基于JSOA-LSTM线路阻抗负荷预测方法及系统技术方案

本发明专利技术提供了一种基于JSOA

【技术实现步骤摘要】
基于JSOA
‑
LSTM线路阻抗负荷预测方法及系统


[0001]本专利技术涉及电力工程
，特别涉及一种基于JSOA
‑
LSTM线路阻抗负荷预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]随着电网建设规模的日益壮大，电力系统网络结构日趋复杂，电力部门亟需具有一定精度的短期负荷预测方法安排日、周调度计划来保证电力系统安全、经济、稳定运行；
[0004]目前对传统负荷预测算法的研究大多采用改进传统算法或者将其与新型算法进行结合改进，使它们能够优势互补，随着智能化时代的推进，机器学习与深度学习这些现代预测方法越来越多的应用于电力负荷预测领域；
[0005]专利技术人发现，虽然各种单一机器学习算法和神经网络已被广泛应用于短期负荷预测并取得了较大的实践成果，但单一的机器学习算法和神经网络在负荷预测的性能上或多或少存在其局限性，导致预测的准确度偏低。

技术实现思路

[0006]为了解决现有技术的不足，本专利技术提供了一种基于JSOA
‑
LSTM线路阻抗负荷预测方法及系统，实现了更精准的线路阻抗负荷预测。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术第一方面提供了一种基于JSOA
‑
LSTM线路阻抗负荷预测方法。
[0009]一种基于JSOA
‑
LSTM线路阻抗负荷预测方法，包括以下过程：
[0010]对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；
[0011]采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；
[0012]根据低频信号、第一高频信号和第二高频信号以及预训练的LSTM网络模型，得到各个信号的负荷预测；其中，采用JSOA算法进行LSTM网络模型的神经元个数寻优；
[0013]将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。
[0014]作为本专利技术第一方面可选的一种实现方式，获取设定时间间隔的阻抗变化值，包括：
[0015]获取电网数据，对获取的电网数据采用基于GAN网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。
[0016]作为本专利技术第一方面可选的一种实现方式，电网数据包括台区总表和户表的电量、电压、电流和功率。
[0017]作为本专利技术第一方面可选的一种实现方式，采用Sym4小波作为小波变换的小波基。
[0018]作为本专利技术第一方面可选的一种实现方式，采用小波变换提取阻抗变化曲线的低频信号、第一高频信号、第二高频信号和第三高频信号，去除作为高频噪声信号的第三高频
信号。
[0019]本专利技术第二方面提供了一种基于JSOA
‑
LSTM线路阻抗负荷预测系统。
[0020]一种基于JSOA
‑
LSTM线路阻抗负荷预测系统，包括：
[0021]阻抗变化曲线获取模块，被配置为：对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；
[0022]特征提取模块，被配置为：采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；
[0023]负荷预测模块，被配置为：根据低频信号、第一高频信号和第二高频信号以及预训练的LSTM网络模型，得到各个信号的负荷预测；其中，采用JSOA算法进行LSTM网络模型的神经元个数寻优；
[0024]负荷预测叠加模块，被配置为：将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。
[0025]作为本专利技术第二方面可选的一种实现方式，获取设定时间间隔的阻抗变化值，包括：
[0026]获取电网数据，对获取的电网数据采用基于GAN网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。
[0027]作为本专利技术第二方面可选的一种实现方式，电网数据包括台区总表和户表的电量、电压、电流和功率。
[0028]本专利技术第三方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于JSOA
‑
LSTM线路阻抗负荷预测方法中的步骤。
[0029]本专利技术第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于JSOA
‑
LSTM线路阻抗负荷预测方法中的步骤。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]1、本专利技术在传统预测方法的基础上，通过小波变换对原始流量数据进行多尺度分解，提取不同频率阻抗的细节特征，对原始流量数据进行预处理；小波变换在低频处将频率细分作为趋势项，高频处将时间细分作为噪声项；对频率高且难以预测的信号进行舍去，减少随机因素对预测的影响，提高了预测精度。
[0032]2、本专利技术采用LSTM(长短时记忆网络)进行负荷预测，其具有“门”结构，通过门单元的逻辑控制决定数据是否更新或是选择丢弃，克服了RNN权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，广泛应用于长时间的序列数据预测方法。
[0033]3、本专利技术通过跳蛛优化算法(Jumping Spider Optimization Algorithm，JSOA)模拟跳蛛的狩猎行为来达到LSTM神经元个数寻优的目的，利用JSOA算法可以快速的找到全局的最优解，并且JSOA算法还可以在常见的机器学习算法中代替原有的参数更新过程，来避免传统的机器学习算法可能出现的陷入局部极值的情况。
附图说明
[0034]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0035]图1为本专利技术实施例1提供的基于JSOA
‑
LSTM线路阻抗负荷预测方法的整体流程图；
[0036]图2为本专利技术实施例1提供的数据插补算法的效果图；
[0037]图3为本专利技术实施例1提供的常见的小波基函数；
[0038]图4为本专利技术实施例1提供的离散的小波变换的分解与重构；
[0039]图5为本专利技术实施例1提供的LSTM网络的循环单元结构；
[0040]图6为本专利技术实施例1提供的预测过程流程图；
[0041]图7为本专利技术实施例1提供的小波变换与分解示意图；
[0042]图8为本专利技术实施例1提供的LSTM预测效果图；
[0043]图9为本专利技术实施例1提供的JSOA参数优化的流程图。
具体实施方式
[0044]下面结合附图与实施例对本专利技术作进一步说明。
[0045]应该指出，以下详细说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于JSOA
‑
LSTM线路阻抗负荷预测方法，其特征在于，包括以下过程：对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；根据低频信号、第一高频信号和第二高频信号以及预训练的LSTM网络模型，得到各个信号的负荷预测；其中，采用JSOA算法进行LSTM网络模型的神经元个数寻优；将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。2.如权利要求1所述的基于JSOA
‑
LSTM线路阻抗负荷预测方法，其特征在于，获取设定时间间隔的阻抗变化值，包括：获取电网数据，对获取的电网数据采用基于GAN网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。3.如权利要求1所述的基于JSOA
‑
LSTM线路阻抗负荷预测方法，其特征在于，电网数据包括台区总表和户表的电量、电压、电流和功率。4.如权利要求1所述的基于JSOA
‑
LSTM线路阻抗负荷预测方法，其特征在于，采用Sym4小波作为小波变换的小波基。5.如权利要求1所述的基于JSOA
‑
LSTM线路阻抗负荷预测方法，其特征在于，采用小波变换提取阻抗变化曲线的低频信号、第一高频信号、第二高频信号和第三高频信号，去除作为高频噪声信号的第三高频信号。6.一种基于JSOA
‑
LSTM线路阻抗负荷预测系统，其特征在于，包括：阻抗变化曲...

【专利技术属性】
技术研发人员：侯沛景，李源，杨同瑶，刘青，安秋路，袁青彬，戴苏，刘繁，张法业，姜明顺，
申请(专利权)人：山东大学，
类型：发明
国别省市：