一种基于深度学习的SCADA主站负荷预测方法技术

本发明专利技术公开了一种基于深度学习的SCADA主站负荷预测方法，该主站预测方法主要包括以下步骤：生成原始数据；对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；利用最优模型参数进行实时负荷预测。本发明专利技术采用自适应非线性处理技术，利用大量历史数据训练，提高短期负荷预测精度，便于调度人员准确、实时地了解未来负荷的变化波动。

【技术实现步骤摘要】
一种基于深度学习的SCADA主站负荷预测方法
本专利技术涉及电力系统
，具体是指一种基于深度学习的SCADA主站负荷预测方法。
技术介绍
牵引供电负荷预测可分为长期、中期以及短期负荷预测，而短期负荷预测已经成为系统调度分析和优化的基本工作，准确的负荷预测既能保证牵引供电的稳定，减少用电成本，提高供电质量，也有助于供电系统的安全运营。负荷数据不仅表现在与历史数据有关，而且还与其它因素有关，比如天气，温度，降雨量等。负荷数据与这些因素之间的关系是高度复杂且非线性的，现阶段还未能建立这种关系的量化表达式。牵引供电系统负荷分配日渐复杂化、无规律，导致供电系统的负荷预测十分困难。目前，牵引供电系统负荷预测多采用线性预测方法，比如线性回归、自回归滑动平均模型(ARMA)、自回归积分滑动平均模型(ARIMA)等，这些线性预测方法多适用于中长期负荷预测，对于短期非平稳、非线性预测情况，难以模拟数据之间的实际关系，并且这类方法考虑的因素少而且预测精度低，不适用于短期负荷预测。传统神经网络、支持向量机能较好地解决短期复杂情况，这类方法具有强大的非线性映射能力，但是神经网络模型在训练过程中极易陷入局部极小及受到过拟合的影响，支持向量机是浅层特征学习模型，对大规模训练样本难以实施，而且这两类方法的网络中没有记忆单元，缺少对时序数据时间相关性的分析。因此，如何通过大量历史数据准确预测SCADA主站负荷，实现准确、实时地了解未来负荷的变化波动是一个亟待解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的SCADA主站负荷预测方法，采用自适应非线性处理技术，充分利用大量历史数据训练，提高短期负荷预测精度，使调度人员准确、实时地了解未来负荷的变化波动。本专利技术通过下述技术方案实现：一种基于深度学习的SCADA主站负荷预测方法，该SCADA主站负荷预测方法主要包括以下步骤：步骤一：生成原始数据；步骤二：对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；步骤三：对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；步骤四：利用最优模型参数进行实时负荷预测。进一步的所述步骤一中的原始数据从SCADA系统中获取，且原始数据包括预测日之前若干天的历史数据、预测日之前指定时间宽度的历史数据以及天气、温度、降雨量的历史数据。进一步的所述步骤二中特征提取先对某一段时间提取负荷的最大值、最小值和平均值，这段时间按实际需要而定，一般取5分钟。进一步的所述步骤二的具体实现过程如下：(1)箱型图剔除异常值：该算法主要包含五个数据节点，分别为下四分位数Q1、中位数Q2、上四分位数Q3、下边缘、上边缘，四分位距记为：IQR＝Q3-Q1，上边缘记为：Q3+1.5IQR，下边缘记为：Q1-1.5IQR，位于下边缘与上边缘区间之外的数据为异常值；(2)保形分段三次Hermite插值计算：设f(x)在节点a≤x0,x1,...,xn≤b处的函数值为f0,f1,...fn，设P(x)是f(x)在区间[a,b]的具有一阶导数的插值函数，要求P(x)在[a,b]上具有一阶导数，即一阶光滑度：P(xi)＝f(xi)＝fiP'(xi)＝f'(xi)＝f',i＝0,1,...,nP(x)是最高次数为2n+1次多项式，通过基函数构造P(x)；(3)特征提取：提取需要预测时间段之前若干天数据的最大值、最小值、平均值，并拼接成一个训练样本，在训练样本中加入天气、温度、降雨量的数据；(4)归一化处理：利用归一化公式：，i＝1，2，...，n，将历史电流数据归一化到[0，1]之间，其中，xmax是历史电流数据的最大值，xmin是历史电流数据的最小值，同理，利用归一化公式对天气、温度、降雨量的数据分别进行归一化处理。进一步的所述步骤三的具体实现过程如下：(1)LSTM前向传播：通过LSTM网络的网络结构分析，上一序列的隐藏状态h(t-1)和本序列数据x(t)线性组合通过激活函数，得到遗忘门输出f(t)，当激活函数选择Sigmoid函数时，f(t)表示遗忘上一层隐藏细胞状态的概率，表达式为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，输入门由两部分组成，第一部分输出为i(t)，第二部分输出为a(t)，表达式如下：i(t)＝σ(Wih(t-1)+Uix(t)+bi)a(t)＝tanh(Wah(t-1)+Uax(t)+ba)在LSTM进入输出门状态之前，遗忘门和输入门会作用于细胞状态C(t)，是Hadamard积，o(t)＝σ(Woh(t-1)+Uox(t)+bo)最后更新当前序列预测输出(2)LSTM反向传播权值更新：本专利技术与现有技术相比，具有的有益效果为：(1)本专利技术提出的一种基于数据处理与LSTM的SCADA主站负荷预测技术，采用自适应非线性处理技术，充分利用大量历史数据训练，提高短期负荷预测精度，使调度人员准确、实时地了解未来负荷的变化波动，更有针对性地进行经济调度及机组协调稳定运行。(2)本专利技术在对原始数据分析之前进行数据预处理，其中，选用箱型图算法将电流的异常数据剔除，然后对样本数据进行插值计算，保证样本数据在任一个时刻点都存在数据，由于电流采样频率较小，综合考虑精度以及平滑性，采用保形分段三次Hermite插值算法对电流以及电压进行插值计算，提高插值计算的准确性和平滑性。(3)本专利技术在对经过异常数据剔除以及插值计算之后的数据进行特征提取时，不会预测每一个时刻的负荷值，而是对某一段时间提取负荷的最大值、最小值和平均值，不仅能减轻模型训练负担，并且能快速找到决策区间。附图说明图1为本专利技术的流程图。图2为长短时记忆神经网络(LSTM)结构图。图3为电流变化曲线图。图4为插值计算效果图。图5为箱型图异常数据分析图。具体实施方式下面结合实施例对本专利技术作进一步地详细说明，但本专利技术的实施方式不限于此。实施例：如图1-5所示，本专利技术为了克服现有技术的缺陷，提出了一种基于数据处理与LSTM的SCADA主站负荷预测技术，采用自适应非线性处理技术，充分利用大量历史数据训练，提高短期负荷预测精度，使调度人员准确、实时地了解未来负荷的变化波动，更有针对性地进行经济调度及机组协调稳定运行。一种基于深度学习的SCADA主站负荷预测方法，该SCADA主站负荷预测方法主要包括以下步骤：步骤一：生成原始数据，原始数据从SCADA系统中获取，且原始数据包括预测日之前若干天的历史数据、预测日之前指定时间宽度的历史数据以及天气、温度、降雨量的历史数据。步骤二：对原始数据进行预处理，所述预处理包括剔除异常值、插值计算和特征提取并逐个特征归一化，步骤二的具体实现过程如下：(1)剔除异常值：本专利技术剔除异常值的方法选用箱型图算法，如图5所示，该算法主要包含五个数据节点，分别为下四分位数Q1、中位数Q2、上四分位数Q3、下边缘、上边缘，四分位距记为：IQR＝Q3-Q1，上边缘记为：Q3+1.5IQR，下边缘记为：Q1-1.5IQR，位于下边缘与上边缘区间之外的数据为异常值。(2)保形分段三次Hermite插值计算：在剔除异常值之后，为了后续的特征分析，需要对电流进行插值。插值算法主要有拉格朗日插本文档来自技高网...

【技术保护点】
1.一种基于深度学习的SCADA主站负荷预测方法，其特征在于：该SCADA主站负荷预测方法主要包括以下步骤：步骤一：生成原始数据；步骤二：对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；步骤三：对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；步骤四：利用最优模型参数进行实时负荷预测。

【技术特征摘要】
1.一种基于深度学习的SCADA主站负荷预测方法，其特征在于：该SCADA主站负荷预测方法主要包括以下步骤：步骤一：生成原始数据；步骤二：对原始数据进行预处理，所述预处理包括箱型图剔除异常值、保形分段三次Hermite插值计算和特征提取并逐个特征归一化；步骤三：对预处理中归一化得到的样本数据采用深度学习LSTM网络进行训练，并通过交叉验证得到最优模型参数；步骤四：利用最优模型参数进行实时负荷预测。2.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤一中的原始数据从SCADA系统中获取，且原始数据包括预测日之前若干天的历史数据、预测日之前指定时间宽度的历史数据以及天气、温度、降雨量的历史数据。3.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤二中特征提取先对某一段时间提取负荷的最大值、最小值和平均值。4.根据权利要求1所述的一种基于深度学习的SCADA主站负荷预测方法，其特征在于：所述步骤二的具体实现过程如下：(1)箱型图剔除异常值：该算法主要包含五个数据节点，分别为下四分位数Q1、中位数Q2、上四分位数Q3、下边缘、上边缘，四分位距IQR＝Q3-Q1，上边缘Q3+1.5IQR，下边缘Q1-1.5IQR，位于下边缘与上边缘区间之外的数据为异常值；(2)保形分段三次Hermite插值计算：设f(x)在节点a≤x0,x1,...,xn≤b处的函数值为f0,f1,...fn，设P(x)是f(x)在区间[a,b]的具有一阶导数的插值函数，要求P(x)在[a,b]上具有一阶导数，即一阶光滑度：P...

【专利技术属性】
技术研发人员：陈奇志，吴施楷，安英霞，李冰，刘军，刘玉辉，刘学强，
申请(专利权)人：中国铁路总公司，成都交大光芒科技股份有限公司，
类型：发明
国别省市：北京,11