[发明专利]一种基于深度学习的微电网短期负荷预测方法

摘要

本发明涉及一种基于深度学习的微电网短期负荷预测方法，以CNN和LSTM网络为基础，通过CNN深度学习方法对历史数据准确处理分类，通过LSTM深度学习方法构建LSTM网络群，并最终通过选择器将两种深度学习方法进行结合，得到了CNN‑LSTM模型；基于CNN‑LSTM模型，构建了基于深度学习的负荷预测模型，该模型不仅能够对微电网负荷内的用电负荷进行更高精度的预测，还能对微电网负荷内的分布式光伏发电负荷进行较高精度的预测，最终提升对微电网整体负荷的预测精度。

主权项

1.一种基于深度学习的微电网短期负荷预测方法，基于以下定义：定义1，数据区块：数据区块分为两大块：训练块和测试/预测块；训练块包含训练网络所需的训练数据，对CNN网络训练而言包含典型历史发电数据和天气标签(labels)的数据包，对LSTM网络而言，为包含发电数据预测所需要的数据和时间点实际负荷值的数据包；测试/预测块包含进行测试或者进行负荷预测所需的测试/待预测数据，对以CNN为基础的深度学习分类网络而言，其数据包格式与训练块在CNN网络里的格式一致；对以LSTM网络群为基础的深度学习负荷预测网络而言，其数据包格式与训练块在LSTM网络里的数据包格式一致；定义2，CNN块：CNN块内包含的是基于CNN网络深度学习的分类方法；通过数据块输入训练数据信息后，可以训练产生CNN分类网络，输入其他数据信息就可以进行类别分类；对分布式光伏发电负荷部分而言，类别分类识别应当为4类：晴天、多云、阴天、雨雪；对用电负荷部分而言，类别分类识别应当为2类：工作日、节假日；定义3，选择块：这个区块结构简单，只有一个选择器，用于只在于选择区分；在进行训练网络过程中，它选择的对象是CNN网络的结果和训练数据构成的的总数据集，作用在于将光伏负荷按照4类或用电负荷按照2类进行分离，然后再带入LSTM块进行训练；在进行预测时，它选择的对象是LSTM网络群，作用在于天气预报信息选择LSTM群内合适的LSTM网络，并将数据输入LSTM网络进行预测；定义4，LSTM块：LSTM块内包含的是基于LSTM网络深度学习的预测方法；在训练过程中，根据选择块送来的不同类别的数据，构建训练不同的LSTM网络，这些网络最终形成适用于预测的LSTM网络群；在预测过程中，根据选择器，调出适合预测数据的LSTM网络，进行负荷预测，输出负荷预测值；具体包括：步骤1，历史数据预处理：将历史负荷数据及日信息输入模型，建立起原始数据集，再采用Matlab软件进行除错和归一化等操作，组合为符合数据模型输入所需要的数据排列格式，获取能够进行构建负荷预测模型的数据集；步骤2，历史数据分类器：将历史负荷数据集输入CNN网络分类器，依次步骤1中取历史数据输入CNN网络，直至全部输入为止，对历史数据进行深度学习，将不同日类型的数据集进行分离并重新组合，获得分类后的历史数据集；步骤3，选择器选取数据：由步骤2分类后的数据集输入选择器，由选择器根据历史数据分类结果分别导入不同的LSTM网络，获得能够被不同LSTM网络识别的历史数据集；步骤4，构建LSTM负荷预测网络群：由步骤3选择后的数据集分别按照选择器的选择逐个输入各个LSTM网络，分别进行深度学习，学习结束后得到LSTM负荷预测网络群；步骤5，进行负荷预测：将预测所需信息输入步骤3的选择器，通过选择器选择LSTM网络群里符合待预测负荷的负荷预测网络，并输入信息，得到负荷预测的结果。