基于深度BiLSTM的变电站线路负载预测方法技术

本发明专利技术公开了一种基于深度BiLSTM的变电站线路负载预测方法，步骤包括：收集变电站线路负载数据并进行数据预处理，形成时间序列数据集；以时间序列数据集为模型训练样本，构建深度BiLSTM模型；对深度BiLSTM模型，采用改进后的Adam算法对其进行优化，输出模型的最优参数，对深度BiLSTM模型进行迭代更新训练；将实时采集的变电站线路负载数据输入到完成训练的深度BiLSTM模型中，模型预测输出变电站线路的负载情况。本发明专利技术能够快速且准确地预测变电站线路负载情况，为供电线路检修留出了足够的时间，有利于确保供电线路能够长期稳定可靠运行。行。行。

【技术实现步骤摘要】
基于深度BiLSTM的变电站线路负载预测方法


[0001]本专利技术涉及供电能力预测
，具体涉及一种基于深度BiLSTM的变电站线路负载预测方法。

技术介绍

[0002]近些年，逐年攀升的居民用电需求对供电安全性、稳定性和可靠性提出了更高要求。为了确保供电线路的长期稳定运行，供电企业希望有一套预判方法，能够快速且准确地对变电站线路未来是否可能出现过载作出提前判断，以便于检修人员能够及时或提早介入对线路进行维护或检修。
[0003]但目前，供电企业对于变电站线路是否过载的判断方法主要依靠相关的评估指标，通过收集变电站线路运行数据计算相关评估指标的指标值，以对线路发生过载的可能性进行评估。但这种评估方法对数据的统计和计算存在一定的滞后性，难以对线路是否过载进行实时评估，更无法对线路未来是否会发生过载进行提前预判。另外，目前多采用人为方式对线路是否过载进行评估，人为评估方式依赖于评估人员自身的评估水平，具有相当的主观性，评估结果不够科学、客观、准确。所以大多时候，供电企业只能等到线路故障真实发生了才能安排检修，难以满足人们对于长期供电稳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度BiLSTM的变电站线路负载预测方法，其特征在于，步骤包括：1)收集变电站线路负载数据并进行数据预处理，形成时间序列数据集；2)以所述时间序列数据集为模型训练样本，构建深度BiLSTM模型；3)对所述深度BiLSTM模型，采用改进后的Adam算法对其进行优化，输出模型的最优参数，对所述深度BiLSTM模型进行迭代更新训练；4)将实时采集的变电站线路负载数据输入到完成训练的所述深度BiLSTM模型中，模型预测输出变电站线路的负载情况。2.根据权利要求1所述的基于深度BiLSTM的变电站线路负载预测方法，其特征在于，所述步骤1)中，对所述变电站线路负载数据进行预处理的步骤包括：1.1)对所述变电站线路负载数据进行清洗；1.2)按时间序列顺序对清洗后的所述变电站线路负载数据进行排序；1.3)对完成时间序列排序后的所述变电站线路负载数据进行归一化处理，最终形成所述时间序列数据集。3.根据权利要求1所述的基于深度BiLSTM的变电站线路负载预测方法，其特征在于，所述步骤2)中的所述深度BiLSTM模型包括依序连接的输入层、多个级联的BiLSTM层、全连接层和输出层；每个所述BiLSTM层包括正向LSTM层和反向LSTM层，通过正向LSTM层St，t∈(1,T]和反向LSTM层St
′
，t∈[T，1)，得到具有相反时间序列的两个隐层状态，然后将两个隐层状态连接起来，以得到相同的输出；所述正向LSTM层St和所述反向LSTM层St
′
可分别获得输入序列的过去信息和未来信息；t表示时间步，T表示时间序列的长度，在t时刻，所述深度BiLSTM模型的隐层状态h
t
包括正向状态和反向状态所述全连接层用于对所述BiLSTM层最终输出的非线性特征进行加权。4.根据权利要求1所述的基于深度BiLSTM模型的变电站线路负载预测方法，其特征在于，改进后的所述Adam算法对所述深度BiLSTM模型的模型参数θ和每个所述模型参数θ的学习率α进行优化，对所述模型参数θ进行优化的方法为：参数初始化：初始化Adam算法和所述BiLSTM模型的参数，包括：学习率衰减率d、步长β、衰减次数n1、矩估计的指数衰减速度v1和v2、模型梯度的一阶矩估计δ、二阶矩估计γ，并初始化所述深度BiLSTM模型的所述模型参数θ、每个所述模型参数θ的学习率α、模型迭代次数n2、时间步t；完成参数初始化后，所述深度BiLSTM模型开始对输入的时间序列数据进行学习，并通过以下公式(1)更新优化所述模型参数θ；公式(1)中，Δθ表示所述模型参数θ的更新量；β表示所述步长；γ表示所述二阶矩估计；δ表示所述一阶矩估计；表示经误差修复后的所述一阶矩估计。
5.根据权利要求4所述的基于深度BiLSTM的变电站线路负载预测方法，其特征在于，公式(1)中的所述一阶矩估计δ通过以下公式(2)动态更新而得：δ
←
v1δ+(1
‑
v1)G
ꢀꢀꢀꢀ
公式(2)公式(2)中，v1表示所述指数衰减速度；G表示所述深度BiLSTM模型的梯度，梯度G通过以下公式(3)计算而得：公式(3)中，表示对参数求偏导；m表示所述深度BiLSTM模型的样本数据量；i表示第i个模型学习样本；L表示模型损失函数；f(x
i
；θ)表示模型对第i个样本的预测值；x
i
表示第i个模型输入数据；y
i
表示与所述输入数据x
i
具有映射关系的所述深度BiLSTM模型的目标输出变量。6.根据权利要求5所述的基于深度BiLSTM模型的变电站线路负载预测方法，其特征在于，公式(1)中的所述二阶矩估计γ通过以下公式(4)动态更新而得：公式(4)中，v2表示所述指数衰减速度。7.根据权利要求5所述的基于深度BiLSTM模型的变电站线路负载预测方法，其特征在于，公式(1)中的经误差修复后的所述一阶矩估计通过以下公式(5)动态更新而得：8.根据权利要求4所述的基于深度BiLSTM的变电站线路负载预测方法，其特征在于，所述指数衰减速度v1、v2∈[0,1)。9.根据权利要求4所述的基于深度BiLSTM模型的变电站线路负载预测方法，其特征在于，改进后的所述Adam算法通过以下公式(6)对所述学习率α进行优化：公式(1)中，α
t
表示所述模型参数θ在t时刻的学习率；α
t+1
表示优化后的t+1时刻的所述学习率；d为预设的所述衰减率；n2为预设的模型迭代次数；n1为预设的所述衰减次数。10.根据权利要求4所述的基于深度BiLSTM的变电站线路负载预测方法，其特征在于，经误差修复后的模型梯度的二阶矩估计的估计量不超过10
‑8时，改进后的所述Adam算法对所述模型...

【专利技术属性】
技术研发人员：韩胜峰，靳伟，王文宾，李会彬，郑永强，李征，徐华博，唐超，谷莹，韩天华，白莉妍，卫丹，董小虎，韩秀娟，范曾，郭彬，张俊，钟成，路鹏程，李彦龙，
申请(专利权)人：国家电网有限公司国网河北省电力有限公司雄安新区供电公司，
类型：发明
国别省市：