一种配电网多元负荷的预测模型建立、预测方法及装置与流程

本说明书涉及电力系统，尤其是涉及一种配电网多元负荷的预测模型建立、预测方法及装置。

背景技术：

1、随着智能配电网的建设，配电网的负荷预测及调整优化对保证配电网安全稳定运行具有重要意义。目前，配电网正朝向清洁能源接入、柔性负荷灵活可控等新的特征演变，分布式电源、综合能源系统以及新型用电负荷等广泛接入到配电网中，使得负荷变为了部分可控、可调的“柔性”负荷，原有的负荷用电曲线发生变化，导致配电网规划负荷边界难以确定，随着新型用电负荷这类多元负荷配电设备，如电动汽车充电桩、电取暖、电制冷等不断接入配电网中，配电网的用电负荷将受到越来越多种因素影响，对配电网安全稳定的运行带来了挑战。

技术实现思路

1、鉴于目前新型用电负荷这类多元负荷配电设备，如电动汽车充电桩、电取暖、电制冷等不断接入配电网中，配电网的用电负荷将受到越来越多种因素影响，对配电网安全稳定的运行带来了挑战，提出了本方案以便克服上述问题或者至少部分地解决上述问题。

2、一方面，本说明书的一些实施例的目的在于提供一种配电网多元负荷的预测模型建立方法，所述方法包括：

3、获取目标配电网的历史气象数据和历史多元负荷数据；

4、将所述历史气象数据和历史多元负荷数据构建为训练样本集；

5、构建内嵌特征增强层和时间注意力机制的神经网络模型；其中，所述特征增强层用于根据所述历史气象数据的时域特征和空间域特征确定气象嵌入特征，所述时间注意力机制用于强化神经网络模型输入与输出之间的时序相关性；

6、利用所述训练样本集训练神经网络模型，将训练完成的神经网络模型作为配电网负荷的预测模型。

7、进一步地，所述历史多元负荷数据包括目标配电网总负荷及各个多元负荷配电设备的负荷数据；所述历史气象数据包括各个多元负荷配电设备所在地区的气象数据。

8、进一步地，所述多元负荷配电设备至少包括电采暖配电设备、电动充电桩配电设备、电制冷配电设备中的一种或多种；所述气象数据至少包括温度、相对湿度、风速、风向、云量、降水量、气压中的一种或多种数据。

9、进一步地，获取目标配电网的历史气象数据和历史多元负荷数据后，进一步包括：

10、对所述目标配电网的历史气象数据和历史多元负荷数据进行清洗，以剔除异常值；

11、对清洗后的历史气象数据和历史多元负荷数据进行归一化处理。

12、进一步地，获取目标配电网的历史多元负荷数据后，进一步包括：

13、按照所述历史多元负荷数据的数据类型，将所述历史多元负荷数据分类为多路数据，分别输入至多个相同的卷积通道中；

14、利用全连接层对所述多路数据进行噪声预测；

15、将噪声预测结果依次输入至激活函数层和正则化层，以优化所述噪声预测结果；

16、根据优化后的噪声预测结果，对所述历史多元负荷数据进行降噪处理。

17、进一步地，根据所述历史气象数据的时域特征和空间域特征确定气象嵌入特征，包括：

18、将所述历史气象数据输入至第一卷积神经网络层，以进行空间特征提取，得到第一空间特征提取结果；

19、对所述第一空间特征提取结果进行维度变换；

20、将维度变换后的第一空间特征提取结果输入至第一循环神经网络，以进行时域特征提取，得到所述气象嵌入特征。

21、进一步地，所述神经网络模型包括编码器和解码器；

22、所述编码器包括时间注意力单元和内嵌所述特征增强层的第一子神经网络单元，所述时间注意力单元用于根据历史多元负荷数据及预测多元负荷输出结果之间的时序关系得到预测多元负荷输出结果间的时间注意力，所述第一子神经网络单元用于根据预测多元负荷输出结果间的时间注意力和上一时刻编码器的隐藏状态对编码器的隐藏状态进行实时更新；

23、所述解码器包括维度注意力单元、第二子神经网络单元和非线性拟合单元，所述维度注意力单元用于根据实时更新的编码器的隐藏状态确定编码器隐藏状态的维度注意力，并根据编码器隐藏状态的维度注意力确定文本向量，所述第二子神经网络单元用于根据所述文本向量和上一时刻解码器的隐藏状态对解码器的隐藏状态进行实时更新，所述非线性拟合单元用于根据更新后的解码器的隐藏状态和对应时刻的文本向量对目标配电网的多元负荷进行拟合预测。

24、进一步地，利用所述训练样本集训练神经网络模型，进一步包括：

25、将所述训练样本集划分为训练集及验证集；

26、利用所述训练集训练神经网络模型；

27、将所述验证集中的历史气象数据输入至训练得到的神经网络模型中；

28、根据模型输出结果及所述验证集中的历史多元负荷数据计算准确率；

29、若所述准确率小于预设阈值，则重新训练所述神经网络模型；

30、若所述准确率不小于预设阈值，则完成所述神经网络模型的训练。

31、另一方面，本说明书的一些实施例还提供一种配电网多元负荷的预测模型建立装置，所述装置包括：

32、接收模块，用于获取目标配电网的历史气象数据和历史多元负荷数据；

33、样本构建模块，用于将所述历史气象数据和历史多元负荷数据构建为训练样本集；

34、模型构建模块，用于构建内嵌特征增强层和时间注意力机制的神经网络模型；其中，所述特征增强层用于根据所述历史气象数据的时域特征和空间域特征确定气象嵌入特征，所述时间注意力机制用于强化神经网络模型输入与输出之间的时序相关性；

35、训练模块，用于利用所述训练样本集训练神经网络模型，将训练完成的神经网络模型作为配电网负荷的预测模型。

36、基于同一发明构思，本说明书的一些实施例的目的在于提供一种配电网多元负荷的预测方法，所述方法包括：

37、获取待预测配电网的气象数据；

38、将所述待预测配电网的气象数据输入至利用前述任一实施例所述方法训练得到的配电网多元负荷的预测模型中，得到待预测配电网的气象数据对应的配电网负荷预测结果。

39、另一方面，本说明书的一些实施例还提供一种配电网多元负荷的预测装置，所述装置包括：

40、获取模块，用于获取待预测配电网的气象数据；

41、预测模块，用于将所述待预测配电网的气象数据输入至利用前述任一实施例所述方法训练得到的配电网多元负荷的预测模型中，得到待预测配电网的气象数据对应的配电网负荷预测结果。

42、另一方面，本说明书的一些实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。

43、另一方面，本说明书的一些实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。

44、另一方面，本说明书的一些实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。

45、本说明书的一些实施例提供的一个或者多个技术方案，至少具有如下的技术效果：

46、本说明书的实施例自动获取目标配电网的历史气象数据和历史多元负荷数据，并构建对应的训练样本集，并利用神经网络模型中的特征增强层提取历史气象数据的时空特征，以减小数据量的同时保留重要特征，在模型训练时利用内嵌的时间注意力机制强化神经网络模型输入与输出之间的时序相关性，从而提高配电网多元负荷的预测模型的预测精度。

47、上述说明仅是本说明书的一些实施例技术方案的概述，为了能够更清楚了解本说明书的一些实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本说明书的一些实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本说明书的一些实施例的具体实施方式。