[发明专利]电力负荷的预测方法、装置、设备和存储介质在审

专利信息
申请号: 202011419563.6 申请日: 2020-12-07
公开(公告)号: CN112365098A 公开(公告)日: 2021-02-12
发明(设计)人: 王世君;袁绍军;张航;夏革非;陈广宇;卢志刚;张华东;李文龙;李佳骥;于宝鑫 申请(专利权)人: 国网冀北电力有限公司承德供电公司;燕山大学
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
代理公司: 石家庄国为知识产权事务所 13120 代理人: 郝晓红
地址: 067000 河*** 国省代码: 河北;13
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 电力 负荷 预测 方法 装置 设备 存储 介质
【权利要求书】:

1.一种电力负荷的预测方法,其特征在于,包括:

获取预设时段内目标用户的历史电力负荷数据,所述历史电力负荷数据包括所述预设时段内每个时刻的电力负荷;

确定与所述目标用户的历史电力负荷数据对应的目标聚类;

根据所述目标聚类的电力负荷预测模型,对所述目标用户的历史电力负荷数据进行预测,得到所述目标用户的预测电力负荷数据;

其中,所述电力负荷预测模型根据预设训练样本对长短期记忆神经网络模型进行训练得到,所述预设训练样本为根据堆叠降噪自编码器对属于所述目标聚类的电力负荷数据进行提取后的负荷特征,所述堆叠降噪自编码器包括第一降噪自编码器、第二降噪自编码器和第三降噪自编码器。

2.如权利要求1所述的电力负荷的预测方法,其特征在于,在所述获取预设时段内目标用户的历史电力负荷数据之前,所述方法还包括:

获取预设时段内多个用户的电力负荷数据;

确定出所述多个用户的电力负荷数据中的最大的电力负荷;

将所述多个用户的电力负荷数据中的每个电力负荷除以所述最大的电力负荷,得到归一化后的电力负荷数据;

根据最大最小K均值聚类算法对所述归一化后的电力负荷数据进行分类,得到多个聚类;

根据所述堆叠降噪自编码器对每个聚类的电力负荷数据进行提取,得到每个聚类对应的负荷特征;

分别根据长短期记忆神经网络模型对每个聚类对应的负荷特征进行训练,得到每个聚类的电力负荷预测模型。

3.如权利要求2所述的电力负荷的预测方法,其特征在于,所述根据所述堆叠降噪自编码器对每个聚类的电力负荷数据进行提取,得到每个聚类对应的负荷特征,包括:

在目标聚类的电力负荷数据中加入预设高斯噪声,得到第一输入数据;

将所述第一输入数据输入到所述第一降噪自编码器,得到第一输出数据;

将所述第一输出数据输入到所述第二降噪自编码器,得到第二输出数据;

将所述第二输出数据输入到所述第三降噪自编码器,得到所述目标聚类对应的负荷特征。

4.如权利要求3所述的电力负荷的预测方法,其特征在于,所述第一降噪自编码器采用如下降噪模型:

y=S(ωx+b)

z=S(ω'y+b')

其中,x为所述第一输入数据,z为所述第一输出数据,S为第一Sigmoid函数,ω为权重矩阵,b为偏移向量,ω'为重建权重矩阵,b'为重建偏移向量。

5.如权利要求4所述的电力负荷的预测方法,其特征在于,所述电力负荷预测模型包括:

ft=σ(Wf·[ht-1,xt]+bf)

it=σ(Wi·[ht-1,xt]+bi)

C′t=tanh(Wc·[ht-1,xt]+bc)

Ct=ft·Ct-1+it·C′t

Ot=σ(Wo[ht-1,xt]+bo)

ht=Ot·tanh Ct

其中,ft为遗忘门向量,it为输入门向量,Ot为输出门向量,σ为第二Sigmoid函数,Wi、Wc和Wo为随机初始化的权重值矩阵,xt为t时刻的输入向量,ht为t时刻的循环输出向量。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网冀北电力有限公司承德供电公司;燕山大学,未经国网冀北电力有限公司承德供电公司;燕山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011419563.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top