[发明专利]一种基于神经网络的切负荷预测方法及系统

权利要求书

1.一种基于神经网络的切负荷预测方法，其特征在于，包括：

将预处理后的历史电网系统状态场景参数数据集划分为测试集、训练集和验证集；

基于训练集对切负荷预测模型进行反向传播训练，在满足设定的迭代次数时，采用验证集对切负荷预测模型的训练效果进行验证，根据切负荷预测模型在验证集上的表现调整切负荷预测模型的网络参数，直到调整后的切负荷预测模型满足设定的要求，得到训练好的切负荷预测模型；

基于电网系统状态场景运行数据，采用测试集验证准确率达标后的训练好的切负荷预测模型，得到切负荷的结果。

2.根据权利要求1所述的基于神经网络的切负荷预测方法，其特征在于，所述切负荷预测模型包括：改进的快速回归卷积神经网络或者改进的联合卷积神经网络。

3.根据权利要求1所述的基于神经网络的切负荷预测方法，其特征在于，所述改进的快速回归卷积神经网络包括：依次连接的三层卷积、全连接层和输出层，采用反向传播算法调整改进的快速回归卷积神经网络的网络参数大小。

4.根据权利要求3所述的基于神经网络的切负荷预测方法，其特征在于，采用均方根误差函数作为损失函数优化改进的快速回归卷积神经网络的模型的性能。

5.根据权利要求2所述的基于神经网络的切负荷预测方法，其特征在于，所述改进的联合卷积神经网络包括：分类器和回归器，所述分类器的输出层经Softmax函数得到的结果与回归器的输出层经线性函数得到的结构进行联合评判，得到切负荷的结果；其中，联合评判的标准是：分类器给出的评判结果作为是否切负荷的主要依据，结合回归器给出的结果，得到是否切负荷、切多少负荷。

6.根据权利要求5所述的基于神经网络的切负荷预测方法，其特征在于，所述分类器包括：依次连接的3×3×8的卷积层、池化层、3×3×16的卷积层、池化层、3×3×32的卷积层、全连接层和输出层，所述回归器包括：依次连接的5×5×8的卷积层、5×5×16的卷积层、5×5×32的卷积层、全连接层和输出层。

7.根据权利要求5所述的基于神经网络的切负荷预测方法，其特征在于，采用交叉熵损失函数优化分类器的性能，采用均方误差损失函数优化回归器的性能。

8.一种基于神经网络的切负荷预测系统，其特征在于，包括：

数据集划分模块，其被配置为：将预处理后的历史电网系统状态场景参数数据集划分为测试集、训练集和验证集；

模型训练模块，其被配置为：基于训练集对切负荷预测模型进行反向传播训练，在满足设定的迭代次数时，采用验证集对切负荷预测模型的训练效果进行验证，根据切负荷预测模型在验证集上的表现调整切负荷预测模型的网络参数，直到调整后的切负荷预测模型满足设定的要求，得到训练好的切负荷预测模型；

输出模块，其被配置为：基于电网系统状态场景运行数据，采用测试集验证准确率达标后的训练好的切负荷预测模型，得到切负荷的结果。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于神经网络的切负荷计算方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于神经网络的切负荷预测方法中的步骤。