一种基于深度学习的变电站日负荷曲线相似度匹配方法组成比例

本发明专利技术公开了一种基于深度学习的变电站日负荷曲线相似度匹配方法，包括以下步骤：S1对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；S2根据聚类结果生成负荷曲线图像，建立负荷图像数据集；S3搭建基于改进的VGG16深度学习模型并在数据集上充分训练；S4输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。本方法针对现有技术不足，引入基于改进的VGG16深度学习模型，从图像形态角度入手，可在保持精度的前提下实现快速训练与实时匹配；以单个变电站为研究对象，以日负荷数据为研究内容，深度挖掘变电站时间尺度的负荷特性；在完成匹配任务后生成文本文档与图像文档，双重可视化匹配结果。

A similarity matching method for daily load curve of substation based on deep learning

【技术实现步骤摘要】
一种基于深度学习的变电站日负荷曲线相似度匹配方法
本专利技术涉及电力系统负荷建模领域，具体为一种基于深度学习的变电站日负荷曲线相似度匹配方法。
技术介绍
负荷特性是电力系统的重要组成部分，它作为电能的消耗者对电力系统的分析、设计与控制有着重要影响。随着“能源互联网”战略的实施，负荷特性的地位更加突出，“能源互联网”要求能源的产生、传输、转换和使用都应该具备一定的智能化，而对负荷特性的研究正是促进决策智能化的关键。因此，利用先进的算法，挖掘负荷特性的深层次信息，对指导电网滚动规划、实时调度及运行规划可靠性评估具有现实意义。针对负荷特性分类的准确性与实用性，许多文献都进行了有益的探索。曾博,张建华等“改进自适应模糊C均值算法在负荷特性分类的应用”(电力系统自动化,2018)采用基于微分进化自适应优化改进模糊C均值算法，在不同聚类数目下进行了仿真实验，均有着较高的精度。公开号为CN102999876A的专利文献公开了一种典型负荷特性变电站的选取方法，以变电站为负荷特性为研究内容，通过灰色关联分析法计算各负荷类型中所有变电站的关联系数，确定10本文档来自技高网...

【技术保护点】
1.一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征是包括以下步骤：/nS1、对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；/nS2、根据聚类结果生成负荷曲线图像，建立负荷图像数据集；/nS3、搭建基于改进的VGG16深度学习模型并在数据集上充分训练；/nS4、输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。/n

【技术特征摘要】
1.一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征是包括以下步骤：
S1、对变电站的日负荷数据进行聚类得到c个类别的代表性负荷数据；
S2、根据聚类结果生成负荷曲线图像，建立负荷图像数据集；
S3、搭建基于改进的VGG16深度学习模型并在数据集上充分训练；
S4、输入待测数据至训练好的模型进行日负荷曲线类别匹配，并生成可视化文档。


2.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S1包括以下子步骤：
S11、设定模糊c均值算法(FCM)的各项参数，包括类别数c，模糊权重指数f，初始聚类中心v，对变电站某年的n个日负荷数据进行聚类；
S12、计算模糊隶属度矩阵u和每个类别的中心v；
S13、计算模糊聚类目标值，判断是否满足条件，满足则终止，不满足则返回步骤S12，目标函数为：



其中，J为模糊聚类目标函数，至此可得到c个特征类别。


3.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S2包括以下子步骤：
S21、根据聚类结果得到c个类别的日负荷数据；
S22、对每个类别的日负荷数据进行可视化得到日负荷曲线图像，建立日负荷图像数据库，根据每张图像所属类别添加类别标签，所述曲线图像保留坐标轴信息，并采用较粗线条；
S23、对数据库的所有图像按照7:2:1的比例划分为训练集、验证集与测试，所述训练集用于深度学习模型的训练，验证集用于模型的调参，测试集用于验证模型可行性。


4.根据权利要求1所述的一种基于深度学习的变电站日负荷曲线相似度匹配方法，其特征在于：所述步骤S21中，日负荷数据以十五分钟为一个节点...

【专利技术属性】
技术研发人员：行舟，智勇，郑伟，刘文飞，郝如海，邢延东，祁莹，陈仕斌，何欣，史玉杰，张彦凯，张旭军，乾维江，牛浩明，常鸿，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，国网甘肃省电力公司，国家电网有限公司，
类型：发明
国别省市：甘肃;62