[发明专利]一种基于深度学习的微电网短期负荷预测方法

权利要求书

1.一种基于深度学习的微电网短期负荷预测方法，基于以下定义：

定义1，数据区块：数据区块分为两大块：训练块和测试/预测块；训练块包含训练网络所需的训练数据，对CNN网络训练而言包含典型历史发电数据和天气标签(labels)的数据包，对LSTM网络而言，为包含发电数据预测所需要的数据和时间点实际负荷值的数据包；测试/预测块包含进行测试或者进行负荷预测所需的测试/待预测数据，对以CNN为基础的深度学习分类网络而言，其数据包格式与训练块在CNN网络里的格式一致；对以LSTM网络群为基础的深度学习负荷预测网络而言，其数据包格式与训练块在LSTM网络里的数据包格式一致；

定义2，CNN块：CNN块内包含的是基于CNN网络深度学习的分类方法；通过数据块输入训练数据信息后，可以训练产生CNN分类网络，输入其他数据信息就可以进行类别分类；对分布式光伏发电负荷部分而言，类别分类识别应当为4类：晴天、多云、阴天、雨雪；对用电负荷部分而言，类别分类识别应当为2类：工作日、节假日；

定义3，选择块：这个区块结构简单，只有一个选择器，用于只在于选择区分；在进行训练网络过程中，它选择的对象是CNN网络的结果和训练数据构成的的总数据集，作用在于将光伏负荷按照4类或用电负荷按照2类进行分离，然后再带入LSTM块进行训练；在进行预测时，它选择的对象是LSTM网络群，作用在于天气预报信息选择LSTM群内合适的LSTM网络，并将数据输入LSTM网络进行预测；

定义4，LSTM块：LSTM块内包含的是基于LSTM网络深度学习的预测方法；在训练过程中，根据选择块送来的不同类别的数据，构建训练不同的LSTM网络，这些网络最终形成适用于预测的LSTM网络群；在预测过程中，根据选择器，调出适合预测数据的LSTM网络，进行负荷预测，输出负荷预测值；

具体包括：

步骤1，历史数据预处理：将历史负荷数据及日信息输入模型，建立起原始数据集，再采用Matlab软件进行除错和归一化等操作，组合为符合数据模型输入所需要的数据排列格式，获取能够进行构建负荷预测模型的数据集；

步骤2，历史数据分类器：将历史负荷数据集输入CNN网络分类器，依次步骤1中取历史数据输入CNN网络，直至全部输入为止，对历史数据进行深度学习，将不同日类型的数据集进行分离并重新组合，获得分类后的历史数据集；

步骤3，选择器选取数据：由步骤2分类后的数据集输入选择器，由选择器根据历史数据分类结果分别导入不同的LSTM网络，获得能够被不同LSTM网络识别的历史数据集；

步骤4，构建LSTM负荷预测网络群：由步骤3选择后的数据集分别按照选择器的选择逐个输入各个LSTM网络，分别进行深度学习，学习结束后得到LSTM负荷预测网络群；

步骤5，进行负荷预测：将预测所需信息输入步骤3的选择器，通过选择器选择LSTM网络群里符合待预测负荷的负荷预测网络，并输入信息，得到负荷预测的结果。

2.根据权利要求1所述的一种基于深度学习的微电网短期负荷预测方法，其特征在于，所述的步骤2中，历史数据分类器的具体操作方法如下：

步骤2.1，选取不同日类型下的典型日各10日输入CNN网络；

步骤2.2，初始化算法必须参数：初始化的参数通常是卷积核及偏置值，卷积核无特殊情况进行随机初始化即可，偏置值无特殊情况初始化为0即可；一般CNN网络进行学习时不需要进行归一化操作；

步骤2.3，卷积计算及池化：卷积的结果不一定是一个值，在大部分情况下是一个矩阵，这个矩阵即是权值矩阵，被称为卷积核；可以将整个卷积步骤视为一个进行加权并求和的步骤；池化，即亚采样，其主要目的是压缩特征图map并降低维数，使用最大法池化；

步骤2.4，误差反向传播和网络训练；误差在网络各层进行反向传播过程，是为了改变各层权重和偏置值，并通过不断的改变它们来减小最终误差；

步骤2.5：将历史数据全部输入训练好的CNN网络，即历史数据分类器中，得到分类后的历史数据。