[发明专利]基于双分支深度学习模型的空调负荷估算方法与系统

说明书

本发明提供一种基于双分支深度学习模型的空调负荷估算方法与系统，通过对历史气象、历史负荷以及时间数据的多维特征提取，以时间、经济数据作为输入特征训练学习构建基准负荷估算模型分支，以历史气象数据作为输入特征训练学习构建空调负荷估算模型分支，将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总空调负荷功率，形成双分支深度学习空调负荷分解模型。在此基础上，在实际的历史空调负荷估算或者未来预测的过程中，通过获取地区的时间数据以及气象数据作为输入，通过特征提取后输入到模型中进行估算，可输出得到对应时刻的空调负荷估算结果以及总负荷，为地区的发电量控制和电力调配提供科学的决策依据。

技术领域

本发明涉及电力系统负荷预测与调控技术领域，尤其是电力负荷成分分析与非侵入式负荷分解技术，具体而言涉及一种基于双分支深度学习模型的空调负荷估算方法与系统。

背景技术

电网中的空调负荷与气象因素呈强相关，又称降温负荷或泛称气象敏感负荷。空调负荷的准确估算对电力系统的安全经济运行具有重要意义，尤其是夏冬两季用电高峰时期，根据空调负荷功率的估算和预测结果，电力部门可以针对性对电网进行安全稳定分析、评估需求侧响应以及制定合理的发电和电力调配计划。

传统的空调负荷估算方法主要是基准负荷法，也即以处理计算后的春秋季负荷作为基准负荷，以夏冬季的实际负荷减去基准负荷得到空调负荷。然而实际情况下，由于负荷的复杂性和时变性，夏季基准负荷曲线与春秋季负荷曲线可能不完全一致，从而对气象敏感负荷估算的准确性产生不利影响。

目前，现有技术中还提出根据负荷与气象之间的相关性，建立两者的非线性关联模型进行空调负荷估算，但此类方法往往采用经验公式描述气象的积累效应，同样可能给后续的相关性分析和空调负荷估算带来误差。

现有技术文献：

专利文献1：CN110490766A一种冬季空调负荷计算方法及可读存储介质

专利文献2：CN105825294A基于气象因素的电网电力负荷预测方法及系统

发明内容

本发明目的在于提供一种基于双分支深度学习模型的空调负荷估算方法与系统，挖掘基准负荷与相应输入特征、空调负荷与相应气象特征之间的深层非线性特征，构建包含基准负荷估算模型分支、空调负荷估算模型分支的双分支深度学习负荷分解模型，实现电网中变电站母线以上层级的空调负荷估算。

根据本发明目的的改进的第一方面提出一种基于双分支深度学习模型的空调负荷估算方法，包括以下步骤：

基于双分支深度学习模型的空调负荷估算方法，其特征在于，包括以下步骤：

获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；

对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p₁和用于构建空调负荷估算模型分支的特征向量p₂，其中特征向量p₁以历史时间数据和经济数据提取获得，特征向量p₂以历史气象数据提取获得；

根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p₁为输入特征，利用卷积神经网络(CNN)算法为主体构建基准负荷估算模型分支；以特征向量p₂为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；

根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；