一种基于深度学习的负荷时空预测方法技术

本发明专利技术公开了一种基于深度学习的负荷时空预测方法，属于电力负荷预测领域。该方法进行了负荷时空特征筛选，根据负荷的空间坐标构建了网格化元胞，作为预测模型的输入特征；在此基础上，建立了适用于负荷时空预测的基于深度学习的负荷时空预测预测模型，通过训练空间负荷分布的元胞，并以最小化预测误差为训练目标，得到优化后的基于深度学习的负荷时空预测预测模型，从而实现了负荷时空预测，具有很强的灵活性和适应性。的灵活性和适应性。的灵活性和适应性。

【技术实现步骤摘要】
一种基于深度学习的负荷时空预测方法


[0001]本专利技术涉及一种基于深度学习的负荷时空预测方法，属于电力负荷预测领域。

技术介绍

[0002]随着各个国家电网技术的快速发展，用电量不断上升，各用电单位对网架结构和电能质量的要求也不断提升，空间负荷预测方法受到了电力部门的高度重视。传统的负荷预测方法只预测负荷的大小，并不给出精细的负荷空间分布，无法满足精益化转变的电力系统规划要求。因此空间负荷预测结果是配电网分片分区规划和电网建设的重要依据，是电力网安全、可靠运行的关键环节。
[0003]当预测的负荷值远远大于负荷的真实值时，电力部门大规模建设发电厂、电力网，则可能导致电网收益小于建设投入，引起电力部门的资源和资金浪费；相反，当预测的负荷值远远小于负荷的真实值时，由于受到不准确负荷数据的误导，电力部门减少对电网的建设力度，导致电力设备供应不足，电力系统电源容量远远小于社会所需求的电量，无法满足电力用户的需求。因此，准确有效的空间负荷预测至关重要。目前现有的空间负荷预测方法已有几十多种，这些方法包括基于粗糙集理论的用地仿真法、基于负荷细分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的负荷时空预测方法，其特征在于，包括如下步骤：1)筛选得到负荷相关因素，并将冗余相关因素去除，以提高预测精度；2)根据经纬度坐标将负荷按网格划分为元胞，根据不同负荷类型，建立多个二维元胞矩阵，形成三维元胞；3)以三维元胞和步骤1)筛选得到的负荷相关因素作为模型输入，待预测的元胞结果作为输出，建立基于深度学习的负荷时空预测模型；4)用建立的负荷时空预测模型对电力负荷进行预测。2.根据权利要求1所述的基于深度学习的负荷时空预测方法，其特征在于，所述的步骤1)具体为：采用最大相关最小冗余算法，最大化负荷相关因素与负荷数据的相关性，最小化负荷相关因素之间的相关性，表达式为：max D(S,c)min R(S)式中，S为特征子集，x
1i
、x
1j
为特征子集S的特征，即负荷相关因素；x2为负荷数据，I()为相关性函数；为了同时考虑最大化负荷相关因素与负荷数据的相关性和最小化负荷相关因素之间的相关性，定义算子φ(D,R)：maxφ(D,R)φ(D,R)＝D
‑
R根据此算法，得到负荷相关因素的最佳特征子集，作为基于深度学习的负荷时空预测模型的输入。3.根据权利要求2所述基于深度学习的负荷时空预测方法，其特征在于，计算数据之间的相关性，具体为：式中，I为相关性；A和B为计算相关性数据，其中，A为负荷相关因素，B为负荷相关因素或负荷数据；Pr()为概率。4.根据权利要求1所述基于深度学习的负荷时空预测方法，其特征在于，步骤2)中，根据经纬度坐标将负荷按网格划分为元胞，根据不同负荷类型，建立多个二维元胞矩阵，形成三维元胞，具体为：根据经纬度网格化划分区域，对每种用地类型的负荷数据建立二维矩阵，矩阵中每个元素的数值为该元素位置所对应区域内的相应用地类型的该时刻负荷数据，如果区域内没有该用地类型的负荷数据，则该元素为0；针对不同用地类型，建立多个大小相同的二维矩阵，将二维矩阵作为二维元胞并对多个二维元胞进行拼接，形成三维元胞C，其中前两维为空间坐标，第三维为用地类型，即C<...

【专利技术属性】
技术研发人员：朱轶伦，张东波，万灿，陈新建，于杰，罗烨锋，应姿，高慧英，夏敏燕，洪骋怀，王彬任，丁春燕，洪道鉴，王周虹，郑子淮，屠雨夕，苏崇，项明俊，曹照静，
申请(专利权)人：浙江大学，
类型：发明
国别省市：