本发明专利技术公开了基于深度学习的电网负荷预测优化系统和方法，属于电力电网技术领域。本发明专利技术解决了现有方法预测不精准的问题，通过设定时间节点和一次性采集时长，数据采集终端对电网负荷进行定时采集，并按传输间隔时间点进行定时传输，以确保数据传输的时效性；通过建立深度学习网络模型，对其进行多次训练与测试，并输出多组预测结果；基于多组预测结果建立相应的策略优化方案，以此形成资料库；并由此建立检索关键字，以便客户端根据当前预测结果或当前电网负荷属性进行检索，从而获取当前电网负荷的优化调度策略，由此避免现有电网系统存在精度低、数据传输慢、预测效果不稳定的问题，提高了该系统预测方法的准确性。
【技术实现步骤摘要】
本专利技术涉及电力电网，具体为基于深度学习的电网负荷预测优化系统和方法。
技术介绍
1、随着电力系统的不断发展和智能化的推进，对于电网负荷的准确预测成为了一个重要的问题；负荷预测在电力系统的运行和调度中起着至关重要的作用，对于满足用户需求、优化供电计划、确保电力系统的安全稳定运行具有重要意义；深度学习是一种模拟人脑神经网络结构的机器学习方法，通过多层神经元对数据进行非线性映射和特征抽取，从而实现对复杂模型的建模和预测。基于深度学习的方法具有自动特征学习的能力，能够从大量数据中抽取高层次的特征表示，并且具有强大的建模能力；其作为一种具有强大学习能力的机器学习方法，被广泛应用于各个领域，并且在电力系统负荷预测中也显示出了良好的效果。
2、然而传统的负荷预测方法主要基于统计学方法，存在着精度低、数据传输慢，导致预测效果不稳定等问题，导致其已不适配当前电力电网系统使用。
3、因此，不满足现有的需求，对此我们提出了基于深度学习的电网负荷预测优化系统和方法。
技术实现思路
1、本专利技术的目的在于提供基于深度学习的电网负荷预测优化系统和方法，通过设定时间节点和一次性采集时长，数据采集终端对电网负荷进行定时采集，并按传输间隔时间点进行定时传输，以确保数据传输的时效性；基于多组预测结果建立相应的策略优化方案，并建立检索关键字；客户端根据预测结果或电网负荷属性进行检索，从而获取当前电网负荷的优化调度策略，提高了该系统预测方法的准确性，解决了上述
技术介绍
中提出的问题。
<
p>2、为实现上述目的，本专利技术提供如下技术方案：基于深度学习的电网负荷预测优化系统，包括：3、数据收集模块，用于
4、收集和准备用电企业的历史电网负荷数据，收集和整理历史电网负荷数据以及与负荷相关的其他因素材料，以形成用于深度学习进行训练与预测的数据集；
5、特征提取模块，用于
6、引入基于卷积神经网络的特征提取器，通过特征提取器学习用电企业历史电网负荷数据的局部依赖关系，并使用一维卷积层提取负荷数据中的时序特征；
7、模型训练模块，用于
8、将训练数据集接入深度学习模型中进行训练，用以优化深度学习模型；将测试数据集接入优化后的深度学习模型中，用以测试优化后的深度学习模型的性能；
9、负荷预测模块，用于
10、将用电企业的电网负荷数据接入训练后的深度学习模型中进行学习，用以预测用电企业的电网负荷；
11、优化处理模块，用于
12、基于深度学习模型所获得的电网负荷预测结果，检索并获取相应的优化调度策略，以调整发电设备的输出功率和电力网络的运行方式。
13、进一步的，所述数据收集模块，包括：
14、数据处理单元，用于
15、对采集到的数据进行进行清洗，去除异常值和缺失数据，确保数据的准确性和完整性；再对数据进行标准化和归一化处理，以消除不同地区和时间尺度的差异；
16、数据划分单元，用于
17、将数据按照时间序列进行组织，形成可供深度学习模型训练和预测的结构化数据集。
18、进一步的，所述特征提取模块，包括：
19、特征训练单元，用于
20、将时序特征接入深度学习模型中，深度学习模型通过自注意力机制和前馈神经网络层来捕捉序列特征之间的关系，用以调整深度学习模型所需具备的特征点。
21、进一步的，所述模型训练模块，包括：
22、策略应对单元，用于
23、基于深度学习模型的历史电网负荷预测结果，制定相应的基于预测的优化调度策略，以形成策略优化资料库；
24、策略匹配单元，用于
25、创建电网负荷属性与调度策略属性关键字，根据电网负荷属性或调度策略属性关键字检索当前所需参考的策略优化方案，选取属性相似度最高的策略优化方案与当前电网负荷进行匹配，以获取最佳的优化调度策略。
26、进一步的，所述优化处理模块，包括：
27、人机交互单元，用于
28、在客户端配置操控台与显示器，用以实施展示深度学习模型预测的过程与结果。
29、进一步的，所述负荷预测模块，包括：
30、数据采集单元，用于
31、对用电企业的电网布设数据采集终端，根据预先建立的时间节点和一次性采集时长对用电企业的电网负荷进行定时采集；
32、数据传输单元，用于
33、基于无线传输技术对电网负荷数据进行无线传输交互；
34、数据接收单元，用于
35、接收谁采集终端所获取的电网负荷数据，并将电网负荷数据接入数据收集模块进行清洗与标准化和归一化处理。
36、进一步的，所述数据采集单元，包括：
37、时间建立单元，用于
38、根据用电企业的用电实况建立数据采集时间节点和一次性采集时长，以对用电企业的电网负荷数据进行定时采集。
39、进一步的，所述数据传输单元，包括：
40、传输间隔建立单元，用于
41、根据数据采集终端一次性采集时长建立数据传输间隔时间点，以操控数据采集终端定时传输所采集的电网负荷数据。
42、基于深度学习的电网负荷预测优化系统的方法，包括以下步骤：
43、s1、获取用电企业的历史电网负荷数据，并对数据进行清洗与标准化和归一化处理，通过特征提取器对处理后的历史电网负荷数据进行特征提取，并将时序特征接入深度学习模型中进行学习，用以确定深度学习模型所需具备的特征点；
44、s2、将处理后的历史电网负荷数据进行划分，将其划分为训练数据集和测试数据集；将训练数据集接入深度学习模型中进行训练，用以确认深度学习模型是否可正常使用；再将测试数据集接入深度学习模型中进行测试，用以优化深度学习模型预测效果的准确性；
45、s3、根据历史电网负荷预测的结果，建立相应的优化调度策略，并根据电网负荷属性与调度策略属性建立检索关键字；
46、s4、数据采集终端根据建立的时间节点和一次性采集时长对电网负荷进行定时采集，并按传输间隔时间点进行定时传输；
47、s5、将用电企业当前所采集的电网负荷数据接入深度学习模型中进行测试，输出电网负荷预测结果后，根据当前电网负荷属性检索策略优化方案，匹配出相似度最高的策略优化方案，以作为当前电网负荷的优化调度策略。
48、进一步的，所述s2中训练数据集和测试数据集包括十组或十组以上的数据，电网负荷测试包括十个或十个以上不同的结果，且s3中所建立的优化调度策略包括十个或十个以上不同的方案。
49、与现有技术相比，本专利技术的有益效果是：
50、本专利技术，通过在用电企业的电网中布设数据采集终端，数据采集终端根据预先设定的时间节点和一次性采集时长对电网负荷进行定时采集，并按传输间隔时间点进行定时传输，以确保数据传输的时效性本文档来自技高网
...
【技术保护点】
1.基于深度学习的电网负荷预测优化系统，包括：
2.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述数据收集模块，包括：
3.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述特征提取模块，包括：
4.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述模型训练模块，包括：
5.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述优化处理模块，包括：
6.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述负荷预测模块，包括：数据采集单元，用于
7.根据权利要求6所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述数据采集单元，包括：
8.根据权利要求6所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述数据传输单元，包括：传输间隔建立单元，用于根据数据采集终端一次性采集时长建立数据传输间隔时间点，操控数据采集终端定时传输所采集的电网负荷数据。
9.基于深度学习的电网负荷预测优化的方法，基于权利要求1-8任一项所述的基于深度学习的电网负荷预测优化系统实现，其特征在于：包括以下步骤：
10.根据权利要求9所述的基于深度学习的电网负荷预测优化系统的方法，其特征在于：所述S2中训练数据集和测试数据集包括十组或十组以上的数据，电网负荷测试包括十个或十个以上不同的结果，且S3中所建立的优化调度策略包括十个或十个以上不同的方案。
...
【技术特征摘要】
1.基于深度学习的电网负荷预测优化系统，包括：
2.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述数据收集模块，包括：
3.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述特征提取模块，包括：
4.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述模型训练模块，包括：
5.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述优化处理模块，包括：
6.根据权利要求1所述的基于深度学习的电网负荷预测优化系统，其特征在于：所述负荷预测模块，包括：数据采集单元，用于
7.根据权利要求6所述的基于深度学习的电网负荷预测优...
【专利技术属性】
技术研发人员：潘龙，毕猛强，马琨，庞帅，韩东红，施学昭，赵丹，任展霆，郑海广，谢振林，靳海霞，裴帅，张庆庆，张洋，汪卫疆，李克豫，
申请(专利权)人：国网河南省电力公司周口供电公司，
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。