[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

说明书

本发明提供一种基于CNN‑LSTM模型和二次规划的配电网短期分层负荷预测方法，包括：获取配电网中不同节点的负荷及相关数据并进行数据预处理；对每个节点分别设计预测模型输入数据集；分别建立CNN‑LSTM模型进行负荷预测；通过二次规划调整上述负荷预测结果以实现配电网短期分层负荷预测。本发明充分考虑考虑配电系统中不同节点的不同影响因素和不同周期特征以及分层结构的前提下，建立了对配网不同节点具有泛化能力的CNN‑LSTM预测模型，并通过二次规划的预测后处理技术使得调整后的负荷满足不同层次节点负荷之间的分层结构的一致性要求，实现了对配网不同节点的短期分层负荷预测。

技术领域

本发明涉及配电网短期分层负荷预测技术，特别涉及一种基于CNN(Convolutional Neural Networks，卷积神经网络)-LSTM(Long Short Term Mermorynetwork，长短期记忆网络)模型和二次规划的配电网短期分层负荷预测方法。

背景技术

电力工业是城市生产生活命脉，在配电系统中，对变电站及变压器的精准的短期负荷预测对制定发电计划、进行配电网优化调度具有重要意义。而在配电网中，不同节点负载温度敏感性与周期性特征各不相同，且负载在变电站、变压器、馈线多个节点中明显的按层次结构组织，因此，考虑到各节点不同负荷特性的负荷预测模型以及考虑到配电网分层结构的分层负荷预测方法对于配电系统运行决策非常重要。

近年来，深度学习智能算法因为可以在训练过程中进行特征提取，相较于传统的机器学习算法具有更强大的非线性拟合能力，越来越多的被用于短期负荷预测中。其中RNN网络及其变体LSTM网络因为其时序预测能力，CNN模型因为其强大的特征提取能力而被广泛应用于短期负荷预测问题，一些考虑负荷周期性和时间依赖性的将CNN模型与LSTM模型相结合的复杂网络模型被提出以提高预测精度，但这些模型中大多忽略了天气的影响。此外大多数文献中专注于预测单个区域的负荷预测，而直接对每个级别的负荷单独预测可能使得预测结果不满足层次结构要求，即底层预测结果之和不能等于聚合层预测结果，以至于对以后的决策产生不利影响。而现有的考虑了层次要求的分层预测方法如自下而上和自上而下等都是先预测某一级别负荷，再通过分层结构得到其他级别预测结果，并不能充分利用每一层的负荷信息。

发明内容

本发明的目的是提供一种基于CNN-LSTM模型和二次规划的配电网短期分层负荷预测方法，对配电网中不同节点设计CNN-LSTM模型对不同的日类型负荷及相应温度数据进行训练和数据挖掘，提高单个节点的短期负荷预测精度，并设计二次规划模型调整每个节点负荷预测结果使得最终预测结果满足配电网层次结构要求。

为了实现以上目的，本发明通过以下技术方案实现：

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，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。

优选地，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。