[发明专利]一种基于混合神经网络的多时间尺度负荷预测方法

权利要求书

1.一种基于混合神经网络的多时间尺度负荷预测方法，其特征在于，包括：

获取变压器的原始负荷数据，对所述原始荷数据进行预处理得到负荷数据，并基于双向长短期记忆网络建立预训练模型；

使用全连接神经网络对预训练模型的输出向量进行降维，得到降维后的训练模型；

选择与待预测日相似的历史气象数据，将与预测日相似的历史气象数据中的小时尺度气象数据与全连接神经网络的输出结果拼接后转化成二维矩阵；

采用卷积神经网络对所述二维矩阵进行特征提取，并整理得到特征向量；根据小时尺度气象数据的特点对降维后的训练模型进行设置，并将特征向量输入设置后的训练模型进行训练，使双向长短期记忆网络能够实现日前负荷预测；

基于全连接网络将双向长短期记忆网络与门循环单元连接，将双向长短期记忆网络的输出的抽象的综合数据输入门循环单元，实现周前负荷预测。

2.根据权利要求1所述的基于混合神经网络的多时间尺度负荷预测方法，其特征在于，获取的变压器负荷数据为T年内t分钟间隔的变压器负荷数据；。

3.根据权利要求1所述的基于混合神经网络的多时间尺度负荷预测方法，其特征在于，使用全连接神经网络将预训练模型的输出向量的维度降为1小时间隔的负荷数据。

4.根据权利要求1所述的基于混合神经网络的多时间尺度负荷预测方法，其特征在于，将小时尺度气象数据与全连接神经网络的输出结果拼接后转化成二维矩阵包括：

根据小时尺度气象数据的特征点将特征点组成日特征向量α(i)，其中，小时尺度气象数据的特征点包括：整点时刻负荷L(i)、一个小时内的最高温度T(i)、一个小时内空气湿度的最高值H(i)；

将日特征向量α(i)以滑动窗口的方式组成日特征矩阵A；

将日特征矩阵A转化成二维矩：

上式中，α(i)＝(L(i),T(i),H(i))。

5.根据权利要求1所述的基于混合神经网络的多时间尺度负荷预测方法，其特征在于，根据小时尺度气象数据的特点对降维后的训练模型进行设置包括：设置预训练模型中双向长短期记忆网络的标签值设为次日负荷值，设置损失函数考虑点预测结果的误差和负荷曲线定积分的影响。

6.根据权利要求1所述的基于混合神经网络的多时间尺度负荷预测方法，其特征在于，基于全连接网络将双向长短期记忆网络与门循环单元连接，使双向长短期记忆网络的输出的抽象的综合数据，能够实现周前负荷预测，包括：

选择与待预测周相近的周气象数据作为待预测周的气象数据，日时间尺度气象因素通过全连接层与门循环单元连接，即将双向长短期记忆网络的输出的抽象的综合数据直接输入到门控循环单元中；

根据待预测周的气象数据的特点对门循环单元进行设置；

设置的门循环单元输出次周第t天的负荷值η_t：

η_t＝F_GRU(ε_t,D_t,η_t-1)

上式中，_FGRU为门循环单元；_Dt为包含周日期、工作日、节假日、当日最高温度、当日最低温度、当日最高湿度和当日最低湿度第t天的日尺度数据；η_t-1为上一个时刻的负荷值；ε_t为第t天经过双向长短期记忆网络处理后的抽象的综合数据；

通过门循环单元滚动预测得到次周的负荷值。

7.根据权利要求6所述的基于混合神经网络的多时间尺度负荷预测方法，其特征在于，ε_t的表达式为：

式中，n_t(i)为经过卷积神经网络特征提取后第t天第i个小时的气象因素综合抽象特征向量；m_t(i)为第t天第i个小时的负荷值。