[发明专利]基于mxnet框架深度神经网络的配变负荷预测方法

权利要求书

1.基于mxnet框架深度神经网络的配变负荷预测方法，其特征在于包括以下步骤：

1）获取系统内部数据和外部数据，所述的系统内部数据包括GIS系统数据、PMS2.0、用电采集系统、在线监测系统、营销系统数据，所述的外部数据包括气象、宏观经济数据；

2）对获取的数据进行提炼，获取负荷相关指标数据和历史负荷数据；

3）以台区为单位，通过最优组合预测模型、人工神经网络算法，分别拟合负荷中长期负荷预测模型及短期负荷预测模型；

4）针对负荷预测结果及指标维度，提炼与负荷相关的标签体系，构建台区画像视图；

5）数据通过系统场景应用模块处理后形成对应的负荷特性分析、基于台区的负荷预测及画像体系展示、负荷预测结果多维度分析和负荷预测类标签定制组合分析的数据，并通过人机界面显示。

2.根据权利要求1所述的基于mxnet框架深度神经网络的配变负荷预测方法，其特征在于：在步骤3）中，短期负荷预测模型的训练数据从阿里云odps中提取，其中数据的时间跨度为至少1年；并对原始数据分析，判断是否存在问题，对问题进行处理，完成数据的前期清洗工作以为接下来的建模打好基础；问题包括数据有缺失、有异常值、气象数据与负荷数据为非线性关系、负荷与日期相关性不显著、公变属性不一情形多变；当存在数据缺失时，采用插值填补或者均值填充；当存在数据异常时，采用剔除异常值或者更正异常值的方法；当存在气象数据问题时，通过作图观察查阅文献，采用气温数据开方处理；当存在关于负荷-日期关系问题，采用变量拆分分解成月份和星期变量，由于月份和星期为定性变量，需要作哑变量处理；当存在公变类型多样问题，采用公变聚类和专家意见方法，对公变分类，一类公变一类模型预测。

3.根据权利要求2所述的基于mxnet框架深度神经网络的配变负荷预测方法，其特征在于：建模过程中，采用3层神经网络多节点的参数设置，以提高了模型的预测能力和泛化能力，同时又保证了模型的性能，在神经网络中，采用平方误差训练模型。

4.根据权利要求3所述的基于mxnet框架深度神经网络的配变负荷预测方法，其特征在于：建模过程中，针对配网负荷短期预测，基于MXNET深度学习框架，采用深度神经网络方法进行分析建模；从公变基础信息、历史负荷数据、气象数据以及配变下辖用户信息四个维度构建特征工程，并由此分类，根据不同的类，经过筛选，选择合适的变量，进行适当处理，即为模型的输入层神经元，模型的输出神经元为当天的平均负荷。

5.根据权利要求4所述的基于mxnet框架深度神经网络的配变负荷预测方法，其特征在于：对全部公变按照公变属性分为多个不同的类别，每个类别里，以预测未来1-5天的负荷为目的，建立多个预测模型。

6.根据权利要求5所述的基于mxnet框架深度神经网络的配变负荷预测方法，其特征在于：短期负荷预测模型结果，应用于基于阿里云大数据平台进行部署应用；阿里云将各业务系统的数据同步至ODPS离线数据库中，ODPS中有每天同步更新的模型使用的原始数据，并做数据清理的操作，包括根据地域远近填充气象数据；通过在ECS服务器中安装R及MXNet环境，通过JDBC数据接口将数据读入到R中，在R中对原始数据进行缺失值填补、异常值剔除、变量转换及生成操作，最终得到可输入模型的格式，利用上述训练好的模型进行预测；将预测结果写入RDS数据库中，供业务系统调用及展示，实现对配网公变的短期负荷情况进行即时预测。