可以降低维数，这个工作是由卷积层和池化层来完成的。池化层的作用是一方面作为下采样方法对数据进行降维，一方面是引入平移不变性，这在分类问题中是十分重要的。在电力系统规模不是十分巨大的时候，对学习过程中的降维需求并不高，而且在主要考虑回归输出时，系统任务对位置更敏感。因此，现有的CNN网络仍然不能满足切负荷预测的准确率和效率。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于神经网络的切负荷预测方法及系统，其能够提高切负荷计算的准确率和效率。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于神经网络的切负荷预测方法。

一种基于神经网络的切负荷预测方法，包括：

将预处理后的历史电网系统状态场景参数数据集划分为测试集、训练集和验证集；

基于训练集对切负荷预测模型进行反向传播训练，在满足设定的迭代次数时，采用验证集对切负荷预测模型的训练效果进行验证，根据切负荷预测模型在验证集上的表现调整切负荷预测模型的网络参数，直到调整后的切负荷预测模型满足设定的要求，得到训练好的切负荷预测模型；

基于电网系统状态场景运行数据，采用测试集验证准确率达标后的训练好的切负荷预测模型，得到切负荷的结果。

进一步的，所述切负荷预测模型包括：改进的快速回归卷积神经网络或者改进的联合卷积神经网络。

进一步的，所述改进的快速回归卷积神经网络包括：依次连接的三层卷积、全连接层和输出层，采用反向传播算法调整改进的快速回归卷积神经网络的网络参数大小。

进一步的，采用均方根误差函数作为损失函数优化改进的快速回归卷积神经网络的模型的性能。

进一步的，所述改进的联合卷积神经网络包括：分类器和回归器，所述分类器的输出层经Softmax函数得到的结果与回归器的输出层经线性函数得到的结构进行联合评判，得到切负荷的结果；其中，联合评判的标准是：分类器给出的评判结果作为是否切负荷的主要依据，结合回归器给出的结果，得到是否切负荷、切多少负荷。