泛在电力物联网的高精度负载预测方法技术

本发明专利技术涉及电力物联网技术领域，尤其为泛在电力物联网的高精度负载预测方法，包括如下步骤：S1：采集电力互联网电力负载数据；S2：对采集的电力物联网电力负载数据进行数据处理；S3：对处理后的电力负载数据进行特征提取；S4：搭建负载传输网络进行高精度负载预测。本发明专利技术通过异常值检测算法对电力负载数据进行异常检测和填充，提升了数据的可靠性；利用蜉蝣优化算法对电力负载特征数据进行选择，且通过多点交叉及多点变异的方法进行电力负载特征数据的选取，降低了数据的冗余性特征，提高了特征数据的代表性；通过CNN

【技术实现步骤摘要】
泛在电力物联网的高精度负载预测方法


[0001]本专利技术涉及电力物联网
，尤其是泛在电力物联网的高精度负载预测方法。

技术介绍

[0002]随着科技的发展以及电力物联网技术的不断提升,为电力通信传输提供了巨大便利。但由于人口众多、需要传输的数据庞大，会增加电力数据传输负载，导致电力物联网数据出现传输耗时多、资源利用率低的问题。电力物联网数据传输负载对数据传输性能有着很大的影响，所以需要对电力物联网数据传输负载预测展开详细研究，达到提升网络数据传输效率及精度的目的。
[0003]现有技术中，LSTM网络被广泛应用于负载预测方法中，LSTM虽然改善了循环神经网络固有的梯度消失问题，能够学习长期依赖的信息，但容易丢失超出限度的序列信息，故本专利技术通过CNN
‑
LSTM负载传输网络对负载进行预测，改善了LSTM网络易丢失超出限度的序列信息的问题，通过LSTM网络处理限度内的电力负载数据，由CNN网络进行处理，提高模型的学习效率。

技术实现思路

[0004]本专利技术的目的是通过提出泛在电力物联网的高精度负载预测方法，以解决上述
技术介绍
中提出的缺陷。
[0005]本专利技术采用的技术方案如下：
[0006]提供泛在电力物联网的高精度负载预测方法，包括如下步骤：
[0007]S1：采集电力互联网电力负载数据；
[0008]S2：对采集的电力物联网电力负载数据进行数据处理；
[0009]S3：对处理后的电力负载数据进行特征提取；
[0010]S4：搭建负载传输网络进行高精度负载预测。
[0011]作为本专利技术的一种优选技术方案：所述S2中，基于异常检测算法搭建孤立树，对采集的电力负载数据进行异常值检测，并对检测的异常值进行重构。
[0012]作为本专利技术的一种优选技术方案：所述异常检测算法具体如下：
[0013]基于所述S1采集的电力负载数据得到电力负载数据序列(a1,
…
,a
m
)，从m个电力负载数据中随机采样放入孤立树的根节点，选择一个数据维度进行随机切分，直至叶子节点只剩一个数据或已达到限定高度；将电力负载数据构建完成二叉树孤立森林后，整合全部孤立树的结果，用生成的孤立树计算异常分数s(a,m)：
[0014][0015][0016]其中，E(h(a))表示电力负载数据a在孤立树结构路径长度的期望均值，c(m)表示给定电力负载数据数量m时路径长度的平均值，β为欧拉常数。
[0017]作为本专利技术的一种优选技术方案：所述S2中，基于所述异常检测算法计算的得分值进行如下的异常程度划分：
[0018][0019]对于筛选出的异常电力负载数据通过相近数据替代的方法进行数据值填充。
[0020]作为本专利技术的一种优选技术方案：所述S3中，基于蜉蝣优化算法进行电力负载数据的特征提取，所述蜉蝣优化算法中，每个蜉蝣的位置对应表示一个电力负载特征数据，蜉蝣位置集合由二进制0和1表示，根据蜉蝣更新规则进行更新搜索蜉蝣的位置值。
[0021]作为本专利技术的一种优选技术方案：所述蜉蝣优化算法定义适应度函数f(z)如下：
[0022][0023]其中，z表示输入数据，W表示所有电力负载特征数据数量，z
w
表示输入的第w个电力负载特征数据。
[0024]作为本专利技术的一种优选技术方案：所述蜉蝣优化算法具体如下：
[0025]雄蜉蝣位置更新如下：
[0026][0027][0028]其中，和分别表示第i只雄蜉蝣在t时刻的位置和速度，和分别表示第i只雄蜉蝣在t+1时刻的位置和速度，b1和b2为正吸引系数，g为引力系数，α为可见度系数，p
i
表示第i只蜉蝣的历史最优位置，g
i
表示整个种群的全局最优位置，l1表示与p
i
的笛卡尔距离，l2表示与g
i
的距离，和f(g
i
)分别表示第i只雄蜉蝣和全局最优蜉蝣在t时刻的适应度值，d为舞蹈系数，t为当前迭代次数，为间的随机值，r为[
‑
1,1]间的随机系数，e为数学常量；
[0029]雌蜉蝣位置更新公式如下：
[0030][0031][0032]其中，和分别表示第i只雌蜉蝣在t时刻的位置和速度，和分别表示第i只雌蜉蝣在t+1时刻的位置和速度，l3表示雌雄蜉蝣间的距离，b3表示雌雄蜉蝣间的吸引力常数，h表示随机游走系数，表示第i只雌蜉蝣在t时刻的适应度值。
[0033]作为本专利技术的一种优选技术方案：所述蜉蝣优化算法中，基于多点交叉的方式进行雌雄蜉蝣间的交配，并通过基本位变异方法进行多点变异。
[0034]作为本专利技术的一种优选技术方案：所述S4中，基于所述蜉蝣优化算法进行特征提取获取的电力负载特征数据输入至CNN
‑
LSTM负载传输网络中进行高精度负载预测；所述CNN
‑
LSTM负载传输网络将电力负载特征输入至一维卷积层、再通过全局池化、LSTM网络和全连接层，最后使用sigmoid函数作为激活函数输出高精度负载预测数据。
[0035]作为本专利技术的一种优选技术方案：所述LSTM网络搭建如下：
[0036][0037]其中，σ为激活函数，f
t
、i
t
和o
t
分别为遗忘门、输入门和输出门，c
t
表示输入门中记忆单元所处状态，h
t
表示记忆单元输出，h
t
‑1表示上一时刻的记忆单元输出，tanh表示双曲线正切激活函数，W
f
、W
i
、W
o
和W
c
对应不同指标的权重，b
t
、b
i
、b
o
和b
c
对应不同指标的偏置项，X
t
表示输入数据；
[0038]所述sigmoid函数具体如下：
[0039][0040]其中，S(Y)表示负载预测结果，Y表示输入至sigmoid函数中的电力负载特征数据值，e为数学常量。
[0041]本专利技术提供的泛在电力物联网的高精度负载预测方法，与现有技术相比，其有益效果有：
[0042]本专利技术通过异常值检测算法对电力负载数据进行异常检测和填充，提升了数据的可靠性；利用蜉蝣优化算法对电力负载特征数据进行选择，且通过多点交叉及多点变异的方法进行电力负载特征数据的选取，降低了数据的冗余性特征，提高了特征数据的代表性；通过CNN
‑
LSTM负载传输网络对负载进行预测，提高了模型的学习效率，提升预测数据的精度。
附图说明
[0043]图1为本专利技术优选实施例的方法流程图。
具体实施方式
[0044]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.泛在电力物联网的高精度负载预测方法，其特征在于：包括如下步骤：S1：采集电力互联网电力负载数据；S2：对采集的电力物联网电力负载数据进行数据处理；S3：对处理后的电力负载数据进行特征提取；S4：搭建负载传输网络进行高精度负载预测。2.根据权利要求1所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S2中，基于异常检测算法搭建孤立树，对采集的电力负载数据进行异常值检测，并对检测的异常值进行重构。3.根据权利要求2所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述异常检测算法具体如下：基于所述S1采集的电力负载数据得到电力负载数据序列(a1,
…
,a
m
)，从m个电力负载数据中随机采样放入孤立树的根节点，选择一个数据维度进行随机切分，直至叶子节点只剩一个数据或已达到限定高度；将电力负载数据构建完成二叉树孤立森林后，整合全部孤立树的结果，用生成的孤立树计算异常分数s(a,m)：树的结果，用生成的孤立树计算异常分数s(a,m)：其中，E(h(a))表示电力负载数据a在孤立树结构路径长度的期望均值，c(m)表示给定电力负载数据数量m时路径长度的平均值，β为欧拉常数。4.根据权利要求3所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S2中，基于所述异常检测算法计算的得分值进行如下的异常程度划分：对于筛选出的异常电力负载数据通过相近数据替代的方法进行数据值填充。5.根据权利要求1所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述S3中，基于蜉蝣优化算法进行电力负载数据的特征提取，所述蜉蝣优化算法中，每个蜉蝣的位置对应表示一个电力负载特征数据，蜉蝣位置集合由二进制0和1表示，根据蜉蝣更新规则进行更新搜索蜉蝣的位置值。6.根据权利要求5所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述蜉蝣优化算法定义适应度函数f(z)如下：其中，z表示输入数据，W表示所有电力负载特征数据数量，z
w
表示输入的第w个电力负载特征数据。7.根据权利要求6所述的泛在电力物联网的高精度负载预测方法，其特征在于：所述蜉蝣优化算法具体如下：雄蜉蝣位置更新如下：
其中，和分别表示第i只雄蜉蝣在t时刻的位置和速度，和分别表示第i只雄蜉蝣在t+1时刻的位置和速度，b1和b2为正吸引系数，g为引力系数，α为可见度系数，p
i
表示第i只蜉蝣的历史最优位置，g
i
表示整个种群的全...

【专利技术属性】
技术研发人员：刘斌，何金海，熊国友，陈艳，姚华，龙昌武，罗建勤，胡林，占旺国，蒋乐，柯山，叶幼军，陈涵琦，殷乐，黄炎，黄鸣澍，
申请(专利权)人：上海舒盈科技股份有限公司，
类型：发明
国别省市：