基于深度神经网络组合模型的配电网短期负荷预测方法技术

本发明专利技术公开了一种基于深度神经网络组合模型的配电网短期负荷预测方法，该方法为：对采集到的配电网中各用户负荷数据进行数据预处理，识别缺失数据及异常数据并修正及进行归一化处理，构造配电网用户负荷数据集；建立自组织映射SOM神经网络聚类模型，输入处理后的数据集，根据配电网中各用户相同日的负荷曲线，获得分类后的用户负荷数据集；建立BP

【技术实现步骤摘要】
基于深度神经网络组合模型的配电网短期负荷预测方法


[0001]本专利技术涉及电力系统配电网负荷预测
，具体涉及一种基于深度神经网络组合模型的配电网短期负荷预测方法。

技术介绍

[0002]随着国民经济的增长和综合国力的提高，国家电力需求增长迅猛，电力系统的发展也大步向前，产业升级和技术升级增加了电能质量和电能传输效率，智能电网系统的建成也完善了电力市场机制，提高了用户端的用电体验。这些均给现代电力系统提出了更高的要求，如何确保电力系统的安全稳定运行成为一个重要议题，而电力负荷预测正是其中不可或缺的重要一环。
[0003]电力系统短期负荷预测的发展随着计算机技术的进步不断推进，从最初的时间序列法、指数平滑法等数学拟合模型，到现在的各种深度学习智能算法，行业内各专家学者一直致力于负荷预测的精准化。精准的电力系统短期负荷预测能够在尽可能地保证用户用电质量安全可靠的情况下减少发电备用容量，进而减少成本，实现电力调度的经济合理性，同时便于电力部门制定检修计划，合理完成未来数天的电力规划，其对于改善用户用电计划、完善电力市场机制有着重要的理论本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络组合模型的配电网短期负荷预测方法，其特征在于，包括以下步骤：步骤1、对采集到的配电网中各用户负荷数据进行数据预处理，识别缺失数据及异常数据并对其进行修正，对修正后的数据归一化处理，构造配电网用户负荷数据集；步骤2、建立自组织映射SOM神经网络聚类模型，输入处理后的数据集，根据配电网中各用户相同日的负荷曲线，获得分类后的用户负荷数据集；步骤3、建立BP
‑
DNN负荷预测模型和LSTM神经网络负荷预测模型，针对不同类型的用户负荷，选择不同网络结构的BP
‑
DNN模型和LSTM神经网络模型进行短期负荷预测；步骤4、采用最小二乘法对两种模型的预测结果取最优权重组合，得到新的组合模型并进行短期预测。2.根据权利要求1所述的基于深度神经网络组合模型的配电网短期负荷预测方法，其特征在于，步骤1中，数据预处理的具体方法为：(1)根据配电网用户负荷平滑连续的一般性规律，对缺失点及异常点采取水平处理，若第d天t时刻的电力负荷值Y(d,t)满足|Y(d,t)
‑
Y(d,t
‑
1)|≥αY
mean
ꢀꢀꢀꢀꢀꢀ
(1)|Y(d,t)
‑
Y(d,t+1)|≥αY
mean
ꢀꢀꢀꢀꢀꢀ
(2)则式中，α为阈值，Y
mean
为第d天的平均负荷值；(2)根据相似日电力负荷数据的相似性，对异常点采取垂直处理，若Y(d,t)满足|Y(d,t)
‑
Y(d
‑
1,t)|≥β
ꢀꢀꢀꢀꢀ
(4)|Y(d,t)
‑
Y(d+1,t)|≥β
ꢀꢀꢀꢀꢀꢀ
(5)则式中，β为阈值，根据用户负荷的大小，β设为20～70之间的整数；(3)为避免后续步骤中神经网络模型训练时神经元饱和，对数据集按每用户的历史数据进行归一化。3.根据权利要求1所述的基于深度神经网络组合模型的配电网短期负荷预测方法，其特征在于，步骤2中建立自组织映射SOM神经网络聚类模型的具体方法为：(1)选择不同用户类型的日负荷曲线输入SOM神经网络；(2)根据输入样本向量X
i
＝[x1,x2,
…
,x
m
]确定网络结构，其中i为输入样本编号，m为输入样本向量X
i
的维度，x
i

【专利技术属性】
技术研发人员：王宝华，张弛，张文惠，王大飞，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：