基于神经网络的配电网络流量预测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于神经网络的配电网络流量预测方法、系统、装置及存储介质，其方法包括：获取电力负荷消耗的影响因素以及当前的配电网络流量信号，并输入预构建的优化后的深度网络模型，得到配电网络流量的预测值；其中，所述深度网络模型包括去噪模块、卷积神经网络模块、记忆网络模块和全连接神经网络模块，所述去噪模块、卷积神经网络模块、记忆网络模块对当前的配电网络流量的信号数据进行依次处理，然后将处理后的信号数据和电力负荷消耗的影响因素输入进全连接神经网络获得配电网络流量的预测值。本发明专利技术能够提高对配电网络流量预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
基于神经网络的配电网络流量预测方法、系统、装置及存储介质


[0001]本专利技术涉及一种基于神经网络的配电网络流量预测方法、系统、装置及存储介质，属于智能电网


技术介绍

[0002]电力通信网在近些年越来越受到国家的重视，稳健的电力通信网对于确保智能电网安全可靠运行具有非常重要意义。随着国家智能电网的大力发展，配电网的流量数据增长非常快，使得配电网络有时非常拥堵，因而对于网络的优化控制十分必要。为了能够对网络进行提前部署控制、较好地改善网络服务水平，对配电网网络流量进行精确的预测就显得非常重要。
[0003]网络流量预测方法分为线性和非线性方法。由于配电网情况复杂，线性的方法，如ARIMA模型等，对于非线性特征的流量，所预测的性能较差。为了捕捉网络流量系列中的非线性特征，研究人员已将注意力转向适用于复杂和非线性数据的模型，而深度学习凭借强大的大规模数据自动特征提取和预处理能力成为热门话题。现阶段非线性的预测方法，如SVM模型、LSTM模型的方法等不能有效描述复杂时序数据的高阶特征，预测精度有待提高，同时并没有考虑配电网实际特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的配电网络流量预测方法，其特征在于，包括：获取电力负荷消耗的影响因素以及当前的配电网络流量信号，并输入预构建的优化后的深度网络模型，得到配电网络流量的预测值；其中，所述深度网络模型包括去噪模块、卷积神经网络模块、记忆网络模块和全连接神经网络模块，所述去噪模块、卷积神经网络模块、记忆网络模块对当前的配电网络流量的信号数据进行依次处理，然后将处理后的信号数据和电力负荷消耗的影响因素输入进全连接神经网络获得配电网络流量的预测值。2.根据权利要求1所述的一种基于神经网络的配电网络流量预测方法，其特征在于，所述影响因素为：X＝(h，d，ty，hu，te)其中，h为一天中的任一小时，记为h∈{1，2，
…
，24}；d为一年中的任一天，记为d∈{1，2，
…
，365}；ty为天的类型，ty＝1为工作日，ty＝0为休息日；hu为当前时刻的湿度，te为当前时刻的温度。3.根据权利要求1所述的一种基于神经网络的配电网络流量预测方法，其特征在于，所述去噪模块采用SG滤波器，所述SG滤波器为：其中，n为整数自变量，[
‑
m，m]为整数自变量n的范围，K为SG滤波器的阶数；a
l
为SG滤波器第l个系数，系数a
l
通过最小二乘法以最小化误差为目标获取，最小化误差为：其中，x[n]为SG滤波器的输入信号数据。4.根据权利要求1所述的一种基于神经网络的配电网络流量预测方法，其特征在于，所述卷积神经网络模块包括第一残差块和第二残差块，所述第一个残差块包括两个核大小为5、膨胀因子为1的膨胀卷积网络，所述第二残差块包括两个核大小为5、膨胀因子为2的膨胀卷积网络，所述卷积神经网络模块的表达式为：D＝RB(E，5，1)其中，RB(
·
)为残差块函数，D为第一残差块的输出，为第二残差块的输出，E为第一残差块的输入。5.根据权利要求1所述的一种基于神经网络的配电网络流量预测方法，其特征在于，所述记忆网络模块包括若干依次首尾连接的GRU元胞，每个所述GRU元胞包括更新门和重置门，所述更新门的表达式为：r
t
＝sigmoid(W
r
·
[h
t
‑1，x
t
])其中，r
t
为更新门的输出，h
t
‑1和x
t
为更新门的输入，W
r
为参数矩阵，sigmoid(
·
)为sigmoid函数；所述重置门的表达式为：
z
t
＝sigmoid(W
z
·
[h
t
‑1，x
t
...

【专利技术属性】
技术研发人员：刘涅煊，陶晓峰，陈良亮，吕朋朋，陆洋，刘淇，陆宇洋，戚梦逸，孙萌，李远航，邓良柱，周洋，黄超，韦宣，张示成，
申请(专利权)人：南瑞集团有限公司国网电力科学研究院有限公司，
类型：发明
国别省市：