本發(fā)明屬于電力系統(tǒng)，尤其涉及一種基于人工智能的配網(wǎng)負荷預測模型。

背景技術(shù)：

1、負荷預測是城市電網(wǎng)規(guī)劃中的基礎(chǔ)工作,對規(guī)劃的質(zhì)量起關(guān)鍵作用。準確的負荷預測將為電源的合理布點、適時的電網(wǎng)建設(shè)、最佳的投資時間以及獲得最大的經(jīng)濟效益和社會效益提供科學的決策依據(jù),并為電網(wǎng)的安全、經(jīng)濟、可靠運行提供保證。

2、隨著電網(wǎng)業(yè)務(wù)的激增，負荷預測在調(diào)控、電網(wǎng)規(guī)劃、電力交易等業(yè)務(wù)場景下越來越重要，現(xiàn)在普遍使用的負荷預測模型有bp神經(jīng)網(wǎng)絡(luò)、lstm神經(jīng)網(wǎng)絡(luò)和cnn-lstm神經(jīng)網(wǎng)絡(luò)，但在實際應(yīng)用過程中，存在一定的弊端：對于bp神經(jīng)網(wǎng)絡(luò)來說，其容易陷入局部最優(yōu)解，訓練過程可能較為困難，且對數(shù)據(jù)質(zhì)量和特征工程要求較高，對異常值和缺失值處理不佳，同時難以處理時間序列數(shù)據(jù)中的長期依賴關(guān)系；對于lstm神經(jīng)網(wǎng)絡(luò)來說，其雖然能在一定程度上彌補bp神經(jīng)網(wǎng)絡(luò)的缺陷，但其訓練和調(diào)參復雜度較高，需要較多的計算資源，而且對于簡單的負荷變化模式，其可能過于復雜，此外，對于數(shù)據(jù)量較少的情況下，可能出現(xiàn)過擬合問題；對于cnn-lstm神經(jīng)網(wǎng)絡(luò)來說，其雖然結(jié)合了cnn和lstm的優(yōu)勢，既能夠有效地提取序列數(shù)據(jù)中的空間特征，又能夠捕捉時間依賴性，但該模型較為復雜，需要較高的計算資源和時間成本，且對于參數(shù)調(diào)整和模型解釋較為困難，同時，其對數(shù)據(jù)質(zhì)量和預處理要求較高，需要合適的特征工程；基于上述，我們提供了一種有效的使用政策、行業(yè)、天氣、節(jié)日等因素對于負荷預測的重要影響，更好的針對配網(wǎng)的節(jié)點負荷進行預測的基于人工智能的配網(wǎng)負荷預測模型。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對上述的所存在的技術(shù)問題，提出一種設(shè)計合理、結(jié)構(gòu)簡單、加工方便且能夠有效的使用政策、行業(yè)、天氣、節(jié)日等因素對于負荷預測的重要影響，更好的針對配網(wǎng)的節(jié)點負荷進行預測的一種基于人工智能的配網(wǎng)負荷預測模型。

2、為了達到上述目的，本發(fā)明采用的技術(shù)方案為一種基于人工智能的配網(wǎng)負荷預測模型，包括dm-lstm神經(jīng)網(wǎng)絡(luò)模型，所述dm-lstm神經(jīng)網(wǎng)絡(luò)模型對于配網(wǎng)負荷預測的方法包括以下步驟：

3、s1：首先進行原始數(shù)據(jù)的收集，包括歷史發(fā)電量、天氣數(shù)據(jù)、季節(jié)信息、地理位置參數(shù)以及設(shè)備性能指標；

4、s2：搭建deepmlp深度網(wǎng)絡(luò)編碼器，將所收集的原始數(shù)據(jù)輸入后進行數(shù)據(jù)信息的初始化和歸一化處理，并對不同的數(shù)據(jù)源進行特征提取和融合，然后進行每個節(jié)點的最終輸出特征；

5、s3：搭建spatiotemporallstm模型，用于實現(xiàn)對時空序列數(shù)據(jù)進行建模，以捕捉時序數(shù)據(jù)中的長期依賴關(guān)系和時空動態(tài)性；

6、s4：對deepmlp深度網(wǎng)絡(luò)編碼器的輸出和spatiotemporallstm模型的輸出進行融合，獲得混合權(quán)重而降低預測差異；

7、s5：在spatiotemporallstm模型的末端搭建一個softmax層，用于實現(xiàn)對不同的影響因素進行權(quán)重分配，以衡量不同因素對配網(wǎng)新能源出力預測的影響程度，并根據(jù)softmax層的輸出與spatiotemporallstm模型的預測結(jié)果相乘，獲得綜合各種因素下的預測結(jié)果。

8、作為優(yōu)選，所述步驟s2的deepmlp深度網(wǎng)絡(luò)編碼器中搭建有多層感知器，所述多層感知器包括輸入層、隱藏層和輸出層，且包括以下步驟：

9、s2.1：將所收集的原始數(shù)據(jù)作為輸入特征，輸入到多層感知器中，輸入層的數(shù)據(jù)通過隱藏層進行處理；

10、s2.2：在隱藏層中，每個神經(jīng)元都與前一層的所有神經(jīng)元相連接，并通過激活函數(shù)引入非線性，使網(wǎng)絡(luò)可捕捉復雜的數(shù)據(jù)模式；

11、s2.3：隱藏層的輸出傳遞至輸出層的一個或多個輸出神經(jīng)元上，并在輸出層中設(shè)立線性激活函數(shù)，實現(xiàn)一個實數(shù)值的輸出；

12、s2.4：將正則化技術(shù)應(yīng)用在deepmlp深度網(wǎng)絡(luò)編碼器中，利用學習率、批量大小等超參數(shù)的調(diào)整來優(yōu)化模型的訓練過程。

13、作為優(yōu)選，所述輸入層到隱藏層的激活函數(shù)表示為：h1＝σ(w1·x+b1)，所述隱藏層到輸出層的激活函數(shù)表示為：y＝sigma(w2·h+b2)，其中，x是輸入特征向量，w1是輸入層到隱藏層的權(quán)重矩陣，b1是隱藏層的偏置向量，sigma通常是非線性激活函數(shù)，h是隱藏層的輸出，w2是隱藏層到輸出層的權(quán)重矩陣，b2是輸出層的偏置向量，y是最終的輸出，即為模型的預測值。

14、作為優(yōu)選，在所述步驟s3的spatiotemporallstm模型中搭建門控機制，所述門控機制包括輸入門、遺忘門、細胞狀態(tài)更新和輸出門，并包括以下步驟：

15、s3.1：利用輸入門查看當前的輸入數(shù)據(jù)和前一時間步的隱藏狀態(tài)，并來決定被存儲的信息，所述輸入門的確定信息被存儲的公式為：

16、it＝σ(wxi·[xt；ht-1]+bi)

17、其中，xt是當前時間步的輸入，ht-1是前一時間步的隱藏狀態(tài)，wxi是輸入門對應(yīng)的權(quán)重矩陣，bi是偏置項，σ表示sigmoid激活函數(shù)；

18、s3.2：利用遺忘門來確定模型中允許被舍棄不重要的信息，所述遺忘門的允許模型舍棄信息的公式為：ft＝σ(wxf·[xt；ht-1]+bf)，其中，xt是當前時間步的輸入，ht-1是前一時間步的隱藏狀態(tài)，wxf是遺忘門的權(quán)重矩陣，bf是偏置項；

19、s3.3：根據(jù)s3.1和s3.2中的信號輸入，進行細胞狀態(tài)的更新，所述細胞狀態(tài)更新的公式為：

20、ct＝ft·ct-1+it·tanh(wxc·[xt；ht-1]+bc)

21、其中，ct是當前時間步的細胞狀態(tài)，ct-1是前一時間步的細胞狀態(tài)，ft是遺忘門的輸出，it是輸入門的輸出，wxc是相關(guān)的權(quán)重矩陣，bc是偏置項；

22、s3.4：利用輸出門來決定細胞狀態(tài)更新中輸出信息的多少到最終結(jié)果，所述輸出門的確定信息輸出多少的公式為：

23、ot＝σ(wxo·[xt；ht-1]+bo)

24、其中，wxo是輸出門的權(quán)重矩陣，bo是偏置項。

25、作為優(yōu)選，所述步驟s5包括以下步驟：

26、s5.1：假設(shè)影響因素為n個，利用搭建的softmax層為其產(chǎn)生一個概率分布，所述softmax層的概率分布確定公式為：

27、p＝(p1,p2,...,pn)

28、其中，pi代表第i個因素的權(quán)重。

29、s5.2：假設(shè)lstm層基于每個因素作出一個預測值，記為：

30、l＝(l1,l2,...,ln)；

31、s5.3：利用步驟s5.1中的輸出作為權(quán)重來對s5.2中的預測值進行加權(quán)求和，所述加權(quán)后的預測結(jié)果的確定公式表示為：其中，pi·li是第(i)個因素的加權(quán)預值。

32、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果在于，

33、1、本發(fā)明提供的一種基于人工智能的配網(wǎng)負荷預測模型，通過所設(shè)立的dm-lstm神經(jīng)網(wǎng)絡(luò)模型，其在負荷預測上的優(yōu)勢在于綜合考慮了靜態(tài)和動態(tài)因素、提供更多的背景信息、時間序列建模能力和動態(tài)模式識別能力。綜合利用deepmlp和lstm的優(yōu)勢，降低預測誤差，提高預測的準確性和可靠性；本發(fā)明能有效的使用政策、行業(yè)、天氣、節(jié)日等因素對于負荷預測的重要影響，更好的針對配網(wǎng)的節(jié)點負荷進行預測。