[发明专利]一种基于深度学习的微电网短期负荷预测方法

说明书

本发明涉及一种基于深度学习的微电网短期负荷预测方法，以CNN和LSTM网络为基础，通过CNN深度学习方法对历史数据准确处理分类，通过LSTM深度学习方法构建LSTM网络群，并最终通过选择器将两种深度学习方法进行结合，得到了CNN‑LSTM模型；基于CNN‑LSTM模型，构建了基于深度学习的负荷预测模型，该模型不仅能够对微电网负荷内的用电负荷进行更高精度的预测，还能对微电网负荷内的分布式光伏发电负荷进行较高精度的预测，最终提升对微电网整体负荷的预测精度。

技术领域

本发明涉及一种微电网短期负荷预测的方法，尤其是涉及一种深度学习网络为基础的负荷预测方法。

背景技术

微电网是电网消纳分布式新能源的重要途径，对微电网内部负荷及整体负荷的预测具有重要的意义。目前，用于负荷预测的算法包含有传统算法及现代算法两大类。

由于微电网内部存在渗透率较高的分布式新能源，其负荷变化及波动越来越大，预测难度相比传统大网负荷更大。使用传统广泛应用的负荷预测算法如BP神经网络及支持向量机等浅层学习方法，已经不能满足波动巨大的微电网负荷预测。当输入数据量非常大时，浅层学习算法网络由于本身就是一种全连接网络，会导致整个网络的权值太多，性能急剧下降，最后会限制每层能够最多容纳的神经元数，进而限制其学习深度，只能停留在浅层学习。浅层学习以梯度传输方法进行误差反向传输过程限制了其学习深度，当学习深度增加时，反向传输的误差会随着深度的增加而急剧骤减，产生“梯度消失”现象，误差的传输效果仅会停留在浅层，对深层的权值更新基本上没有任何作用，训练效果趋近于无，甚至导致临近输入层的前层参数无法优化，趋于随机。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的深度学习预测方法，通过CNN 和LSTM网络的结合，将更加深度的挖掘负荷数据存在的特征和关系，大大提高负荷预测的精度和可靠性。

本发明还有一目的是解决现有技术所存在的技术问题；提供了一种基于CNN算法的日类型分类方法，通过深度学习网络构建一个日类型分类器，将负荷进行准确分类，进而能够提高负荷预测的精度。

本发明再有一目的是解决现有技术所存在的技术问题；提供了一种基于LSTM网络的负荷预测网络群，通过针对不同的日类型负荷进行训练和数据挖掘，得到一系列的网络，构成网络群，可以大大提高负荷预测的精度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

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；