[发明专利]一种基于QRNN的配电台区基线负荷预测方法及装置

说明书

本发明公开了一种基于QRNN的配电台区基线负荷预测方法及装置，方法包括构建基于QRNN网络的基线负荷预测模型，并选取若干负荷影响因素作为所述基线负荷预测模型的输入特征向量，以待预测日负荷预测值作为所述基线负荷预测模型的输出特征向量；在所述基线负荷预测模型中，对所述输入特征向量进行数据预处理并将得到的数据集划分为训练集、验证集和测试集，基于预设的预测效果评价指标和预设的超参数对所述训练集、所述验证集和所述测试集进行计算，得到预测结果。本发明所提模型结合了循环神经网络和卷积神经网络的优势，具有精度高、计算效率高、可并行加速优化的特点，满足了实时、海量数据下配电台区基线负荷预测的需求场景。

技术领域

本发明涉及电力系统技术领域，尤其是涉及一种基于QRNN的配电台区基线 负荷预测方法及装置。

背景技术

基线负荷是用户不执行需求响应时消耗的负荷，通过其与实际负荷的对比可 以确定用户负荷削减量。准确、高效的基线负荷预测为定量评估用户负荷在需求 响应中的削减程度提供基础，是需求响应实施机构对参与主体进行惩罚或补偿费 用的一大前提，也是需求响应效果事后评估的依据之一。

目前，基线负荷预测模型包括日期匹配法、时间序列法、回归分析法、人工 智能预测法等等，其中，人工智能预测方法则主要包含机器学习方法和深度学习 方法。近年来，深度学习方法以其在高维非线性复杂系统的强大映射能力，被广 泛应用于用户基线负荷预测领域，热点模型诸如循环神经网络、卷积神经网络等 深度学习模型等。深度学习方法可通过多层网络逐层学习到海量数据中的抽象特 征，结合海量历史负荷与天气、经济等影响因素数据，能够达到更高精度的负荷 预测效果，然而，大规模网络的构建与训练对运算速率带来更大挑战。

发明内容

本发明提供一种基于QRNN的配电台区基线负荷预测方法，能够有效提高基 线负荷预测精度、效率与实时性。

为了解决上述技术问题，本发明实施例提供了一种基于QRNN的配电台区 基线负荷预测方法，包括以下步骤：

构建基于QRNN网络的基线负荷预测模型，并选取若干负荷影响因素作为 所述基线负荷预测模型的输入特征向量，以待预测日负荷预测值作为所述基线负 荷预测模型的输出特征向量；

在所述基线负荷预测模型中，对所述输入特征向量进行数据预处理并将得到 的数据集划分为训练集、验证集和测试集，基于预设的预测效果评价指标和预设 的超参数对所述训练集、所述验证集和所述测试集进行计算，得到预测结果。

作为进一步改进，所述基于QRNN网络的基线负荷预测模型的QRNN网络 具体为：

QRNN网络的卷积部分：

f_t＝σ(W_f*X_t)

o_t＝σ(W_o*X_t)

QRNN网络的池化部分：

h_t＝o_t⊙tanh(c_t)

其中，表示m维时间序列卷积得数，符号*表示沿时间步长维度的掩码 卷积，符号⊙表示按元素进行乘法运算；为卷积滤波器，k为卷积 滤波器的宽度，表示由个维的输入特征向量组成，c_t为输入特征向量的乘 法运算值，h_t为运算输出值。

作为进一步改进，所述选取若干负荷影响因素作为所述基线负荷预测模型的 输入特征向量，具体为：

选取历史负荷参数、平均温度参数、相对湿度参数、日期类型参数、时刻值 参数共同作为所述基线负荷预测模型的输入特征向量。