【技术实现步骤摘要】
基于改进CGAN的非侵入式多种电器短期负荷预测方法
[0001]本专利技术涉及一种基于改进CGAN的非侵入式多种电器短期负荷预测方法，属于电力系统需求侧负荷预测
技术介绍
[0002]短期负荷预测是指预测未来几小时、一天或者几天的负荷值,其对电力系统的调度运行和市场交易具有重要的指导意义。近几年来，随着各类用户侧柔性负荷的大量涌入，多种不确定性和随机性因素导致了电力系统负荷侧波动性显著增强，一些极端天气诱发某些家用电器的群体效应极易引起负荷尖峰，不仅给短期负荷预测带来了巨大的挑战，还对电力系统的安全稳定运行具有较强的危害。短期负荷预测需要结合多种影响负荷变化的外部条件因素对负荷用能行为进行分析。
[0003]当前，采用非侵入式负荷监测技术虽然能够对家用负荷种类进行在线辨识，对于分析负荷差异化用能特征起到了一定作用，但非侵入式负荷监测并不具备负荷短期预测功能。由于家用电器数目庞大，规模化后其负荷容量占比较高，且用能随机性较强，因此若能有针对性的对家用负荷进行准确的短期负荷预测，对于挖掘并提高海量家用负荷的可调...
【技术保护点】
【技术特征摘要】
1.一种基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：包括以下步骤，S1、采集M天N个家庭k种电器负荷用能的历史负荷数据集，并采集影响电器历史负荷的外部条件数据集，对采集的历史负荷数据集与外部条件数据集进行预处理后，作为训练样本集；S2、将步骤S1得到的训练样本集输入非侵入式负荷识别模型，得到k种电器历史负荷数据，作为分类电器真实样本数据集S
i
，其中，i＝1，2...,k，且k≥2；S3、构建改进CGAN的生成模型组，生成模型组包括k种电器对应的k组生成模型G
i
，其中，i＝1，2...,k，将步骤S2得到的分类电器真实样本数据集S
i
中第i类电器的功率和步骤S1采集的外部条件数据集拼接为矩阵并输入至生成模型组，生成模型组的输出数据为各生成模型G
i
生成的第i类电器负荷数据集C
i
，其中，i＝1，2...,k；S4、构建改进CGAN的判别模型组，判别模型组包括k种电器对应的k组判别模型D
i
，其中，i＝1，2...,k，将步骤S3输出的第i类电器负荷数据集C
i
和步骤S2得到的分类电器真实样本数据集S
i
中第i类电器功率数据集拼接成矩阵后，输入到判别模型组，判别模型组输出用于表征判别生成的第i类电器负荷数据C
i
是否为真实数据的判别结果；S5、对改进CGAN的生成模型组和判别模型组进行联合训练，得到训练后的改进CGAN；S6、输入当前时刻采集得到的实时的负荷数据集以及外部条件预测数据集到训练后的改进CGAN，由训练后的改进CGAN的k组生成模型组输出对应电器的单日负荷预测数据集C
i
′
。2.如权利要求1所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：步骤S1中，对采集的历史负荷数据集与外部条件数据集进行预处理后，作为训练样本集，具体为，S11、对采集的历史负荷数据集和外部条件数据集进行数据清洗包括删除异常值、补全缺省值；S12、将经过数据清洗后的历史负荷数据集与外部条件数据集，进行归一化处理；S13、将经过数据清洗和归一化处理后的历史负荷数据集与外部条件数据集，作为训练样本集。3.如权利要求1所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：步骤S3中，改进CGAN的生成模型组中的生成模型采用并行结构，每个生成模型采用U
‑
Net全卷积神经网络，U
‑
Net全卷积神经网络包括下采样层和上采样层，通过卷积与反卷积操作实现，具体为，S31、将采集的N个家庭分类电器真实样本数据集S
i
，其中，i＝1，2...,k，中第i类电器的功率和外部条件数据集拼接成运行数据矩阵作为下采样层的输入；S32、下采样层对运行数据矩阵进行t次下采样，获得下采样后的矩阵；S33、上采样层对下采样后的矩阵进行t次上采样，得到第i类电器负荷数据集C
i
。4.如权利要求3所述的基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：步骤S32中，下采样层对运行数据矩阵进行t次下采样，获得下采样后的矩阵，具体为，S321、运行数据矩阵经过1次卷积－LeakyReLU组合，具体为，经过3
×
3的卷积核进行卷积，设置步长为2，再通过LeakyReLU激活函数得到特征提取矩阵A；
S322、特征提取矩阵A经过a次卷积－Batch Normalization－LeakyReLU组合，具体为，经过3
×
【专利技术属性】
技术研发人员：陆旦宏，倪敏珏，杨婷，范文尧，李思琦，朱晓，王玉莹，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。