一种基于信息融合的负荷预测方法及相关装置制造方法及图纸

本申请公开了一种基于信息融合的负荷预测方法及相关装置，方法包括：在配电网自动化系统中获取负荷数据和文本信息，文本信息包括假期、生产周期、检修计划和抢修任务；基于因式分解算法和并行分支计算方法对负荷数据进行特征计算，得到初始数据特征；基于热编码算法对文本信息进行矢量化转换，得到文本矢量特征；将初始数据特征和文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，预置预测网络模型包括CNN层、LSTM层和预置残余连接结构。本申请解决了现有负荷预测方法缺乏对文本信息的研究以及对预测模型的细节优化，导致负荷预测结果缺乏准确性和可靠性的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
一种基于信息融合的负荷预测方法及相关装置


[0001]本申请涉及负荷预测
，尤其涉及一种基于信息融合的负荷预测方法及相关装置。

技术介绍

[0002]短期负荷预测是实现电力系统安全经济运行和科学管理的基础，预测误差大小直接关系电网后续安全校核分析，所以，负荷预测对电网态势感知、负荷调度和配电网抢修等具有重要意义。目前短期负荷预测主要方法分为两类：基于人工智能方法和基于统计学方法。其中统计学方法包括：线性回归、自回归和多元线性回归等，该方法具有较好的稳定性，但是处理数据规模较小，对于原始数据要求高，难以适用于当前海量数据涌现情况。基于人工智能方法包括：人工神经网络、灰色关联算法、仿生学智能算法等，该类方法预测模型是在复杂的理论基础上构建的，因此模型中某些参数或权值选择将影响算法稳定性。
[0003]目前的方法研究重点均在于数据处理方面，即负荷数据层面，但是，负荷的波动受环境影响较大，例如，天气和假期等因素。而且，人工智能方法中的模型一定程度上缺乏细节优化，无法确保预测模型的稳定可靠性。

技术实现思路

[0004]本申请提供了一种基于信息融合的负荷预测方法及相关装置，用于解决现有负荷预测方法缺乏对文本信息的研究以及对预测模型的细节优化，导致负荷预测结果缺乏准确性和可靠性的技术问题。
[0005]有鉴于此，本申请第一方面提供了一种基于信息融合的负荷预测方法，包括：
[0006]在配电网自动化系统中获取负荷数据和文本信息，所述文本信息包括假期、生产周期、检修计划和抢修任务；/>[0007]基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征；
[0008]基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征；
[0009]将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，所述预置预测网络模型包括CNN层、LSTM层和预置残余连接结构。
[0010]优选地，所述基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征，包括：
[0011]基于因式分解算法将所述负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；
[0012]基于并行分支计算方法将所述负荷矩阵分别进行特征挖掘计算，得到分支特征；
[0013]将所有的所述分支特征进行整合，得到初始数据特征。
[0014]优选地，所述基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征，包括：
[0015]将所述文本信息映射为文本离散值；
[0016]基于热编码算法将所述文本离散值扩展到欧式空间，得到文本矢量特征。
[0017]优选地，所述将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，之前还包括：
[0018]基于CNN网络、LSTM网络和预置残余连接结构构建初始预测网络模型；
[0019]在所述初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。
[0020]本申请第二方面提供了一种基于信息融合的负荷预测装置，包括：
[0021]信息获取模块，用于在配电网自动化系统中获取负荷数据和文本信息，所述文本信息包括假期、生产周期、检修计划和抢修任务；
[0022]特征计算模块，用于基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征；
[0023]特征转换模块，用于基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征；
[0024]负荷预测模块，用于将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，所述预置预测网络模型包括CNN层、LSTM层和预置残余连接结构。
[0025]优选地，所述特征计算模块，具体用于：
[0026]基于因式分解算法将所述负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；
[0027]基于并行分支计算方法将所述负荷矩阵分别进行特征挖掘计算，得到分支特征；
[0028]将所有的所述分支特征进行整合，得到初始数据特征。
[0029]优选地，所述特征转换模块，具体用于：
[0030]将所述文本信息映射为文本离散值；
[0031]基于热编码算法将所述文本离散值扩展到欧式空间，得到文本矢量特征。
[0032]优选地，还包括：
[0033]模型构建模块，用于基于CNN网络、LSTM网络和预置残余连接结构构建初始预测网络模型；
[0034]模型优化模块，用于在所述初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。
[0035]本申请第三方面提供了一种基于信息融合的负荷预测设备，所述设备包括处理器以及存储器；
[0036]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0037]所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于信息融合的负荷预测方法。
[0038]本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于信息融合的负荷预测方法。
[0039]从以上技术方案可以看出，本申请实施例具有以下优点：
[0040]本申请中，提供了一种基于信息融合的负荷预测方法，包括：在配电网自动化系统中获取负荷数据和文本信息，文本信息包括假期、生产周期、检修计划和抢修任务；基于因
式分解算法和并行分支计算方法对负荷数据进行特征计算，得到初始数据特征；基于热编码算法对文本信息进行矢量化转换，得到文本矢量特征；将初始数据特征和文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，预置预测网络模型包括CNN层、LSTM层和预置残余连接结构。
[0041]本申请提供的基于信息融合的负荷预测方法，同时考虑负荷数据和负荷预测相关的文本信息，例如假期、生产周期等；从影响预测结果的环境因素进行分析，确保预测结果更加符合实际情况，更准确可靠；而预置预测网络模型中不仅有用于数据特征分析的CNN层，用于文本信息的时序分析的LSTM层，还增加预置残余连接结构进行模型优化，使得模型更具有针对性，进而使负荷预测结果的可靠性有双重保障。因此，本申请能够解决现有负荷预测方法缺乏对文本信息的研究以及对预测模型的细节优化，导致负荷预测结果缺乏准确性和可靠性的技术问题。
附图说明
[0042]图1为本申请实施例提供的一种基于信息融合的负荷预测方法的流程示意图；
[0043]图2为本申请实施例提供的一种基于信息融合的负荷预测装置的结构示意图；
[0044]图3为本申请实施例提供的负荷数据初始挖掘流程示意图；
[0045]图4为本申请实施例提供的预置预测网络模型结构示意图；
[0046]图5为本申请实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息融合的负荷预测方法，其特征在于，包括：在配电网自动化系统中获取负荷数据和文本信息，所述文本信息包括假期、生产周期、检修计划和抢修任务；基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征；基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征；将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，所述预置预测网络模型包括CNN层、LSTM层和预置残余连接结构。2.根据权利要求1所述的基于信息融合的负荷预测方法，其特征在于，所述基于因式分解算法和并行分支计算方法对所述负荷数据进行特征计算，得到初始数据特征，包括：基于因式分解算法将所述负荷数据随机分解为多个矩阵，并分别进行矩阵填充处理，得到负荷矩阵；基于并行分支计算方法将所述负荷矩阵分别进行特征挖掘计算，得到分支特征；将所有的所述分支特征进行整合，得到初始数据特征。3.根据权利要求1所述的基于信息融合的负荷预测方法，其特征在于，所述基于热编码算法对所述文本信息进行矢量化转换，得到文本矢量特征，包括：将所述文本信息映射为文本离散值；基于热编码算法将所述文本离散值扩展到欧式空间，得到文本矢量特征。4.根据权利要求1所述的基于信息融合的负荷预测方法，其特征在于，所述将所述初始数据特征和所述文本矢量特征拼接后输入预置预测网络模型中进行预测，得到负荷预测结果，之前还包括：基于CNN网络、LSTM网络和预置残余连接结构构建初始预测网络模型；在所述初始预测网络模型中增加预置步长信息因子，得到预置预测网络模型。5.一种基于信息融合的负荷预测装置，其特征在于，包括：信息获取模块，用于在配电网自动化系统中获取负荷数据和文本信息，所述文本信息包括假期、生产周期、检修计划和抢修任务；特征计算模块，用于基...

【专利技术属性】
技术研发人员：胡长华，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：