[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

说明书

本发明公开了一种基于混合神经网络的多时间尺度负荷预测方法，获取、预处理变压器的原始负荷数据，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二维矩阵特征提取得到特征向量；对降维后的训练模型设置，将特征向量输入设置后的训练模型训练，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。

技术领域

本发明涉及新能源电力系统技术领域，特别涉及一种基于混合神经网络的多时间尺度负荷预测方法。

背景技术

近年来，人工智能技术已被应用于各个领域并取得了令人称赞的成绩，在众多的机器学习算法中，深度学习模型表现突出，其非线性拟合能力要远远优于传统预测模型。5G等通信技术的发展加快了能源行业数字化的速度，在负荷预测、电力系统数据可视化、可再生能源预测以及传统方法存在需要完善的领域，新型人工智能技术得到了广泛应用，精准的负荷预测对于电力系统保持经济、可靠的运行有十分重要的意义。

不同时间尺度的负荷预测对于电力系统规划、调度、电力市场的竞价系统设计有着重要支撑作用。然而现有研究大多围绕一个时间尺度展开，单一模型难以满足实际工程需求。

鉴于此，需要一种基于混合神经网络的多时间尺度负荷预测方法。

发明内容

本发明实施例提供了一种基于混合神经网络的多时间尺度负荷预测方法，以至少解决相关技术中负荷预测绕一个时间尺度展开，单一模型难以满足实际工程需求的技术问题。

根据本发明实施例的一方面，提供了一种基于混合神经网络的多时间尺度负荷预测方法，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。

可选地，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；。

可选地，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。

可选地，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))。