[发明专利]基于深度学习的配电低压台区负荷预测方法及装置

权利要求书

1.一种基于深度学习的配电低压台区负荷预测方法，其特征在于，包括以下步骤：

采集配电低压台区量测数据；

根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；以及

在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果；

其中，所述采集配电低压台区量测数据，包括：

对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理；

所述异常数据分析，包括：

根据箱型图的离群数据判定原则，定义数据的异常判据，其中，所述异常判据表示为：

其中，Q₁和Q₃分别为第一四分位数和第三四分位数，I_QR为四分位距；

所述数据分布分析，包括：

将采集到样本的有功功率进行绘图，从而确定高峰负荷时段的时间节点；

所述缺省值填补，包括：

通过t-1时刻的数值对t时刻的数值进行填补；

所述异常数据剔除，包括：

通过所述异常判据对异常数据进行筛选，对异常离群数据进行剔除，并按照所述缺省值填补的方法对剔除的数据进行填充；

对输入的数值型特征数据按每个特征进行归一化处理，表示为：

其中，为第i个样本的第n个数值型特征数据；min(x⁽ⁿ⁾)与max(x⁽ⁿ⁾)分别是第n个数值型特征数据的最小值与最大值；为经归一化处理后的第i个样本的第n个特征数据；

对所述类别型数据进行独热向量编码；

所述特征工程，包括：

将时间特征进行特征提取，获得新的特征数据，并利用独热向量编码规则进行编码，其中，所述新的特征数据为月份属性、星期属性、小时属性、工作日属性、高峰负荷时间属性；

训练所述预测模型，包括：

将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；

通过所述训练集来训练所述预测模型并调整模型参数；

通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；

通过所述测试集对最优预测模型效果进行测试，生成最终预测模型；

其中，所述通过所述训练集来训练所述预测模型并调整模型参数，包括：

将所述训练数据集中不同类型的数据输入对应的处理模块进行处理，并将处理后的数据进行拼接和激活，之后通过输出层输出，使用输出数据训练所述预测模型，其中，所述处理模块包括Wide模块和Deep模块。

2.根据权利要求1所述的方法，其特征在于，在训练所述预测模型之后，还包括：

检测所述最终预测模型的负荷预测误差；

若所述负荷预测误差小于或等于预设值，则判定满足所述预设条件；

若所述负荷预测误差大于所述预设值，则判定不满足所述预设条件。

3.根据权利要求1-2任一项所述的方法，其特征在于，所述Adam优化算法的公式为：

其中，m_t、v_t分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值,β₁和β₂为修正系数，α为学习率，g_t为梯度，为迭代后修正系数，为迭代后修正系数，m_t-1为前次迭代一阶矩估计结果，v_t-1为前次迭代二阶矩估计结果。