一种基于长短期神经网络模型的微电网负荷预测方法技术

本发明专利技术公开了一种基于长短期神经网络模型的微电网负荷预测方法，涉及微电网负荷预测技术领域，包括步骤：获取聚类间隔最大时各影响因素的权重，并通过双层卷积神经网络提取当前组别中各影响因素中的特征向量；通过优化器优化长短期神经网络，并通过优化后的长短期网络进行特征向量筛选；通过注意力优化对筛选出的特征向量进行加权处理，并获得优化后的特征向量；通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷。本发明专利技术通过通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷，采用长短期神经网络解决训练过程中的长时依赖问题。中的长时依赖问题。中的长时依赖问题。

【技术实现步骤摘要】
一种基于长短期神经网络模型的微电网负荷预测方法


[0001]本专利技术涉及微电网负荷预测
，具体涉及一种基于长短期神经网络模型的微电网负荷预测方法。

技术介绍

[0002]随着世界科技和经济的高速发展，传统发电方式所带来的环境污染问题日益严重。以风力发电、光伏发电为核心的新能源技术已成为国内外研究的重点。然而可再生能源自身具有相当的随机性和波动性，当大规模接入电力系统时，会对电网稳定性和可靠性造成不良影响。微电网作为一种小规模、分散的独立系统，具有能够自我控制、保护与管理的优点。其相关技术的高速发展给促进新能源的大规模接入，多能源形式的可靠供给提供了可能。对微电网负荷功率进行精确预测，并将其纳入调度计划是提高新型电力系统安全性和经济性的重要保障。
[0003]目前，负荷预测主要可以从预测时间尺度、空间尺度、输出形式和概率预测方法四个方面进行划分。其中，按时间尺度可以分为超短期预测、短期预测和中长期预测。按空间尺度可以分为用户级负荷预测、微电网及负荷预测和区域电网级负荷预测。按输出形式可以分为分位点预测、区间预测和概率密度预测。按建模方法可以分为统计类方法和人工智能方法。人工智能具有非常突出的数据挖掘能力和复杂函数逼近能力，在实际工程中受到了广泛应用。其可以自主挖掘负荷及其影响因素隐含特征的能力，使得其已经成为负荷概率预测的主流方法。
[0004]然而现有负荷预测方法虽然具有各自的优点，但研究对象都是传统电力系统，缺乏对新能源大量接入下的新型微电网的针对性研究。此外，如何进一步挖掘数据特征，提高预测精度和收敛速度也是一个亟待解决的问题。

技术实现思路

[0005]为了更好的研究微电网在复杂衍生环境下的负荷变化情况，本专利技术提出了一种基于长短期神经网络模型的微电网负荷预测方法，包括步骤：
[0006]S1：采集微电网运行过程中预设组别数量的负荷数据及其对应影响因素的数据；
[0007]S2：通过聚类分析将各影响因素进行聚类，并基于聚类结果获取聚类间隔最大时各影响因素的权重；
[0008]S3：基于权重信息通过双层卷积神经网络提取当前组别中各影响因素中的特征向量；
[0009]S4：通过优化器优化长短期神经网络，并通过优化后的长短期网络进行特征向量筛选；
[0010]S5：通过注意力优化对筛选出的特征向量进行加权处理，并获得优化后的特征向量；
[0011]S6：通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷；
[0012]S7：根据预测结果与实际负荷数据的离散度调节长短期神经网络的参数，并在训练结束前调取下一组别数据并返回S3步骤；
[0013]S8：根据训练好后的模型进行微电网负荷预测。
[0014]进一步地，所述S1步骤之后，还包括步骤，
[0015]S11：通过归一化处理负荷数据和影响因素数据。
[0016]进一步地，所述S2步骤中各影响因素的权重通过如下公式获取：
[0017][0018]D(ω)＝‖x
‑
N0(x)
T
ω‖
‑
‖x
‑
N1(x)
T
ω‖
[0019]式中，d
mn
为影响因素x
m
和影响因素x
n
的聚类距离，N为预设组别数量，i为常数，x
mi
为第i个组别中影响因素x
m
在归一化处理后的数据，x
ni
为第i个组别中影响因素x
n
在归一化处理后的数据；D(ω)为标准差，ω为所要求解的权重，N0(x)
T
为时间T时采集的影响因素x的同类最近邻，N1(x)
T
为时间T时采集的影响因素x的非同类最近邻。
[0020]进一步地，所述S3步骤中，双层卷积神经网络包含两个卷积通道，同一卷积通道内，卷积层按卷积深度逐层向下传递卷积数据；同时，不同卷积通道内，卷积层向另一卷积通道下一卷积深度下的卷积层传递卷积数据。
[0021]进一步地，所述S4步骤中，优化器选用Lookahead优化器。
[0022]进一步地，所述S5步骤中，优化后的特征向量通过如下公式获取：
[0023]α＝σ(W
α
f+b)
[0024][0025]式中，f为筛选后的特征向量，W
α
为根据筛选后特征向量的数量随机生成并训练获得的权重矩阵，b为偏执量，σ为sigmoid非线性函数，α为加权后的权重，n为筛选后特征向量的总数，f
i
为筛选后的第i个特征向量，α
i
为筛选后第i个特征向量加权后的权重，f
i*
为筛选后第i个特征向量优化后的特征向量。
[0026]进一步地，所述S1步骤之后，还包括步骤，
[0027]S12：通过加权处理进行缺失数据补足。
[0028]进一步地，所述缺失数据补足表示为如下公式：
[0029]x
T
＝λ1x
T
‑1+λ2x
T+1
+λ3x
T*
[0030]式中，x
T
为待补足的T时刻的缺失数据，x
T
‑1和x
T+1
为缺失数据相邻时刻的数据，x
T*
为相似数据，λ1、λ2和λ3为预设设置的权重。
[0031]进一步地，预测得到的微电网符合需经过反归一化处理。
[0032]进一步地，所述影响因素包括气候因素、温度因素、经济因素、时间因素。
[0033]与现有技术相比，本专利技术至少含有以下有益效果：
[0034](1)本专利技术所述的一种基于长短期神经网络模型的微电网负荷预测方法，通过双层卷积神经网络对复杂衍生环境下影响微电网负荷的各类影响因素进行了关联式的特征
提取，从而提高了模型预测精度；
[0035](2)采用长短期神经网络进行特征向量回归分析并筛选，更加符合微电网数据采集过程中数据量大、时间久的训练环境，以此解决训练过程中的长时依赖问题；
[0036](3)通过Lookahead优化器的加入，提高了模型的收敛速度和稳定性。
附图说明
[0037]图1为一种基于长短期神经网络模型的微电网负荷预测方法的方法步骤图；
[0038]图2为双通道卷积神经网络协同预测的结构示意图；
[0039]图3为LSTM神经网络的内部结构图；
[0040]图4为改进的LSTM单元结构图。
具体实施方式
[0041]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0042]实施例一
[0043]研究表明，微电网负荷出力不仅会受到系统自身的结构和特征影响，还受到系统外的因素影响。从经济性看，区域生产总值(GDP)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期神经网络模型的微电网负荷预测方法，其特征在于，包括步骤：S1：采集微电网运行过程中预设组别数量的负荷数据及其对应影响因素的数据；S2：通过聚类分析将各影响因素进行聚类，并基于聚类结果获取聚类间隔最大时各影响因素的权重；S3：基于权重信息通过双层卷积神经网络提取当前组别中各影响因素中的特征向量；S4：通过优化器优化长短期神经网络，并通过优化后的长短期网络进行特征向量筛选；S5：通过注意力优化对筛选出的特征向量进行加权处理，并获得优化后的特征向量；S6：通过全连接层将优化后的特征向量连接并获取当前组别的预测负荷；S7：根据预测结果与实际负荷数据的离散度调节长短期神经网络的参数，并在训练结束前调取下一组别数据并返回S3步骤；S8：根据训练好后的模型进行微电网负荷预测。2.如权利要求1所述的一种基于长短期神经网络模型的微电网负荷预测方法，其特征在于，所述S1步骤之后，还包括步骤，S11：通过归一化处理负荷数据和影响因素数据。3.如权利要求2所述的一种基于长短期神经网络模型的微电网负荷预测方法，其特征在于，所述S2步骤中各影响因素的权重通过如下公式获取：D(ω)＝‖x
‑
N0(x)
T
ω‖
‑
‖x
‑
N1(x)
T
ω‖式中，d
mn
为影响因素x
m
和影响因素x
n
的聚类距离，N为预设组别数量，i为常数，x
mi
为第i个组别中影响因素x
m
在归一化处理后的数据，x
ni
为第i个组别中影响因素x
n
在归一化处理后的数据；D(ω)为标准差，ω为所要求解的权重，N0(x)
T
为时间T时采集的影响因素x的同类最近邻，N1(x)
T
为时间T时采集的影响因素x的非同类最近邻。4.如权利要求1所述的一种基于长短期神经网络模型的微电网负荷预测方法，其特征在于，所述S3...

【专利技术属性】
技术研发人员：林贡羽，黄棋悦，洪成秀，
申请(专利权)人：宁波职业技术学院，
类型：发明
国别省市：