[发明专利]一种多节点电力负荷预测方法

权利要求书

1.一种多节点电力负荷预测方法，其特征在于，包括以下步骤：

步骤一，电力负荷数据采集：获取电力系统中待预测负荷节点及其上层节点的历史负荷数据，构建多节点电力负荷原始数据集；

步骤二，数据预处理：对多节点电力负荷原始数据中的缺失数据进行填充并归一化，构建多节点负荷样本数据集；

步骤三，构建多节点电力负荷预测模型：由对应各个节点的神经网络构成多节点电力负荷预测模型，每个节点神经网络包含特征融合层和学习层，特征融合层自动将上层节点和待预测节点的负荷特征融合作为学习层的输入特征，学习层再对输入特征进行深度时序特征挖掘实现节点负荷预测，采用多任务学习对预测模型进行训练；

步骤三具体步骤为：

3-1)建立对应待预测节点i的神经网络，由所有待预测节点的神经网络组成多节点电力负荷预测模型；

3-2)将节点样本数据集D_i拆分为负荷样本特征矩阵X_i和负荷样本标签矩阵Y_i，X_i包含D_i中的1到l列，Y_i为D_i中的l+1到l+r列；X_i和Y_i的维度分别为(N,l)和(N,r),N代表样本数，同理将上层节点样本数据集D^s拆分成维度为(N,l)和(N,r)的负荷特征样本矩阵X^s和负荷样本标签矩阵Y^s，其中X_i和X^s分别表示对应节点i和上层节点的预测模型输入，Y_i和Y^s分别表示待预测节点及其上层节点的样本矩阵X_i和X^s对应的标签矩阵；

3-3)将X^s和X_i拼接后的向量作为待预测节点神经网络的输入，所有节点完成拼接后向量表示为X′＝{X′₁,X′₂,…,X′_i,X′_n}及其标签向量为Y′＝{Y₁,Y₂,…,Y_i,Y_n}，其中X′_i＝(X^s,X_i)代表节点i的融合特征向量，X′_i的维度为(N,l,2)；

3-4)利用X′和Y′对多节点电力负荷预测模型进行训练；使用多任务学习机制将所有节点网络的均方误差求和，根据求和后的均方误差迭代更新多节点电力负荷预测模型参数；

步骤四，多节点电力负荷预测：将多节点负荷样本输入到多节点电力负荷预测模型进行在线预测，一次性得到多节点电力负荷的预测结果。

2.根据权利要求1所述的多节点电力负荷预测方法，其特征在于：所述步骤一中，多节点负荷样本数据集S表示为{D₁,D₂,…,D_i,D_n,D^s}，其中n为电力系统中待预测节点的数目，D_i代表节点i的负荷样本数据集，D^s代表上层节点负荷样本数据集。

3.根据权利要求2所述的多节点电力负荷预测方法，其特征在于：所述步骤二中的归一化公式为其中i代表节点的编号，表示预测节点i在时刻j归一化后的负荷值，表示节点i在时刻j的负荷值，和分别表示节点i时间序列中的最大负荷值和最小负荷值。