CN110263866A 一种基于深度学习的电力用户负荷区间预测方法 （苏州智睿新能信息科技有限公司）

一种基于深度学习的电力用户负荷区间预本发明公开了一种基于深度学习的电力用用户历史负荷数据预处理模型2）建立基于LSTM时间递归神经网络的负荷点预测模型3）采用点预测值缩放比例系数的负荷区间预测算向量机方法的用户负荷预处理模型对单个用户据采用LSTM机器学习方法寻找在最大限度降低比例系数负荷区间预测算法进行单个用户的负2述显性异常数据的辨识：检查AMI系统中的每15分钟一点的大用户负荷数据发现存在负荷a)以待修正时刻点所在日为基准，分别向前和向后寻找m天，b)对同类型日分别构造包含修正时刻前n个连续时刻点所组成的时间窗，从负荷大小值和波动趋势两个方面均与异常点所在时间窗曲线较为相似的时间窗作为支持向量机SVM之后将时间窗口中待修正异常负荷数据之前的数据序列作为输入到训练好的SVM模型中，对于给定的负荷数据集(x,y),xi∈Rd,yi∈R，用如下模型来拟合：n拟合3对高频部分信号进行基于软阈值的消噪处理，采取基于软硬阈值函数的加权平均阈值函4部分信号消噪后信号的极值点判断粗差位置，并且排除由于生产波动情况造成的粗差点，历史负荷序列形成原始数据集，对用户的日负荷96点数据做日前预测获得用户负荷预测c,=f8c-1+g,8i,(1o)从用电信息采集系统中提取用户近两年的每隔15分钟的负荷序列，形成原始数据集，LSTM模型以预测值和实际值的均方误差作为损失参数，以据所述负荷点预测模型对由不确定性因素所引起的预测负荷的变动范围进行量化，给出510.根据权利要求1所述的基于深度学习的电力用户负荷区间预测方法，其特征在于，67[0005]本发明主要解决的技术问题是提供一种基于深度学习的电力用户负荷区间预测钟一点的大用户负荷数据发现存在负荷数据某个时刻点、或某些连续时刻点缺失的情况，8[0015]b)对同类型日分别构造包含修正时刻前n个连续时刻点所组成的时间窗，从负荷在量值和波动趋势两个方面均与异常点所在时间窗曲线较为相似的时间窗作为支持向量训练，之后将时间窗口中待修正异常负荷数据之前的数据序列作为输入到训练好的SVM模9数，采用固定阈值门限准则的VisuShrink的方法来确定阈值门限r-o:m下,其中o均为参考[0048]区间覆盖率χCP是实际值落在由上界、下界包络的预测区间内的概率，实际值过建立基于状态向量机方法的用户负荷历史数据预处理模型对单个用户历史数据进行预[0068]图1是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的LSTM[0069]图2是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的区间[0070]图3(a)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的[0071]图3(b)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的[0072]图4(a)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的[0073]图4(b)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的[0074]图5(a)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的[0075]图5(b)是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的[0076]图6是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的LSTM[0077]图7是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的基于[0078]图8是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的显性[0079]图9是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的含单[0080]图10是本发明的基于深度学习的电力用户负荷区间预测方法一较佳实施例的展[0085]大用户历史负荷数据的预处理主要指异常历史负荷数据的辨识与修正，异常数识与修补技术主要从显性异常数据的辨识与修补、隐性异常数据的辨识与修正两方面展[0088]检查AMI系统中的每15分钟一点的大用户负荷数据可以发现，存在负荷数据在某在时间窗曲线的相似度研究，主要基于欧氏距离相似度的方法和基于余弦相似度的方法，寻找在量值和波动趋势两个方面均与异常点所在时间窗曲线较为相似的时间窗作为支持拟合训练，之后将时间窗口中待修正异常负荷数据之前的数据序列作为输入到训练好的[0091]对于给定的负荷数据集(X,Y),X,ER",J,ER,考虑用如下模型来拟合：[0105]小波变换可以同时在时域和频域上对信号进行分析，能够较好区分信号中的噪用固定阈值门限准则的VisuShrink的方法来确定阈值门限其中σ为噪声的[0112]采取LSTM网络使用图1中的LSTM单元做为隐含层的节点，LSTM单元专门设计了记忆单元(memorycell)用于保存历史信息，历史信息的更新和利用分别受到3个门的控o均为参[0120]图1中的虚线连接被称为“peelholeconnections”，3个门以及独立的memory[0122]考虑用户负荷具有明显的日形态特征，取前一天的96个电量根据经验选择如表1所示的几种结构，通过最终的区间预测的效果来筛选出与给定数据集测效果也就越好，具有不同隐含层参数的LSTM结构所分别对应的测试集Loss数据见表2所[0134]从表2可以看出，不同参数LSTM模型的测试集时刻点平均预测偏差基本上差别不[0137]考虑到峰谷等不同用电时刻的用电波动情况不同，将每一个时[0162]为了方便，假设所有预测值都相同且训练集只有两组数据，如图2所示pred1j=[0169]图5(a)和(b)为该用户某日缺失值修正后的日负荷曲线，缺失值修正用黑色点标[0183]图6是含单隐含层且隐含层节点数为100的LSTM模型得到的某一天的预测值和实[0193](2)区别于针对区域负荷的预测方法，并且在用户负荷的预测准确度上明显优于明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领