一种气象敏感负荷功率估算方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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。

A Meteorological Sensitive Load Power Estimation Method and Device

【技术实现步骤摘要】
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。
本专利技术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。
技术介绍
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。
技术实现思路
针对以上问题，本专利技术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。本专利技术采用的技术方案如下：第一方面，本专利技术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，xi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＝sf(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，sf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，sg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，PWi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，本专利技术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，本专利技术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＝sf(W1xi+b1)其中，W1、b1分别为权值矩阵和偏置矩阵，sf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，sg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，PWi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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
2018.06.13 CN 20181060690091.一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，xi为实际的日负荷功率，xi′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＝sf(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，sf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，sg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，PWi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...

【专利技术属性】
技术研发人员：尹积军，陈庆，吴争，陆晓，罗建裕，刘林，赵静波，鞠平，陈彦翔，秦川，施佳君，廖诗武，朱鑫要，王大江，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，国家电网有限公司，河海大学，江苏省电力试验研究院有限公司，
类型：发明
国别省市：江苏,32