[发明专利]一种基于解耦机制的配电线路负荷预测方法

权利要求书

1.一种基于解耦机制的配电线路负荷预测方法，其特征在于，该预测方法包括下述步骤：

第一步，获得同一地区历史负荷数据以及对应的气象因素数据和日期因素数据，构成历史数据集M；其中历史负荷数据为经固定时间间隔采集到的实际负荷数据，为一个带时刻标签的负荷值的时间序列数据，一条历史负荷数据的时长为一天；

第二步，建立负荷标幺曲线预测模型，具体包括下述步骤：

步骤2.1：基于历史数据集M，将日最高温度、日最低温度、日平均温度、天气类型、季节、月份、星期类型、日期类型共8个因素作为分析影响负荷变化的研究对象，通过MIC定量分析各个影响因素与日最大负荷的非线性相关性强弱，计算公式如式(1)-(2)所示：

式中，p(x,y)为随机变量x和y的联合概率密度函数，p(x)和p(y)为随机变量的边缘概率密度函数；N为数据总数目，B(N)为网格划分总数的约束条件，B(N)＝N^0.6；MIC取值范围为[0,1]，两变量之间的相关性越强，MIC结果越接近于1；

将通过MIC分析，选择MIC0.3的m个主要因素的数据用于构造日特征向量，待预测日的日特征向量为T₀，选取待测日前p天历史日作为相似日筛选样本，以相同方法构造待预测日前p天的m维历史日特征向量T₁,T₂,…,T_p；

式中，T₀为待预测日特征向量，T_i为第i个历史日特征向量，T_0k为第k维影响因素特征值；

步骤2.2：计算待预测日与各历史日影响因素灰色关联系数，组成灰色关联矩阵，从而得到待预测日与各历史日的灰色关联度；

式中，r_i(k)为第i个历史日特征向量中第k维影响因素的灰色关联系数值，ρ为分辨系数，取0.5；r为灰色关联矩阵；R(i)为第i个历史日灰色关联度；

步骤2.3：将步骤2.2中得到的灰色关联度从大到小排列，选取灰色关联度最大值所对应的历史日作为待预测日的相似日，以日最大负荷与日最小负荷为基准值对相似日负荷进行标幺化，得到相似日负荷标幺曲线；

式中，P₀为相似日负荷曲线，P_0max为相似日负荷最大值，P_0min为相似日负荷最小值，P′₀为相似日负荷标幺曲线；

第三步，基于CNN-LSTM混合神经网络建立日最大负荷预测模型，具体包括以下步骤：

步骤3.1：基于历史数据集M，将日最高温度、日最低温度、日平均温度、天气类型、前一天最高温度、前一天最低温度、前一天平均温度、季节、月份、星期类型、日期类型、前一天负荷最大值、前两天负荷最大值、前三天负荷最大值、前四天负荷最大值、前五天负荷最大值、前六天负荷最大值、前七天负荷最大值共18个因素作为分析影响负荷变化的研究对象，通过MIC定量分析各个影响因素与日最大负荷的非线性相关性强弱，筛选出其中MIC0.3的因素的数据作为特征数据，外加相应的日最大负荷实际值，建立CNN-LSTM混合神经网络的专用数据集；其中，将专用数据集中待预测日前的数据作为训练数据集用于训练神经网络；

步骤3.2：将训练数据集中的特征数据作为完成参数初始化的CNN-LSTM混合神经网络的输入，以日最大负荷的预测值作为神经网络输出，选取均方误差函数作为网络损失函数，如式(8)：

式中，P_i为第i个点的日最大负荷实际值，第i个点的日最大负荷预测值，n为训练数据集中样本个数；

根据损失函数的值反向调整CNN-LSTM混合神经网络的参数，若当前网络参数所得的损失函数的值小于预设值或达到迭代次数，则该网络参数训练完成；

步骤3.3：把待预测日的与训练数据集相同的特征数据输入到步骤3.2中的完成参数训练的CNN-LSTM混合神经网络模型中，得到待预测日的日最大负荷预测值P_premax；

第四步，基于负荷时序特征建立日最小负荷预测模型，具体包括以下步骤：

步骤4.1：统计历史数据集M中的负荷数据中日最大负荷数据与日最小负荷数据，通过MATLAB软件，利用ecdf(经验分布函数)分别求取日最大负荷数据P_max与日最小负荷数据P_min对应的累积分布函数，累积分布函数如式(9)：

式中，P_max、P_min分别为日最大负荷与日最小负荷变量，p₁为P_max落在(0,P₁)内的概率，p₂为P_min落在(0,P₂)内的概率；

步骤4.2：通过MATLAB软件，利用createFit函数求取日最大负荷与日最小负荷数据累积分布函数的反函数，反函数如式(10)：

步骤4.3：将步骤4.1中得到的日最大负荷累积分布函数的概率值和日最小负荷累积分布函数的概率值构造BiLSTM神经网络专用数据集；其中，将BiLSTM神经网络专用数据集中待预测日前的数据作为训练数据集用于训练BiLSTM神经网络；将BiLSTM神经网络专用数据集中日最大负荷累积分布函数的概率值作为完成参数初始化的BiLSTM神经网络的输入，以对应的日最小负荷累积分布函数概率值的预测值作为神经网络的输出，选取均方误差函数作为网络损失函数；根据损失函数的值反向调整BiLSTM神经网络的参数，若当前网络参数所得的损失函数的值小于预设值或达到迭代次数，则该网络参数训练完成；

步骤4.4：将第三步得到的待测日负荷最大值P_premax代入日最大负荷累积分布函数中，得到其对应的概率值p₁；将p₁输入到完成训练的BiLSTM神经网络中，得到待测日最小负荷累积分布函数概率值p₂；将p₂带入日最小负荷累积分布函数的反函数中，得到的值即为待测日负荷最小值P_premin；

第五步，将第二步中得到的待测日负荷标幺曲线与第三步中得到的待测日负荷最大值P_premax以及第四步中得到的待测日负荷最小值P_premin，组合得到待测日负荷曲线：

P＝P′₀*(P_premax-P_premin)+P_premin (11)

式中，P为待测日负荷曲线，P′₀为待测日负荷标幺曲线，P_premax为最大负荷预测值，P_premin为最小负荷预测值。