技術(shù)特征：

1.一種基于人工智能的配網(wǎng)負荷預(yù)測模型，其特征在于，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(yù)測的方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于人工智能的配網(wǎng)負荷預(yù)測模型，其特征在于，所述步驟s2的deep?mlp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：

3.根據(jù)權(quán)利要求2所述的一種基于人工智能的配網(wǎng)負荷預(yù)測模型，其特征在于，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(yù)測值。

4.根據(jù)權(quán)利要求3所述的一種基于人工智能的配網(wǎng)負荷預(yù)測模型，其特征在于，在所述步驟s3的spatiotemporal?lstm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：

5.根據(jù)權(quán)利要求4所述的一種基于人工智能的配網(wǎng)負荷預(yù)測模型，其特征在于，所述步驟s5包括以下步驟：

技術(shù)總結(jié)
本發(fā)明屬于電力系統(tǒng)技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的配網(wǎng)負荷預(yù)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(yù)測的方法包括以下步驟：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(biāo)；S2：搭建Deep?MLP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；S3：搭建Spat?iotempora?l?LSTM模型；S4：對Deep?MLP深度網(wǎng)絡(luò)編碼器的輸出和Spat?iotempora?l?LSTM模型的輸出進行融合，獲得混合權(quán)重而降低預(yù)測差異；S5：在Spat?iotempora?l?LSTM模型的末端搭建一個Softmax層。本發(fā)明綜合考慮了靜態(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，有效降低預(yù)測誤差，提高預(yù)測的準(zhǔn)確性和可靠性。

技術(shù)研發(fā)人員：王立峰,王震,劉波,盧愿,武傳奇,張云鵬,支應(yīng)輝,傅鵬,王克山,劉剛,王濤
受保護的技術(shù)使用者：山東魯軟數(shù)字科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2