[发明专利]基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统

说明书

本发明提供一种基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统，通过对采集的某地区夏季历史气象、历史日峰荷和时间数据进行预处理，以时间、历史气象、历史日峰荷为输入特征生成初始训练特征向量；利用输入特征对夏季峰荷预测影响的差异性，构建三分支特征解耦深度神经网络预测模型；根据训练特征向量进行模型训练和参数调优，确定待预测的输入特征向量及模型参数；利用训练好的特征解耦深度神经网络模型对待预测集合样本的特征向量进行夏季峰荷预测。本发明的夏季峰荷预测方法可以有效反应气象的积累效应，从而有效提高电力系统夏季日峰荷的预测精度。

技术领域

本发明涉及智能电网技术领域，尤其是电力系统负荷预测，具体而言涉及一种基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统。

背景技术

负荷预测对于电力系统的规划运行、管理运营、市场交易等方面具有重要意义。在日负荷曲线中，峰值是电力部门最为关心的数据。特别是在夏季，负荷功率幅值处于一年中的高位水平，日峰荷与电网安全稳定运行之间具有密切联系。

夏季气象对负荷的影响具有累积迟滞效应，使得负荷与气象之间呈现一种复杂的非线性关系，对预测造成不利影响。现有的峰荷预测方法，主要是应用修正公式或者模糊推理系统描述积累效应，并对预测模型的气象输入进行相应修正以提高预测精度。然而，累积效应是一种复杂的非线性关系，难以被直接量化。而修正公式本质上类似于一种简化方法，且公式的形式依赖于人工经验来确定。

现有技术文献：

专利文献1：CN111598303A一种基于气象成分分解的夏季短期负荷预测方法

专利文献2：CN111160659A一种考虑温度模糊化的电力负荷预测方法

专利文献3：CN110991750A基于神经网络的短期电力负荷预测方法

专利文献4：CN109767037A一种夏季日最大负荷的预测方法

发明内容

针对现有技术存在的缺陷与不足，本发明目的在于提供一种基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统，从模型结构上对时间、气象、历史峰荷三种输入特征进行解耦处理，可以有效反应气象的积累效应，从而有效提高电力系统夏季日峰荷的预测精度。

根据本发明目的的第一方面提出一种基于特征解耦深度神经网络模型的夏季峰荷预测方法，包括以下步骤：

步骤1、采集预测地区历史夏季数据，包括历史气象数据、历史日峰荷数据以及时间数据，并对历史数据进行预处理；

步骤2、对预处理后的历史数据进行特征提取，生成以时间、历史气象、历史日峰荷为输入特征的训练特征向量p_time、p_climate和p_load；

步骤3、利用训练特征向量p_time、p_climate和p_load进行模型训练，构建三分支特征解耦深度神经网络预测模型，其中气象特征和峰荷特征均输入隐藏层为长短记忆神经网络(LSTM)神经网络分支，时间特征则输入全连接层神经网络分支；三分支进行拼接后接入全连接层，生成初始的三分支特征解耦深度神经网络预测模型；

步骤4、根据训练特征向量进行模型训练和参数调优，确定最终的三分支特征解耦深度神经网络预测模型的结构与参数；

步骤5、针对预测地区的夏季负荷峰值预测，取预测地区的月份数据输入步骤4的三分支特征解耦深度神经网络预测模型，采用多步迭代预测，输出夏季峰荷预测结果。

优选地，以时间、历史气象、历史日峰荷为输入特征，生成训练特征向量，对于预测的t日的峰荷值，时间、历史气象和历史日峰荷输入特征向量p_time、p_climate和p_load的构建如下：