一种基于ResNet-LSTM的配电台区短期负荷预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于ResNet

【技术实现步骤摘要】
一种基于ResNet
‑
LSTM的配电台区短期负荷预测方法及装置


[0001]本专利技术涉及电力系统调度
，尤其是涉及一种基于 ResNet
‑
LSTM的配电台区短期负荷预测方法及装置。

技术介绍

[0002]短期负荷预测指对未来几小时至几天的负荷进行预报。准确的负荷预测结果可以用于安排日前调度、设备检修，监视系统运行状态、预防事故发生，对于提高资源利用率和经济效益，保障社会的正常生产和人们的日常生活有着十分重要的意义。
[0003]负荷预测的难点主要在于其不确定性。影响负荷预测准确度的因素众多，主要包括温度、湿度、节假日等，负荷在时间序列上具有较强的波动性，且与各因素之间具有很强的非线性关系，难以显式的刻画预测模型。
[0004]目前，应用于短期负荷预测的方法可分为三类：经典方法、传统方法和智能方法。经典方法中，回归分析法结构简单，计算速度快，外推性能好，但用线性方程表述复杂问题，无法精确预测各种因素对结果的影响；时间序列法所需数据少，能反映短期内负荷的连续特点，但对节假日等对负荷影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ResNet
‑
LSTM的配电台区短期负荷预测方法，其特征在于，具体包括如下步骤：搭建第一ResNet
‑
LSTM模型，所述ResNet
‑
LSTM模型包括CNN层、LSTM层以及全连接层输出层；对所述第一ResNet
‑
LSTM模型添加注意力机制以获取第二ResNet
‑
LSTM模型；获取预处理的历史数据，并对所述第二ResNet
‑
LSTM模型进行训练对所述以获取第三ResNet
‑
LSTM模型；将待预测的负荷数据属于所述三ResNet
‑
LSTM模型中，并对所述待预测的负荷数据进行负荷预测。2.根据权利要求1所述的方法，其特征在于，所述获取预处理的历史数据的步骤包括：获取历史数据并对所述历史数据进行预处理以获取预处理的历史数据。3.根据权利要求1所述的方法，其特征在于，所述对所述第二ResNet
‑
LSTM模型进行训练对所述以获取第三ResNet
‑
LSTM模型的步骤包括：获取所述预处理的历史数据输出所述第二ResNet
‑
LSTM模型并获取第一损失函数；采用Adam算法对所述第二ResNet
‑
LSTM模型的参数进行优化并获取第二损失函数；判定第一损失函数是否小于第二损失函数；若是，则获取未优化参数的所述第二ResNet
‑
LSTM模型为所述第三ResNet
‑
LSTM模型；若否，则对所述未优化参数第二ResNet
‑
LSTM模型的参数进行更新，以获取所述第三ResNet
‑
LSTM模型，并执行所述获取所述预处理的历史数据输出所述第二ResNet
‑
LSTM模型并获取第一损失函数的步骤。4.根据权利要求1所述的方法，其特征在于，所述CNN层包括所第一BasicBlock残差基本模块、第二BasicBlock残差基本模块、第三BasicBlock残差基本模块以及第四BasicBlock残差基本模块；所述第一BasicBlock残差基本模块、所述第二BasicBlock残差基本模块、所述第三BasicBlock残差基本模块以及所述第四BasicBlock残差基本模块依次相连；所述第一BasicBlock残差基本模块包括3个第一BasicBlock残差基本子模块，所述第一BasicBlock残差基本子模块的卷积核数为64；所述第二BasicBlock残差基本模块包括4个第二BasicBlock残差基本子模块，所述第二BasicBlock残差基本子模块的卷积核数为128；所述第三BasicBlock残差基本模块包括6个第三BasicBlock残差基本子模块，所述第三BasicBlock残差基本子模块的卷积核数为256；所述第四BasicBlock残差基本模块包括3个第四BasicBlock残差基本子模块，所述第三BasicBlock残差基本子模块的卷积核数为512。5.根据权利要求1所述的方法，其特征在于，所述全连接层输出层采用Relu函数为激活函数：y
t
＝Relu(w
o
s
t
+b
o
)；y
t
—全连接层输出量；w
o
—全连接层的权重参数；b
o
—全连接层的偏置；
s
t
—全连接层的输入。6.根据权利要求1所...

【专利技术属性】
技术研发人员：李海龙，张磐，李春晖，刘慧芳，滕飞，张志朋，刘文韬，奚鹏飞，庄乾宇，范须露，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：