申请/专利权人:深圳供电局有限公司;南方电网科学研究院有限责任公司
申请日:2021-09-27
公开(公告)日:2024-04-16
公开(公告)号:CN113780679B
主分类号:G06Q10/04
分类号:G06Q10/04;G06Q50/06;G06N3/0442;G06N3/08;G06F18/23213
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2021.12.28#实质审查的生效;2021.12.10#公开
摘要:本发明公开了一种基于泛在电力物联网的负荷预测方法及装置,其中方法包括:分别获取泛在电力物联网范围内目标用户和其他用户的数据集,对所述数据集进行预处理;其中,所述数据集包括电气数据、用户间关联数据、用户内部的生产要素数据和负荷相关数据;构建基于深度残差网络的特征提取模型,所述特征提取模型提取第一数据集与目标用户的电气数据间的关联特征;构建基于长短期记忆网络的负荷预测模型,所述负荷预测模型根据第二数据集进行负荷预测得到所述目标用户的负荷数据。本发明通过基于注意力机制和长短跳跃连接的长短期记忆网络的负荷预测模型,能降低负荷预测的不确定性,能够提高目标用户的负荷预测准确性。
主权项:1.一种基于泛在电力物联网的负荷预测方法,其特征在于,包括:分别获取泛在电力物联网范围内目标用户和其他用户的数据集,对所述数据集进行预处理;其中,所述数据集包括电气数据、用户间关联数据、用户内部的生产要素数据和负荷相关数据;构建基于深度残差网络的特征提取模型,所述特征提取模型提取第一数据集与目标用户的电气数据间的关联特征,包括:将所述第一数据集中的数据排列成多通道矩阵形式,通过卷积层和激活函数层提取浅层关联特征,通过若干残差块提取深层关联特征,通过第一全局长跳跃连接将所述浅层关联特征与所述深层关联特征加权求和得到所述关联特征;所述第一全局长跳跃连接跨越了若干残差块和一个卷积层;其中,所述第一数据集包括其他用户的电气数据、所述用户间关联数据和所述负荷相关数据;构建基于长短期记忆网络的负荷预测模型,所述负荷预测模型根据第二数据集进行负荷预测得到所述目标用户的负荷数据,包括:将所述第二数据集中的数据排列成多通道矩阵形式,通过卷积层和激活函数层进行非线性转换得到非线性转换结果,通过若干长短期记忆网络层进行特征的学习和传递,通过批归一化层、激活函数层和全连接层输出所述目标用户的负荷数据;通过若干长短期记忆网络层进行特征的学习和传递包括:长短期记忆网络基本单元组通过局部短跳跃连接保留已学知识或学习新知识;长短期记忆网络层通过局部长跳跃连接保留已学知识或学习新知识;通过第二全局长跳跃连接将所述非线性转换结果与长短期记忆网络层的学习结果进行叠加;其中,所述局部短跳跃连接跨越了一组长短期记忆网络基本单元组,所述局部长跳跃连接跨越了一个长短期记忆网络层,所述第二全局长跳跃连接跨越了若干长短期记忆网络层,所述长短期记忆网络层包括若干组长短期记忆网络基本单元组;所述第二数据集包括所述第一数据集、所述关联特征、剩余生产要素数据及剩余生产要素类别,所述剩余生产要素数据及所述剩余生产要素类别是根据所述生产要素数据确定的。
全文数据:
权利要求:
百度查询: 深圳供电局有限公司;南方电网科学研究院有限责任公司 一种基于泛在电力物联网的负荷预测方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。