CN109992930A - 一种气象敏感负荷功率估算方法及装置 - Google Patents

Abstract

本发明公开了一种气象敏感负荷功率估算方法及装置。包括：获取气象敏感负荷功率估算模型；向气象敏感负荷功率估算模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征；根据待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。本发明提出的估算模型可以由日负荷曲线直接获得气象敏感负荷功率曲线，尤其适用于实际应用时气象数据经常缺失的情况。模型中的堆栈自编码器SAE模型可以无监督提取日负荷曲线的降维特征，大幅减少了全连接层的输入神经元个数，从而大幅减少了全连接层的网络参数，显著降低了模型训练难度。

Description

一种气象敏感负荷功率估算方法及装置

本申请要求于2018年6月13日提交中国专利局、申请号为201810606900.9、申请名称为“一种基于堆栈自编码器的气象敏感负荷功率估算方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本发明属于电力系统负荷预测与负荷功率模型领域，尤其涉及一种气象敏感负荷功率估算方法及装置。

背景技术

随着全球变暖趋势愈演愈烈，国民生活水平的不断提高，以空调为主的气象敏感负荷的用电功率逐年攀升，2017年苏州等部分地区的夏季空调耗电导致该地区负荷异常增长。研究气象敏感负荷功率的估算问题不仅能提高负荷功率模型的准确性，为夏季电网的安全稳定运行提供调控依据，也能为需求侧响应能力评估提供依据，具有重要的研究意义。

专利申请号为201810607600.2的专利提出了一种基于负荷-气象非线性关联模型的气象敏感负荷功率估算方法，但该模型对负荷功率及气象样本数据的完整性要求高。实际情况下，气象数据，尤其是10分钟采样间隔的气象因子变化曲线，容易存在数据缺失的情况。如果当日的气象数据缺失较多，则无法利用负荷-气象非线性关联模型估算该日的气象敏感负荷。

发明内容

针对以上问题，本发明提出了一种气象敏感负荷功率估算方法及装置，能够由日负荷曲线直接获得气象敏感负荷功率曲线，尤其适用于实际应用时气象数据经常缺失的情况。

本发明采用的技术方案如下：

第一方面，本发明实施例提供一种气象敏感负荷功率估算方法，包括：

获取气象敏感负荷功率估算模型；

向气象敏感负荷功率估算模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征；

根据待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。

可选的，获取气象敏感负荷功率估算模型包括：

训练获得气象敏感负荷功率估算模型，并对气象敏感负荷功率估算模型进行测试。

可选的，气象敏感负荷功率估算模型包括堆栈自编码器SAE模型和全连接层；

训练获得气象敏感负荷功率估算模型包括：

训练SAE模型，以及训练全连接层；

向气象敏感负荷功率估算模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征包括：

向SAE模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征；

根据待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率包括：

全连接层根据SAE模型提取到的待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。

可选的，训练SAE模型包括：

以历史数据样本为SAE模型的输入及输出的标签，对SAE模型的第一个AE进行训练；

以第一个AE的编码层的输出为输入的标签，对SAE模型的下一个AE进行训练，直至SAE模型的所有AE训练完毕；

其中，训练的目标函数为SAE模型的输出与相应历史数据样本的日负荷曲线的相对百分误差绝对值的平均值MAPE最小，x_i为实际的日负荷功率，x′_i为SAE模型的输出，n为总的采样点数。

可选的，对SAE模型的第一个AE进行训练满足如下公式：

h(1)ⁱ＝s_f(W₁xⁱ+b₁)；xⁱ为SAE模型的第一个AE的输入，h(1)ⁱ为第一个AE的编码层的输出，W₁、b₁分别为权值矩阵和偏置矩阵，s_f为激活函数；

为所述SAE模型的第一个AE的输出，W₁′、b₁′分别为重构时的权值矩阵和偏置矩阵，s_g为重构时的激活函数；

与xⁱ的均方误差最小，θ^*为第一个AE的编码层及解码层的最优全连接层参数，N为历史数据样本数。

可选的，训练全连接层包括：

以历史数据样本的日负荷曲线降维特征为全连接层的输入的标签、气象敏感负荷功率曲线为全连接层的输出的标签，对全连接层进行训练，得到最优全连接层参数θ′^*，其中，历史数据样本的日负荷曲线降维特征与气象敏感负荷功率曲线的对应日期相同；

为第i个样本的最后一层全连接层的输出，P_W ⁱ为第i个样本的气象敏感负荷功率，N′为全连接层训练样本的日期数。

可选的，全连接层的计算公式满足O＝R(WI+b)；

其中，I、O分别为全连接层的输入和输出向量，W、b分别为全连接层的权值矩阵和偏置矩阵，R为全连接层的激活函数。

可选的，还包括：

在训练SAE模型前，对历史数据样本进行归一化处理；

在训练全连接层后，对全连接层输出的每个样本的归一化计算结果进行还原。

第二方面，本发明实施例还提供一种气象敏感负荷功率估算装置，包括：堆栈自编码器SAE模型和全连接层；其中，

SAE模型，用于输入待估算日的日负荷曲线，提取待估算日的日负荷曲线降维特征，并将待估算日的日负荷曲线降维特征输入全连接层；

全连接层与SAE模型的输出端相连，用于根据待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。

可选的，待估算日的日负荷曲线的维数为待估算日的日负荷曲线的采样点数；待估算的气象敏感负荷功率的维数为待估算日的日负荷曲线的采样点数。

可选的，SAE模型由多个自编码器AE堆叠而成，每个AE均包括编码层和解码层；

全连接层的层数为至少一层。

第三方面，本发明实施例挺一种基于堆栈自编码器的气象敏感负荷功率估算方法，在堆栈自编码器SAE模型的输出端增加多层全连接层，建立基于SAE的气象敏感负荷功率估算模型；

利用SAE的无监督训练方法提取日负荷曲线的降维特征，利用气象敏感负荷功率曲线作为有标签样本训练全连接层，从而在全连接层形成由日负荷曲线降维特征到气象敏感负荷功率间的映射。

估算模型由两部分构成：第一部分为传统的堆栈自编码器SAE，第二部分为在SAE输出端上叠加的多个全连接层。

估算模型的输入为日负荷曲线，输入维数为日负荷曲线的采样点数；输出为气象敏感负荷功率，输出维数为日负荷曲线采样点数。

SAE的前向传播计算公式如下：

SAE的第一层输入为xⁱ，计算第一个自编码器AE的编码层的输出：

h(1)ⁱ＝s_f(W₁xⁱ+b₁)

其中，W₁、b₁分别为权值矩阵和偏置矩阵，s_f为激活函数；

由AE的编码层输出，按下式再通过解码层重构输入向量：

其中，W₁′、b₁′分别为重构时的权值矩阵和偏置矩阵，s_g为重构时的激活函数。

SAE的无监督训练方法如下：

采用历史每日的日负荷曲线数据样本为SAE的输入及输出的标签进行训练，按SAE计算所得的与SAE输出的标签xⁱ均方误差最小，计算AE的编码层及解码层的最优全连接层参数θ^*；

保留h(1)ⁱ，以h(1)ⁱ为下一AE的输入及其输出的标签，采用以上方式继续下一AE训练，下一个AE的输入即为h(1)ⁱ，以此类推，最终的SAE由多个AE堆叠而成。

AE的编码层及解码层的最优全连接层参数θ^*计算公式如下：

其中，N为训练样本数。

全连接层的前向传播计算公式如下：

O＝R(WI+b)；

式中，I、O分别为全连接层的输入输出向量，W、b分别为全连接层的权值矩阵和偏置矩阵，R为全连接层的激活函数。

全连接层的有监督训练方法如下：

以某日的日负荷曲线经SAE降维后的深层特征为全连接层的输入，以对应日期下，气象敏感负荷功率曲线为全连接层输出的标签进行训练，计算最优全连接层参数θ′^*：

式中，为第i个样本的最后一层全连接层的输出，P_W ⁱ为第i个样本的气象敏感负荷功率，N′为气象敏感负荷功率的日期数。

用于全连接层有监督训练的气象敏感负荷功率曲线采用以下步骤进行计算：

步骤1：对某一地区或某一变电站的总负荷功率及气象数据进行数据处理，并重新排序，获得由不同月的相同日相同时刻的总负荷功率、气象数据组成的“纵向”数据样本；

步骤2：建立总负荷功率、气象敏感负荷功率及各类气象信息之间的负荷-气象非线性关联模型，并利用梯度法辨识模型参数；

步骤3：将所辨识的模型参数、纵向的历史气象数据及总负荷功率数据代入关联模型，计算纵向气象敏感负荷功率曲线，并按正常时序排列得到历史每日的气象敏感负荷功率曲线。

步骤1中对总负荷功率及气象数据进行数据处理的步骤，包括数据清洗、去除基础负荷功率的长期增长量、考虑温度积累、迟滞效应和体感温湿度的各类气象因子修正计算。

对温度气象因子进行修正的步骤为：

基于温度的累积、迟滞效应对原始温度进行修正，修正公式为：

T_DayMod＝(T_day1λ_day1+T_day2λ_day2)/(λ_day1+λ_day2)

λ_day1＝1-exp[-exp(T_day1-26/6)]

λ_day2＝1-exp[-exp(T_day2-26/6)]

其中，T_DayMod为考虑温度积累效应后的修正温度；T_day1为当天的原始温度；T_day2为前一天的修正温度；λ_day1为当天的修正系数、λ_day2为前一天的修正系数。

对体感湿度气象因子进行修正的公式为：

H_T＝T_DayModH

其中，T_DayMod为考虑温度积累效应后的修正温度；H为相对湿度；H_T为湿度因子的修正值。

步骤2中，所述的负荷-气象非线性关联模型为：

其中，r_XY为总负荷功率与气象敏感负荷之间的相关系数；X为经步骤1处理并归一化后的总负荷功率；Y为对应X相同时刻下的气象敏感负荷，为某一样本的X、Y曲线均值；i为采样点序号，X_i、Y_i为某样本第i个采样点经步骤1处理并归一化后的总负荷功率，和相同时刻下的气象敏感负荷。n为单个样本的采样点个数；a₁,a₂,b₁,b₂,w₁,w₂为负荷-气象关联模型的待辨识参数。T_DayMod为考虑温度积累效应后的修正温度，H_T为相对湿度的修正值；气象敏感负荷Y与修正温度T_DayMod及修正湿度之间的关系为扩展的Sigmoid函数。

步骤2中，采用梯度法辨识负荷-气象非线性关联模型中的参数时，建立目标函数为相关系数最大值，即：

式中，m表示总样本个数，i表示第i号样本，表示第i号样本总负荷功率与气象敏感负荷之间的相关系数。

步骤3中，将所辨识的模型参数、“纵向”的修正气象数据及功率数据代入关联模型，计算该“纵向”样本对应时间下的气象敏感负荷曲线Y；对气象敏感负荷曲线Y进行最大最小值归一化，获得气象敏感负荷功率在总负荷功率中的占比：

式中，为某一样本中第j个数据的气象敏感负荷功率占比，Y^(j)为某一样本的第j个气象敏感负荷功率估计值Y，Y_max、Y_min分别为气象敏感负荷的最大、最小值；

则实际的气象敏感负荷功率估算值为：

P_weather＝ρ_weather·(P_max-P_min)

其中，P_max、P_min为该样本的总负荷功率最大、最小值，ρ_weather为该样本某采样时刻的气象敏感负荷功率占比。

将关联模型计算获得的“纵向”气象敏感负荷功率按照正常时序排列，获得“横向”排列的日气象敏感负荷功率曲线。

本发明所达到的有益效果：

本发明提出的估算模型可以由日负荷曲线直接获得气象敏感负荷功率曲线，尤其适用于实际应用时气象数据经常缺失的情况。SAE可以无监督提取日负荷曲线的降维特征，大幅减少了全连接层的输入神经元个数，从而大幅减少了全连接层的网络参数，显著降低了模型训练难度。

附图说明

图1基于堆栈自编码器的气象敏感负荷功率估算模型结构；

图2算例测试集中7月27-30日总负荷实际值与SAE计算结果比较；

图3算例测试集中7月27-30日本专利方法与关联模型计算结果比较。

具体实施方式

下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

SAE(stacked auto-encoder，堆栈自编码器，以下简称SAE)估算模型利用SAE的无监督学习提取日负荷曲线的降维特征；在SAE的输出端增加多层全连接层，以降维特征为其输入，并以关联模型或传统方法计算结果作为全连接层输出的标签，训练全连接层。在实际应用时，该估算模型可以根据日负荷曲线直接获得气象敏感负荷功率曲线，从而显著提升了方法的实用性。

基于SAE的气象敏感负荷估算模型结构附图1所示。模型包括SAE和全连接层2个部分。SAE的输入为日负荷曲线，输入维数为144，也即日负荷曲线的采样点数。SAE的输出维数以及编码、解码层数为超参数，需要在模型训练、测试时调优确定。全连接层位于SAE的输出端，其输入维数与SAE的输出维数一致，输出为144点的日气象敏感负荷功率，从而形成由SAE提取的日负荷曲线深层特征到气象敏感负荷功率曲线的映射。

模型的训练及气象敏感负荷的估算步骤如下。

1.以某一年中4-10月所有的日负荷曲线作为样本对SAE进行无监督训练，从而对日负荷曲线进行降维并提取其深层特征。

SAE的第一层输入为xⁱ，计算第一个自编码器(auto-encoder，AE)的编码层的输出：

h(1)ⁱ＝s_f(W₁xⁱ+b₁)

其中，W₁、b₁分别为权值矩阵和偏置矩阵，s_f为激活函数。

由AE的编码层输出，按下式再通过解码层重构输入向量：

其中，W₁′、b₁′分别为重构时的权值矩阵和偏置矩阵，s_g为重构时的激活函数。

采用历史每日日负荷曲线数据样本进行训练，按与xⁱ均方误差最小，寻求AE的编码层及解码层的最优全连接层参数θ^*。其计算公式如下。

其中，N为训练样本数。

保留h(1)ⁱ，采用以上方式继续下一AE训练，下一个AE的输入即为h(1)ⁱ，以此类推，最终的SAE由多个AE堆叠而成。

2.以气象敏感负荷功率曲线的计算方法的计算结果为有标签样本训练全连接层。

全连接层的计算公式为：

O＝R(WI+b)

其中，I、O分别为该层的输入、输出向量，W、b分别为全连接层的权值矩阵和偏置矩阵，R为全连接层的激活函数。

以某日的日负荷曲线经SAE降维后的深层特征为全连接层的输入，以对应日期下，气象敏感负荷功率曲线为全连接层输出的标签进行训练，计算最优全连接层参数θ′^*：

式中，Oⁱ为第i个样本的最后一层全连接层的输出，为第i个样本的气象敏感负荷功率，N′为可计算出气象敏感负荷功率的日期数。

3.估算模型训练好后，以待估算日的日负荷曲线作为输入，则模型的输出即为需估算的气象敏感负荷功率曲线。

实施例1

选取某地级市内某220kV变电站为研究对象进行实施方式说明。该变电站下包含了工业、商业、居民及牵引负荷，负荷类型全面。采集的数据为该站2015年全年负荷功率(采样间隔5分钟)，以及温度、湿度数据(采样间隔10分钟)。

步骤1：准备样本数据。

由于气象数据的残缺，计算出按正常时间顺序排列的日气象敏感负荷功率曲线数据共70条(4-10月，每个月10天)，其中65条数据作为训练SAE模型全连接层的带标签样本，另5条作测试样本。再取2015年4-10月(共214天，其中包含节假日69天)所有工作日该变电站日负荷曲线数据140条作为无标签样本训练SAE各层，另5条作测试样本。

由负荷-气象非线性关联模型计算出按正常时间顺序排列的日气象敏感负荷功率曲线。

步骤2：归一化处理样本数据。

对70条日气象敏感负荷功率数据及145条日负荷数据的每个样本进行极差归一化。即：

式中，x_i为某一样本的第i个数据，x_min、x_max为该样本的最小值、最大值。

步骤3：以4—10月所有的日负荷曲线数据作为样本对SAE进行无监督训练，从而对日负荷曲线数据进行降维并提取其深层特征。以解码器输出与相应日负荷曲线数据的相对百分误差绝对值的平均值(mean absolute percentage error，MAPE)最小作为训练的目标函数。MAPE的计算公式为：

其中，x_i为实际的日负荷功率，x_i′为解码器输出值，n为总的采样点数。

实际测试后，最终选定SAE的超参数为：SAE编码、解码层各4层，即进行4次自编码过程，最终将144点的日负荷数据降维至5个深层特征参数。经过降维，全连接层的输入维数(5维)及神经元个数大大减少，也即需确定的权重及偏置参数大量减少，有效降低了全连接层的训练难度。

步骤4：以关联模型计算结果作为有标签样本训练全连接层。全连接层的输出标签为关联模型计算得到的日气象敏感负荷功率曲线，输入样本为日负荷功率曲线经SAE降维后的深层特征，训练的目标函数为MAPE最小。

经过实际测试，最终设置2层的全连接层，分别含25、144个神经元。其第1层的激活函数取ReLU函数，第2层取tanh函数。故实际上带气象敏感负荷功率曲线为标签的样本仅需训练两层全连接层即可。

步骤5：对完整模型输出的每个样本的归一化计算结果进行还原：

y_i＝y′_i·(x_max-x_min)+x_min

式中，y′_i为模型输出的归一化气象敏感负荷功率值，x_max、x_min为模型输入的日负荷曲线样本的最大实际值及最小实际值。

步骤6：对SAE训练结果进行测试。

取测试集中7月27-30日总负荷功率实际值与SAE编解码后输出曲线进行比较，如附图2。分别计算各日两曲线间的MAPE值，估算测试误差，如下表所示。

表5

由上表及附图2可见，SAE编解码后的功率曲线与实际负荷曲线高度吻合，说明了SAE降维提取深层特征(输入的144维降至SAE输出的5维)时能较完整的反映输入曲线信息。

步骤7：对全连接层训练结果进行测试。

选取7月27-30日的测试样本，模型输出的气象敏感负荷功率曲线与关联模型结果对比如附图3所示。

由附图3可以看出，两曲线总体接近。考虑到训练样本较小这一因素，图中测试结果良好，说明SAE估算模型可逼近关联模型计算结果，故可在气象数据缺失较多而难以使用关联模型时采用SAE估算模型直接获得日气象敏感负荷功率曲线。

步骤8：估算模型训练、测试后，以所需估算气象敏感负荷功率曲线的日期的日负荷曲线作为模型的总输入，则模型的最终输出即为需估算的气象敏感负荷功率曲线。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (19)

1.一种气象敏感负荷功率估算方法，其特征在于，包括：

获取气象敏感负荷功率估算模型；

向所述气象敏感负荷功率估算模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征；

根据所述待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。

2.根据权利要求1所述的气象敏感负荷功率估算方法，其特征在于，所述获取气象敏感负荷功率估算模型包括：

训练获得所述气象敏感负荷功率估算模型，并对所述气象敏感负荷功率估算模型进行测试。

3.根据权利要求2所述的气象敏感负荷功率估算方法，其特征在于，所述气象敏感负荷功率估算模型包括堆栈自编码器SAE模型和全连接层；

所述训练获得所述气象敏感负荷功率估算模型包括：

训练所述SAE模型，以及训练全连接层；

所述向所述气象敏感负荷功率估算模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征包括：

向所述SAE模型输入待估算日的日负荷曲线，以提取待估算日的日负荷曲线降维特征；

所述根据所述待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率包括：

所述全连接层根据所述SAE模型提取到的所述待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。

4.根据权利要求3所述的气象敏感负荷功率估算方法，其特征在于，所述训练SAE模型包括：

以历史数据样本为所述SAE模型的输入及输出的标签，对所述SAE模型的第一个AE进行训练；

以所述第一个AE的编码层的输出为输入的标签，对所述SAE模型的下一个AE进行训练，直至所述SAE模型的所有AE训练完毕；

其中，训练的目标函数为所述SAE模型的输出与相应历史数据样本的日负荷曲线的相对百分误差绝对值的平均值MAPE最小，x_i为实际的日负荷功率，x_i′为所述SAE模型的输出，n为总的采样点数。

5.根据权利要求4所述的气象敏感负荷功率估算方法，其特征在于，所述对所述SAE模型的第一个AE进行训练满足如下公式：

h(1)ⁱ＝s_f(W₁xⁱ+b₁)；xⁱ为所述SAE模型的第一个AE的输入，h(1)ⁱ为第一个AE的编码层的输出，W₁、b₁分别为权值矩阵和偏置矩阵，s_f为激活函数；

为所述SAE模型的第一个AE的输出，W₁′、b₁′分别为重构时的权值矩阵和偏置矩阵，s_g为重构时的激活函数；

与xⁱ的均方误差最小，θ^*为第一个AE的编码层及解码层的最优全连接层参数，N为历史数据样本数。

6.根据权利要求3所述的气象敏感负荷功率估算方法，其特征在于，所述训练所述全连接层包括：

以历史数据样本的日负荷曲线降维特征为所述全连接层的输入的标签、气象敏感负荷功率曲线为所述全连接层的输出的标签，对所述全连接层进行训练，得到最优全连接层参数θ′^*，其中，所述历史数据样本的日负荷曲线降维特征与所述气象敏感负荷功率曲线的对应日期相同；

Oⁱ为第i个样本的最后一层全连接层的输出，P_W ⁱ为第i个样本的气象敏感负荷功率，N′为全连接层训练样本的日期数。

7.根据权利要求6所述的气象敏感负荷功率估算方法，其特征在于，所述全连接层的计算公式满足O＝R(WI+b)；

其中，I、O分别为所述全连接层的输入和输出向量，W、b分别为所述全连接层的权值矩阵和偏置矩阵，R为所述全连接层的激活函数。

8.根据权利要求3所述的气象敏感负荷功率估算方法，其特征在于，还包括：

在训练所述SAE模型前，对历史数据样本进行归一化处理；

在训练所述全连接层后，对所述全连接层输出的每个样本的归一化计算结果进行还原。

9.一种气象敏感负荷功率估算装置，其特征在于，包括：堆栈自编码器SAE模型和全连接层；其中，

所述SAE模型，用于输入待估算日的日负荷曲线，提取待估算日的日负荷曲线降维特征，并将所述待估算日的日负荷曲线降维特征输入所述全连接层；

所述全连接层与所述SAE模型的输出端相连，用于根据所述待估算日的日负荷曲线降维特征，以及日负荷曲线的降维特征到气象敏感负荷功率间的映射，输出气象敏感负荷功率。

10.根据权利要求9所述的气象敏感负荷功率估算装置，其特征在于，所述待估算日的日负荷曲线的维数为待估算日的日负荷曲线的采样点数；所述待估算的气象敏感负荷功率的维数为所述待估算日的日负荷曲线的采样点数。

11.根据权利要求9所述的气象敏感负荷功率估算装置，其特征在于，

所述SAE模型由多个自编码器AE堆叠而成，每个所述AE均包括编码层和解码层；

所述全连接层的层数为至少一层。

12.一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，在堆栈自编码器SAE模型的输出端增加多层全连接层，建立基于SAE的气象敏感负荷功率估算模型；

利用SAE的无监督训练方法提取日负荷曲线的降维特征，利用气象敏感负荷功率曲线作为有标签样本训练全连接层，从而在全连接层形成由日负荷曲线降维特征到气象敏感负荷功率间的映射。

13.根据权利要求12所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，估算模型的输入为日负荷曲线，输入维数为日负荷曲线的采样点数；输出为气象敏感负荷功率，输出维数为日负荷曲线采样点数。

14.根据权利要求12所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，SAE的前向传播计算公式如下：

SAE的第一层输入为xⁱ，计算第一个自编码器AE的编码层的输出：

h(1)ⁱ＝s_f(W₁xⁱ+b₁)

其中，W₁、b₁分别为权值矩阵和偏置矩阵，s_f为激活函数；

由AE的编码层输出，按下式再通过解码层重构输入向量：

其中，W₁′、b₁′分别为重构时的权值矩阵和偏置矩阵，s_g为重构时的激活函数，h(1)ⁱ为第一个自编码器编码层的输出。

15.根据权利要求14所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，SAE的无监督训练方法如下：

采用历史每日的日负荷曲线数据样本为SAE的输入及输出的标签进行训练，按SAE计算所得的与SAE输出的标签xⁱ均方误差最小，计算AE的编码层及解码层的最优全连接层参数θ^*；

保留h(1)ⁱ，以h(1)ⁱ为下一AE的输入及其输出的标签，采用以上方式继续下一AE训练，下一个AE的输入即为h(1)ⁱ，以此类推，最终的SAE由多个AE堆叠而成。

16.根据权利要求15所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，AE的编码层及解码层的最优全连接层参数θ^*计算公式如下：

其中，N为训练样本数。

17.根据权利要求12所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，全连接层的前向传播计算公式如下：

O＝R(WI+b)；

式中，I、O分别为全连接层的输入输出向量，W、b分别为全连接层的权值矩阵和偏置矩阵，R为全连接层的激活函数。

18.根据权利要求17所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，全连接层的有监督训练方法如下：

以某日的日负荷曲线经SAE降维后的深层特征为全连接层的输入，以对应日期下，气象敏感负荷功率曲线为全连接层输出的标签进行训练，计算最优全连接层参数θ′^*：

式中，Oⁱ为第i个样本的最后一层全连接层的输出，P_W ⁱ为第i个样本的气象敏感负荷功率，N′为气象敏感负荷功率的日期数。

19.根据权利要求17所述的一种基于堆栈自编码器的气象敏感负荷功率估算方法，其特征在于，用于全连接层有监督训练的气象敏感负荷功率曲线采用以下步骤计算：

步骤1：对某一地区或某一变电站的总负荷功率及气象数据进行数据处理，并重新排序，获得由不同月的相同日相同时刻的总负荷功率、气象数据组成的“纵向”数据样本；

步骤2：建立总负荷功率、气象敏感负荷功率及各类气象信息之间的负荷-气象非线性关联模型，并利用梯度法辨识模型参数；

步骤3：将所辨识的模型参数、纵向的历史气象数据及总负荷功率数据代入关联模型，计算纵向气象敏感负荷功率曲线，并按正常时序排列得到历史每日的气象敏感负荷功率曲线。