【技术实现步骤摘要】
基于卷积轻量级梯度提升树的负荷总功率预测方法及系统
本专利技术涉及电力方向的人工智能
，特别涉及一种基于卷积轻量级梯度提升树的负荷总功率预测方法及系统。
技术介绍
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。负荷预测是电力系统经济调度中的一项重要内容，也是电力系统安全运行的基础。近年来，以空调、冰箱、热水器等为代表的居民负荷在电力高峰负荷中的占比逐年上升，由于居民用电负荷的随机性和波动性，可能会影响电力系统的正常运行与维护，因此有必要对该类负荷进行准确建模及预测。传统的家用电器类居民负荷聚合建模通常采用以下方法：(1)简化数学模型。包括随机Fokker–Planck扩散模型、离散状态空间模型、状态序列模型、双线性模型等多种形式。以双线性模型为例，它是将负荷在有限范围内进行离散化，并把负荷划分到对应的状态格中，通过控制格中负荷的数量得到双线性模型。双线性微分模型依据负荷的多输入单输出，能用于大规模负荷功率的行为预测上，并且可以提出...
【技术保护点】
1.一种基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：包括以下步骤：/nS1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；/nS2、将训练集的数据进行归一化处理；/nS3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；/nS4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。/n
【技术特征摘要】
1.一种基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：包括以下步骤：
S1、获取所有电器的总功率数据，将获取的总功率数据按照预设规则分类处理后，划分为训练集和标签数据；
S2、将训练集的数据进行归一化处理；
S3、创建卷积轻量级梯度提升树模型，将归一化后的数据输入卷积轻量级梯度提升树，进行模型训练；
S4、利用卷积轻量级梯度提升树得出总功率预测值，并将得出的总功率预测值进行反归一化处理，得出最终的预测总功率值，与所述标签数据进行比对，通过反向传播对模型中的参数进行更新。
2.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S1中，所述预设规则，包括将所有数据按温度不同进行分类，并将同一天气温度下一段时间的所有电器的总功率数据分成长度相同的时间段，每一个时间段中前90％的总功率数据构成一个一维空间矩阵作为训练集，每一个时间段的后10％的总功率数据作为标签数据。
3.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S2中在进行归一化处理时，采用下式函数进行线性函数归一化：
其中，x表示为同一温度下所有电器的原始总功率数据，xmax表示为输入进网络的原始总功率数据中最大的值，xmin表示为输入进网络的原始总功率数据中最小的值，x*表示为经过归一化变化以后输入进网络的数据。
4.根据权利要求1所述的基于卷积轻量级梯度提升树的负荷总功率预测方法，其特征在于：在S3中包括如下步骤：
S301、构建一个卷积残差神经网络，所述卷积残差神经网络的残差单元由全卷积层，批量归一化层，线性整流激活函数层，全连接层构成；
S302、将轻量级梯度提升树替换所述残差单元中的全连接层；利用上述S301中训练好的卷积残差神经网络中...
【专利技术属性】
技术研发人员：李亚平，姚建国，杨胜春，黄鸣宇，刘海涛，耿建，王珂，朱克东，钱甜甜，汤必强，刘建涛，郭晓蕊，周竞，于韶源，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网宁夏电力有限公司电力科学研究院，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。