CN110232476B - 一种基于深度学习的微电网负荷预测方法 - Google Patents

一种基于深度学习的微电网负荷预测方法 Download PDF

Info

Publication number
CN110232476B
CN110232476B CN201910465445.XA CN201910465445A CN110232476B CN 110232476 B CN110232476 B CN 110232476B CN 201910465445 A CN201910465445 A CN 201910465445A CN 110232476 B CN110232476 B CN 110232476B
Authority
CN
China
Prior art keywords
fully
network
load
layer
micro
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910465445.XA
Other languages
English (en)
Other versions
CN110232476A (zh
Inventor
王非
陈梦丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910465445.XA priority Critical patent/CN110232476B/zh
Publication of CN110232476A publication Critical patent/CN110232476A/zh
Application granted granted Critical
Publication of CN110232476B publication Critical patent/CN110232476B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于深度学习的微电网负荷预测方法，包括：按照设定的采样时间间隔，采集多个不同类型微电网的历史负荷数据，所述历史负荷数据包括负荷值及对应的时间信息；对所述历史负荷数据进行特征转化，获得输入特征向量，并将所述输入特征向量作为训练集；将所述训练集输入包括基本网络模块和残差网络模块的深度神经网络中进行训练，得到微电网负荷预测模型；将待预测微电网的历史负荷数据输入训练好的微电网负荷预测模型中，得到待预测微电网的负荷预测结果。本发明利用深度神经网络较强的非线性映射能力，充分挖掘历史负荷数据的潜在特征，实现对未来负荷的高精度预测；同时实现跨区域、不同类型的微电网负荷预测。

Description

一种基于深度学习的微电网负荷预测方法
技术领域
本发明属于电力系统负荷预测领域，更具体地，涉及一种基于深度学习的微电网负荷预测方法。
背景技术
微电网的发展可以使可再生能源和分布式电源获得充分的开发和利用，成为大电网必不可少的有力补充。微电网是一个可自我控制的系统，能够帮助用户实现电能质量的自我管理和能源有效应用。微电网负荷预测关乎微电网的安全经济运行和稳定系统调控，同时对大电网的安全运行提供重要支撑作用，对居民生活来说，电力系统的稳定性和安全性直接影响着人们的生活质量。
从1960年初到目前为止，国内外的许多专家在负荷预测领域做了大量的工作，提出了很多负荷预测算法及相应模型，比如时间序列法、支持向量机、梯度提升决策树和神经网络等，将这些模型应用于大区域电网负荷预测时，由于大区域电网负荷的波动小，负荷曲线平滑效果好，体现出较强的周期性，所以通过历史负荷可以较准确地推测出待预测负荷，并且可以采用诸如天气、温度等信息来辅助模型预测，所以这些模型结合优化算法可以实现理想的预测效果。但是由于微电网负荷相比于大区域电网负荷，具有容量小、波动大和非线性强的特点，因此适用于大区域电网的预测模型不适合微电网，无法获得较高的预测精度。由于待预测时刻的天气、温度等信息是未知的，所以在进行实际的预测时，待预测时刻的天气、温度等信息要依赖于气象预测，会加大负荷预测的不确定性，所以微电网的预测难度更大。
由于微电网独立运行，单个用户即可看作一个微电网，因此微电网的数量非常多，想要实现大量微电网的负荷预测，就需要多个相应的模型来进行独立地训练和预测，这样会生成大量预测模型，占用大量存储资源，因此有必要将多个微电网的负荷数据进行特征提取并构造得到统一样本模型，将不同类型微电网统一为一个预测模型，实现对多个微电网的高精度的负荷预测。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于深度学习的微电网负荷预测方法，旨在解决不同类型的微电网负荷预测需要独立进行模型训练和预测，造成预测模型数量多、占用存储空间大的问题。
为实现上述目的，本发明提供了一种基于深度学习的微电网负荷预测方法，包括：
(1)按照设定的采样时间间隔，采集多个不同类型微电网的历史负荷数据，所述历史负荷数据包括负荷值及对应的时间信息；
(2)对所述历史负荷数据进行特征转化，获得输入特征向量，并将所述输入特征向量作为训练集；
(3)将所述训练集输入包括基本网络模块残差网络模块的深度神经网络中进行训练，得到微电网负荷预测模型；
其中，所述基本网络模块用于根据输入特征向量，获得未来负荷值的初步预测结果；所述残差网络模块用于根据所述初步预测结果，获得未来负荷值的最终预测结果，提高预测精度；
(4)将待预测微电网的历史负荷数据输入训练好的微电网负荷预测模型中，得到待预测微电网的负荷预测结果。
进一步地，步骤(1)中所述设定的采样时间间隔为1小时。
进一步地，步骤(2)所述对所述历史负荷数据进行特征转化，获得输入特征向量，并将所述输入特征向量作为训练集，具体包括：
(2.1)分别对所述历史负荷数据中包含的时间信息对应的星期数、小时数、日期类型进行编码，获得第一特征向量；
(2.2)将待预测时刻前24小时的历史负荷值按顺序构成一个24维数值向量，作为第二特征向量；
(2.3)将所述待预测时刻对应日期前一天的24个负荷值从小到大排列，并选取三个设定分位点数据构成一个3维数值向量，作为第三特征向量；
(2.4)所述第一特征向量、第二特征向量和第三特征向量共同组成所述输入特征向量。
进一步地，步骤(2.1)所述分别对所述历史负荷数据中包含的时间信息对应的星期数、小时数、日期类型进行编码，获得第一特征向量，具体包括：
(2.1.1)采用依次代表周一至周日的7维向量对星期数进行编码，将当前时间对应的星期数所在位置标记为1，其余位置标记为0；
(2.1.2)采用依次代表0点至23点的24维向量对小时数进行编码，将当前时间对应的小时数所在位置标记为1，其余位置标记为0；
(2.1.3)采用依次代表工作日和休息日的2维向量对日期类型进行编码，将工作日标记为[1,0]，休息日标记为[0,1]。
进一步地，步骤(2.3)中所述三个设定分位点分别为24个负荷值由小到大排列后第6个负荷值、第12个负荷值以及第18个负荷值。
进一步地，步骤(3)中所述基本网络模块包括：第一全连接层、第二全连接层、第三全连接层和神经网络输出层；
所述第一全连接层包括并列的第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络和第五全连接网络；
所述第二全连接层包括并列的第六全连接网络和第七全连接网络；
所述第三全连接层包括第八全连接网络；
所述神经网络输出层包括第九全连接网络。
进一步地，所述第一全连接层、第二全连接层和第三全连接层中包含的全连接网络的神经元个数均为10；所述神经网络输出层的神经元个数为1。
进一步地，所述基本网络模块中各层的输入输出关系为：
将经过特征转化的分位点信息、星期数、日期类型、小时数和前24小时历史负荷对应输入所述第一全连接层中并列的第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络和第五全连接网络；
将所述第一全连接网络、第二全连接网络和第三全连接网络的输出共同作为所述第二全连接层中第六全连接网络的输入，并将所述第四全连接网络和第五全连接网络的输出共同作为所述第二全连接层中第七全连接网络的输入；
将所述第二全连接层中第六全连接网络、第七全连接网络的输出和所述第一全连接层中第三全连接网络的输出共同作为所述第八全连接网络的输入；
将所述第八全连接网络的输出作为所述第九全连接网络的输入，所述第九全连接网络的输出为基本网络模块的输出。
进一步地，所述残差网络模块包括：第五全连接层、第六全连接层和第七全连接层；
所述第五全连接层和第六全连接层均包括并列的四个全连接网络；
所述第七全连接层包括一个全连接网络。
进一步地，所述第五全连接层中包含的全连接网络的神经元个数均为20，所述第六全连接层中包含的全连接网络和所述第七全连接层包含的全连接网络的神经元个数均为24。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
(1)本发明提供了一种基于深度学习的微电网负荷预测方法，通过对多个不同类型的微电网负荷数据进行特征提取，获得具有丰富特征数据的训练样本，训练得到的预测模型具有较高的泛化能力和稳定性，能实现对多种不同类型微电网的负荷预测，相比不同类型的微电网负荷预测模型需要独立进行训练和预测，本发明的方法能够大大减少模型个数，降低模型管理复杂度，节约存储空间。
(2)本发明通过构建深度神经网络模型，充分挖掘历史负荷数据中的特征，利用深度神经网络较强的非线性映射能力，学习负荷与相关影响因素之间的内在联系，综合考虑影响负荷的星期数、日期类型、小时数、历史负荷以及分位点信息因素，能够有效提高微电网负荷预测的精度。
(3)对于一个新接入的微电网来说，即使历史负荷数据不足够丰富，利用本发明的预测模型也可以实现高精度的负荷预测。
附图说明
图1是本发明提供的一种基于深度学习的微电网负荷预测方法流程图；
图2是本发明的第二特征向量取值示意图；
图3是本发明提供的统一模型构建方法示意图；
图4是本发明的基本网络模块结构图；
图5是本发明的残差网络模块结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，本发明实施例提供的一种基于深度学习的微电网负荷预测方法，包括：
(1)按照设定的采样时间间隔，采集多个不同类型微电网的历史负荷数据，所述历史负荷数据包括负荷值及对应的时间信息；
具体地，本发明实施例包含9个不同类型的微电网，每个微电网采集得到为期3个月的历史负荷数据，时间起止为2016年7月1日00:00:00至2016年9月30日23:00:00，采样时间间隔1小时，因此每个微电网拥有92天的历史负荷数据，共92*24＝2208个负荷数据值。
(2)对所述历史负荷数据进行特征转化，获得输入特征向量，并将所述输入特征向量作为训练集；
具体地，本实施例主要分析星期数、小时数、日期状态和延迟负荷对负荷变化的影响并寻找规律，通过观察发现，星期数、小时数、日期状态和延迟负荷对负荷变化均是影响负荷预测的因素；
步骤(2)具体包括：
(2.1)分别对所述历史负荷数据中包含的时间信息对应的星期数、小时数、日期类型进行编码，获得第一特征向量；
步骤(2.1)具体包括：
(2.1.1)采用依次代表周一至周日的7维向量对星期数进行编码，将当前时间对应的星期数所在位置标记为1，其余位置标记为0；
星期数的特征转化结果具体如表1所示：
表1
Figure GDA0002137932060000061
(2.1.2)采用依次代表0点至23点的24维向量对小时数进行编码，将当前时间对应的小时数所在位置标记为1，其余位置标记为0；
小时数的特征转化结果具体如表2所示：
表2
Figure GDA0002137932060000062
Figure GDA0002137932060000071
(2.1.3)采用依次代表工作日和休息日的2维向量对日期类型进行编码，将工作日标记为[1,0]，休息日标记为[0,1]。
日期类型只有两种状态：工作日和休息日，使用2维的向量对两个状态进行编码，因此工作日转化为[1,0]，休息日则转化为[0,1]。
(2.2)将待预测时刻前24小时的历史负荷值按顺序构成一个24维数值向量，作为第二特征向量；
选取的历史负荷为预测点前24小时对应的负荷值，设预测点的负荷值为load(t)，那么预测点前24个负荷值向量为[load(t-i),i＝1,2,3,…,24]，如图2所示。
(2.3)将所述待预测时刻对应日期前一天的24个负荷值从小到大排列，并选取三个设定分位点数据构成一个3维数值向量，作为第三特征向量；
将预测点前一天完整的24个负荷值的三个分位点数据构成一个3维数值向量[Q1,Q2,Q3]，其中Q1为24个负荷值由小到大排列后第25％负荷值，即第6个负荷值，Q2为24个负荷值由小到大排列后第50％的负荷值，即第12个负荷值，Q3为24个负荷值由小到大排列后第75％的负荷值，即第18个负荷值。
(2.4)所述第一特征向量、第二特征向量和第三特征向量共同组成所述输入特征向量；
对微电网负荷数据进行特征转化，并获得输入特征向量后，采用图3所示的统一模型构建方式，构造得到统一样本训练集，从而将多个微电网统一为一个模型。
(3)将所述训练集输入包括基本网络模块残差网络模块的深度神经网络中进行训练，得到微电网负荷预测模型；
其中，所述基本网络模块对输入向量进行处理，经过全连接网络的学习，预先获得未来一天24个负荷值，所述残差网络模块则将基本网络模块预先得到的24个负荷值再经过全连接网络的处理，得到最终的未来一天24个负荷值，提高预测精度；
具体地，如图4所示，基本网络模块包括：第一全连接层、第二全连接层、第三全连接层和神经网络输出层；第一全连接层包括并列的第一全连接网络L1、第二全连接网络L2、第三全连接网络L3、第四全连接网络L4和第五全连接网络L5；第二全连接层包括并列的第六全连接网络L6和第七全连接网络L7；第三全连接层包括第八全连接网络L8；神经网络输出层包括第九全连接网络L9；
其中，第一全连接层、第二全连接层和第三全连接层中包含的全连接网络的神经元个数均为10，神经网络输出层的神经元个数为1；
基本网络模块中各层的输入输出关系为：
将经过特征转化的分位点信息、星期数、日期类型、小时数和前24小时历史负荷对应输入第一全连接层中并列的第一全连接网络L1、第二全连接网络L2、第三全连接网络L3、第四全连接网络L4和第五全连接网络L5；
将第一全连接网络L1、第二全连接网络L2和第三全连接网络L3的输出共同作为第二全连接层中第六全连接网络L6的输入，并将第四全连接网络L4和第五全连接网络L5的输出共同作为第二全连接层中第七全连接网络L7的输入；
将第二全连接层中第六全连接网络L6、第七全连接网络的输出L7和第一全连接层中第三全连接网络L3的输出共同作为第八全连接网络L8的输入，将第八全连接网络L8的输出作为第九全连接网络L9的输入，第九全连接网络L9的输出为基本网络模块的输出；
基本网络模块采用Sigmoid作为激活函数：
Figure GDA0002137932060000091
如图5所示，残差网络模块包括：第五全连接层、第六全连接层和第七全连接层；第五全连接层包括并列的四个全连接网络L10-L13，第六全连接层也包括并列的四个全连接网络L14-L17；第七全连接层包括一个全连接网络L18；
其中，第五全连接层包含的全连接网络L10-L13的神经元个数均为20，第六全连接层包含的全连接网络L14-L17和第七全连接层包含的全连接网络L18的神经元个数均为24；
首先将基本网络模块的输出输入到第五全连接层中并列的四个全连接网络L10-L13中，即L10-L13的输入都是一样的，然后将L10-L13的输出再对应输入到第六全连接层中并列的四个全连接网络L14-L17中，接着将L14-L17的输出向量按对应元素相加(add)的方式进行融合，获得一个输出向量，再将该输出向量经过全连接层L18与原始的基本网络模块的输出按对应元素相加(add)的方式融合得到一个输出向量，作为残差网络模块最后的输出；
残差网络采用SELU作为激活函数：
Figure GDA0002137932060000092
其中λ和α是两个可变的参数，当λ≈1.0577且α≈1.6733时，全连接神经网络的输出将会自动归一化到零均值和单位方差，保证训练过程中梯度不会爆炸或消失。
(4)将待预测微电网的历史负荷数据输入训练好的微电网负荷预测模型中，得到待预测微电网的负荷预测结果。
具体地，对每个微电网未来20天的负荷进行预测，共获得480个负荷数据值，每个微电网从2016年9月11日00:00:00开始预测，将预测结果加入原输入向量组成新的训练样本，再来预测2016年9月11日01:00:00的负荷，依此类推，预测24次后，得到未来一天的负荷预测值。
(5)选取平均绝对百分比误差(MAPE)作为预测效果的评判依据；
本实施例中，每天的负荷预测的误差计算公式如下：
Figure GDA0002137932060000101
本发明在脱离了气象数据限制的情况下，充分挖掘负荷数据变化的特征及规律，并且递归式的预测得到未来一天的24个负荷数据点。利用统一预测模型实现跨区域、不同类型微电网的负荷预测，还可以对新接入的微电网进行预测，并获得较高的预测精度，实验证明，每个微电网每天的MAPE值均在10％以下，并且其中大部分MAPE值在5％以下。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的微电网负荷预测方法，其特征在于，包括：
(1)按照设定的采样时间间隔，采集多个不同类型微电网的历史负荷数据，所述历史负荷数据包括负荷值及对应的时间信息；
(2)对每个不同类型微电网的历史负荷数据进行特征转化，获得各个不同类型微电网对应的输入特征向量，并将所有不同类型微电网对应的输入特征向量对应组合在一起作为训练集；所述训练集将多个不同类型的微电网负荷数据统一为一个训练样本；步骤(2)所述对每个不同类型微电网的历史负荷数据进行特征转化，获得各个不同类型微电网对应的输入特征向量，具体包括：
(2.1)分别对所述历史负荷数据中包含的时间信息对应的星期数、小时数、日期类型进行编码，获得第一特征向量；
(2.2)将待预测时刻前24小时的历史负荷值按顺序构成一个24维数值向量，作为第二特征向量；
(2.3)将所述待预测时刻对应日期前一天的24个负荷值从小到大排列，并选取三个设定分位点数据构成一个3维数值向量，作为第三特征向量；
(3)将所述训练集输入包括基本网络模块和残差网络模块的深度神经网络中进行训练，得到微电网负荷预测模型；所述微电网负荷预测模型能实现对多种不同类型微电网的负荷预测；
其中，所述基本网络模块用于根据输入特征向量，获得未来负荷值的初步预测结果；所述残差网络模块用于根据所述初步预测结果，获得未来负荷值的最终预测结果，提高预测精度；
(4)将待预测微电网的历史负荷数据输入训练好的微电网负荷预测模型中，得到待预测微电网的负荷预测结果；预测过程中，将当前预测时刻对应的微电网负荷预测结果加入原输入向量组成新的训练样本，再来预测下一预测时刻的微电网负荷。
2.根据权利要求1所述的一种基于深度学习的微电网负荷预测方法，其特征在于，步骤(1)中所述设定的采样时间间隔为1小时。
3.根据权利要求1所述的一种基于深度学习的微电网负荷预测方法，其特征在于，步骤(2.1)所述分别对所述历史负荷数据中包含的时间信息对应的星期数、小时数、日期类型进行编码，获得第一特征向量，具体包括：
(2.1.1)采用依次代表周一至周日的7维向量对星期数进行编码，将当前时间对应的星期数所在位置标记为1，其余位置标记为0；
(2.1.2)采用依次代表0点至23点的24维向量对小时数进行编码，将当前时间对应的小时数所在位置标记为1，其余位置标记为0；
(2.1.3)采用依次代表工作日和休息日的2维向量对日期类型进行编码，将工作日标记为[1,0]，休息日标记为[0,1]。
4.根据权利要求1所述的一种基于深度学习的微电网负荷预测方法，其特征在于，步骤(2.3)中所述三个设定分位点分别为24个负荷值由小到大排列后第6个负荷值，第12个负荷值以及第18个负荷值。
5.根据权利要求1-4任一项所述的一种基于深度学习的微电网负荷预测方法，其特征在于，步骤(3)中所述基本网络模块包括：第一全连接层、第二全连接层、第三全连接层和神经网络输出层；
所述第一全连接层包括并列的第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络和第五全连接网络；
所述第二全连接层包括并列的第六全连接网络和第七全连接网络；
所述第三全连接层包括第八全连接网络；
所述神经网络输出层包括第九全连接网络。
6.根据权利要求5所述的一种基于深度学习的微电网负荷预测方法，其特征在于，所述第一全连接层、第二全连接层和第三全连接层中包含的全连接网络的神经元个数均为10；所述神经网络输出层的神经元个数为1。
7.根据权利要求6所述的一种基于深度学习的微电网负荷预测方法，其特征在于，所述基本网络模块中各层的输入输出关系为：
将经过特征转化的分位点信息、星期数、日期类型、小时数和前24小时历史负荷对应输入所述第一全连接层中并列的第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络和第五全连接网络；
将所述第一全连接网络、第二全连接网络和第三全连接网络的输出共同作为所述第二全连接层中第六全连接网络的输入，并将所述第四全连接网络和第五全连接网络的输出共同作为所述第二全连接层中第七全连接网络的输入；
将所述第二全连接层中第六全连接网络、第七全连接网络的输出和所述第一全连接层中第三全连接网络的输出共同作为所述第八全连接网络的输入；
将所述第八全连接网络的输出作为所述第九全连接网络的输入，所述第九全连接网络的输出为基本网络模块的输出。
8.根据权利要求1-7任一项所述的一种基于深度学习的微电网负荷预测方法，其特征在于，所述残差网络模块包括：第五全连接层、第六全连接层和第七全连接层；
所述第五全连接层和第六全连接层均包括并列的四个全连接网络；
所述第七全连接层包括一个全连接网络。
9.根据权利要求8所述的一种基于深度学习的微电网负荷预测方法，其特征在于，所述第五全连接层中包含的全连接网络的神经元个数均为20，所述第六全连接层中包含的全连接网络和所述第七全连接层包含的全连接网络的神经元个数均为24。
CN201910465445.XA 2019-05-30 2019-05-30 一种基于深度学习的微电网负荷预测方法 Expired - Fee Related CN110232476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465445.XA CN110232476B (zh) 2019-05-30 2019-05-30 一种基于深度学习的微电网负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465445.XA CN110232476B (zh) 2019-05-30 2019-05-30 一种基于深度学习的微电网负荷预测方法

Publications (2)

Publication Number Publication Date
CN110232476A CN110232476A (zh) 2019-09-13
CN110232476B true CN110232476B (zh) 2021-12-03

Family

ID=67858240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465445.XA Expired - Fee Related CN110232476B (zh) 2019-05-30 2019-05-30 一种基于深度学习的微电网负荷预测方法

Country Status (1)

Country Link
CN (1) CN110232476B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909994A (zh) * 2019-11-13 2020-03-24 广西电网有限责任公司 基于大数据驱动的小水电群发电量预测方法
CN112016835A (zh) * 2020-08-31 2020-12-01 广东电网有限责任公司广州供电局 配电网电缆线路监测方法、计算机设备和存储介质
FR3118544B1 (fr) * 2020-12-24 2022-12-30 Total Se Procédé de contrôle d’un micro-réseau électrique
CN113205174B (zh) * 2021-03-24 2022-09-02 国网江苏省电力有限公司 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
CN112803427A (zh) * 2021-03-24 2021-05-14 国网山东省电力公司泰安供电公司 基于需求的区域电网调度方法、系统、终端及存储介质
CN113627659A (zh) * 2021-07-29 2021-11-09 南京亚派软件技术有限公司 基于深度残差网络的园区需求侧短期负荷预测系统及方法
CN113660176B (zh) * 2021-08-16 2023-04-07 中国电信股份有限公司 通信网络的流量预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376389A (zh) * 2014-12-10 2015-02-25 国电南京自动化股份有限公司 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN104951846A (zh) * 2015-06-02 2015-09-30 国电南京自动化股份有限公司 微电网短期功率和负荷预测系统及误差分类动态修正方法
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236718B (zh) * 2013-03-26 2014-12-31 东北大学 一种智能微网的源-网-荷自动控制系统及控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376389A (zh) * 2014-12-10 2015-02-25 国电南京自动化股份有限公司 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN104951846A (zh) * 2015-06-02 2015-09-30 国电南京自动化股份有限公司 微电网短期功率和负荷预测系统及误差分类动态修正方法
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于人工神经网络的微电网短期负荷预测;苏尤丽;《内蒙古师范大学学报(自然科学汉文版)》;20160115(第01期);全文 *
基于深度学习的电网短期负荷预测方法研究;吴润泽等;《现代电力》;20171222(第02期);全文 *
深度学习算法在电力系统短期负荷预测中的应用;董浩等;《电气时代》;20170210(第02期);全文 *

Also Published As

Publication number Publication date
CN110232476A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232476B (zh) 一种基于深度学习的微电网负荷预测方法
Lin et al. An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation
Wang et al. Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system
EP3822880A1 (en) Load prediction method and apparatus based on neural network
CN105205563A (zh) 一种基于大数据的短期负荷预测平台
Liu et al. Hybrid data-driven and model-based distribution network reconfiguration with lossless model reduction
Gautam et al. Household energy management model to maximize solar power utilization using machine learning
CN115271161A (zh) 一种多能负荷短期预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
Ding et al. Forecast of pv power generation based on residual correction of markov chain
CN115577647B (zh) 电网故障类型识别方法与智能体构建方法
Luo et al. Research on transmission and transformation engineering cost system based on BIM 3D modelling technology
CN109146191B (zh) 一种基于泛蕴涵模型的短期电力负荷预测方法及系统
CN110619107A (zh) 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法
Fan et al. Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network
CN112926653B (zh) 基于小时级天气类型校正的光伏功率短期预测方法及系统
CN113283638A (zh) 一种基于融合模型的负荷极值曲线预测方法及系统
Cao et al. Probabilistic electricity demand forecasting with transformer-guided state space model
CN114091325A (zh) 一种基于多模型分层学习的配电台区负荷预测方法及系统
CN113421004A (zh) 输配协同的主动配电网分布式鲁棒扩展规划系统及方法
CN112348235A (zh) 风光母线负荷自适应预测方法、装置、计算机设备
CN112001519A (zh) 一种基于深度神经网络的电力负荷预测方法
CN117034780B (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN117220318B (zh) 电网数字化驱动控制方法及系统
Zou et al. Mid-term Forecast of Electricity Consumption of Enterprises Based on Bi-Directional LSTM and Nonpooling CNN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211203

CF01 Termination of patent right due to non-payment of annual fee