[发明专利]基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法

权利要求书

1.一种基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，包括：

S1，获取配电网中不同节点的负荷数据、当地温度数据以及日历信息，并对数据进行预处理；

S2，将配电网中不同节点负荷分为温度敏感负荷与温度不敏感负荷，并对各个节点分别设计预测模型的输入数据集；

S3，对配电网中不同节点，基于所述输入数据集分别建立CNN-LSTM预测模型，基于各个所述预测模型对相应节点进行未来24小时负荷预测；

S4，通过基于二次规划的预测后处理技术对配电网中不同节点单独产生的负荷预测结果进行调整，得到最终的配电网不同节点短期分层负荷预测结果。

2.如权利要求1所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，所述S1中对数据进行预处理包括：

对数值型数据中的各个数据值进行归一化处理，所述数值型数据包括负荷数据、当地温度数据；归一化计算公式如下：

式中，表示数值型数据x的归一化值，x_max、x_min分别代表所述数值型数据中的最大值、最小值。

3.如权利要求1所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，所述S2中将配电网中不同节点负荷分为温度敏感负荷与温度不敏感负荷的方法包括：

计算每一节点的日平均负荷与日平均温度之间的Pearson相关系数，将Pearson相关系数的绝对值大于预设阈值的节点负荷作为温度敏感负荷、Pearson相关系数的绝对值不大于所述预设阈值的节点负荷作为温度不敏感负荷。

4.如权利要求3所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，Pearson相关系数P_xy的计算公式如下：

式中，g_i、h_i为第i天对应的日平均负荷与日平均温度，为日平均负荷均值与日平均温度均值。

5.如权利要求1所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，所述S2中预测模型的输入数据集中含有7个步长，每个时间步长中分别为待预测日前1-7天的每小时负荷数据、相应时刻数据、相应星期数据，对于温度敏感负荷，还包括每小时温度数据。

6.如权利要求1所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，所述S3中，所述CNN-LSTM模型包括若干个CNN模块、LSTM模块和Dense层，每个时间步长的输入经过一个所述CNN模块得到该步长的一维特征向量，并分别作为所述LSTM模块每个时间步长的输入，经所述LSTM模块和所述Dense层得到未来24小时的负荷预测值。

7.如权利要求6所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，所述CNN模块中包括一层卷积层和一层最大池化层，所述卷积层中卷积核大小为3*3、卷积步长为1*1、卷积核的通道数为32，采用ReLU激活函数，所述最大池化层中步长为1*1，对于温度敏感负荷和温度不敏感负荷，过滤器大小分别为2*2和1*2。

8.如权利要求1所述的基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，其特征在于，所述LSTM模块中LSTM网络为多对一LSTM，隐藏层中含有200个LSTM单元。