[发明专利]一种基于ResNet-LSTM的配电台区短期负荷预测方法及装置

说明书

本发明提供了一种基于ResNet‑LSTM的配电台区短期负荷预测方法及装置，用于负荷预测的领域，包括：搭建第一ResNet‑LSTM模型，ResNet‑LSTM模型包括CNN层、LSTM层以及全连接层输出层；对第一ResNet‑LSTM模型添加注意力机制以获取第二ResNet‑LSTM模型；获取预处理的历史数据，并对第二ResNet‑LSTM模型进行训练对以获取第三ResNet‑LSTM模型；将待预测的负荷数据属于三ResNet‑LSTM模型中，并对待预测的负荷数据进行负荷预测。本发明所提方法能显著提高配电台区短期负荷预测的精度。

技术领域

本发明涉及电力系统调度技术领域，尤其是涉及一种基于 ResNet-LSTM的配电台区短期负荷预测方法及装置。

背景技术

短期负荷预测指对未来几小时至几天的负荷进行预报。准确的负荷预测结果可以用于安排日前调度、设备检修，监视系统运行状态、预防事故发生，对于提高资源利用率和经济效益，保障社会的正常生产和人们的日常生活有着十分重要的意义。

负荷预测的难点主要在于其不确定性。影响负荷预测准确度的因素众多，主要包括温度、湿度、节假日等，负荷在时间序列上具有较强的波动性，且与各因素之间具有很强的非线性关系，难以显式的刻画预测模型。

目前，应用于短期负荷预测的方法可分为三类：经典方法、传统方法和智能方法。经典方法中，回归分析法结构简单，计算速度快，外推性能好，但用线性方程表述复杂问题，无法精确预测各种因素对结果的影响；时间序列法所需数据少，能反映短期内负荷的连续特点，但对节假日等对负荷影响较大的不确定因素考虑不足。传统方法中，卡尔曼滤波法表现较好：将负荷划分为随机分量和确定分量，随机分量用状态变量表示，确定分量用一阶线性模型描述，建立状态空间模型实现预测，其将系统下一时刻状态的最佳估计和系统未来的状态相结合，使模型预测结果更准确，但是实际场景下，难以得出噪音的统计特性。伴随数据采集、存储技术的发展，负荷历史数据呈现指数级增长，各种智能方法得以应用，其中神经网络的优势在于能对海量数据进行复杂建模，并基于收敛快、自适应能力强的特点，在回归预测领域独占鳌头

发明内容

有鉴于此，本发明的目的在于提供一种基于ResNet-LSTM的配电台区短期负荷预测方法及装置，以对短负荷进行高精度的预测，提高配电台区短期负荷预测的自适应能力。

第一方面，本发明提供了一种基于ResNet-LSTM的配电台区短期负荷预测方法，具体包括如下步骤：

搭建第一ResNet-LSTM模型，所述ResNet-LSTM模型包括CNN层、 LSTM层以及全连接层输出层；

对所述第一ResNet-LSTM模型添加注意力机制以获取第二 ResNet-LSTM模型；

获取预处理的历史数据，并对所述第二ResNet-LSTM模型进行训练对所述以获取第三ResNet-LSTM模型；

将待预测的负荷数据属于所述三ResNet-LSTM模型中，并对所述待预测的负荷数据进行负荷预测。

优选的，所述获取预处理的历史数据的步骤包括：

获取历史数据并对所述历史数据进行预处理以获取预处理的历史数据。

优选的，所述对所述第二ResNet-LSTM模型进行训练对所述以获取第三ResNet-LSTM模型的步骤包括：

获取所述预处理的历史数据输出所述第二ResNet-LSTM模型并获取第一损失函数；

采用Adam算法对所述第二ResNet-LSTM模型的参数进行优化并获取第二损失函数；

判定第一损失函数是否小于第二损失函数；

若是，则获取未优化参数的所述第二ResNet-LSTM模型为所述第三 ResNet-LSTM模型；