一种基于ResNet-LSTM的配电台区短期负荷预测方法及装置与流程

技术特征：
1.一种基于resnet-lstm的配电台区短期负荷预测方法，其特征在于，具体包括如下步骤：搭建第一resnet-lstm模型，所述resnet-lstm模型包括cnn层、lstm层以及全连接层输出层；对所述第一resnet-lstm模型添加注意力机制以获取第二resnet-lstm模型；获取预处理的历史数据，并对所述第二resnet-lstm模型进行训练对所述以获取第三resnet-lstm模型；将待预测的负荷数据属于所述三resnet-lstm模型中，并对所述待预测的负荷数据进行负荷预测。2.根据权利要求1所述的方法，其特征在于，所述获取预处理的历史数据的步骤包括：获取历史数据并对所述历史数据进行预处理以获取预处理的历史数据。3.根据权利要求1所述的方法，其特征在于，所述对所述第二resnet-lstm模型进行训练对所述以获取第三resnet-lstm模型的步骤包括：获取所述预处理的历史数据输出所述第二resnet-lstm模型并获取第一损失函数；采用adam算法对所述第二resnet-lstm模型的参数进行优化并获取第二损失函数；判定第一损失函数是否小于第二损失函数；若是，则获取未优化参数的所述第二resnet-lstm模型为所述第三resnet-lstm模型；若否，则对所述未优化参数第二resnet-lstm模型的参数进行更新，以获取所述第三resnet-lstm模型，并执行所述获取所述预处理的历史数据输出所述第二resnet-lstm模型并获取第一损失函数的步骤。4.根据权利要求1所述的方法，其特征在于，所述cnn层包括所第一basicblock残差基本模块、第二basicblock残差基本模块、第三basicblock残差基本模块以及第四basicblock残差基本模块；所述第一basicblock残差基本模块、所述第二basicblock残差基本模块、所述第三basicblock残差基本模块以及所述第四basicblock残差基本模块依次相连；所述第一basicblock残差基本模块包括3个第一basicblock残差基本子模块，所述第一basicblock残差基本子模块的卷积核数为64；所述第二basicblock残差基本模块包括4个第二basicblock残差基本子模块，所述第二basicblock残差基本子模块的卷积核数为128；所述第三basicblock残差基本模块包括6个第三basicblock残差基本子模块，所述第三basicblock残差基本子模块的卷积核数为256；所述第四basicblock残差基本模块包括3个第四basicblock残差基本子模块，所述第三basicblock残差基本子模块的卷积核数为512。5.根据权利要求1所述的方法，其特征在于，所述全连接层输出层采用relu函数为激活函数：y
t
＝relu(w
o
s
t
b
o
)；y
t
—全连接层输出量；w
o
—全连接层的权重参数；b
o
—全连接层的偏置；
s
t
—全连接层的输入。6.根据权利要求1所述的方法，其特征在于，所述获取预处理的历史数据的步骤中，采用如下公式进行归一化：x
std
—归一化之后的数据；x—未进行归一化的数据；x
min
(axis＝0)—未进行归一化的数据中特征的最小值；x
max
(axis＝0)—未进行归一化的数据中特征的最大值；所述全连接层输出层采用如下公式进行反归一化：x
′
＝x
std
*(x
max
(axis＝0)-x
min
(axis＝0)) x
min
(axis＝0)；x
′
—反归一化的数据。7.根据权利要求3所述的方法，其特征在于，采用如下公式获取第一损失函数以及第二损失函数：x
act
—真实值；x
pred
—预测值；y
mape
—平均绝对百分比误差adam算法采用如下公式：θ
t
—待更新的参数；α—学习率；时间步t的梯度的一阶估计的修正量；时间步t的梯度的二阶估计的修正量；式中：β1—时间步t的梯度的一阶估计衰减率；β2—时间步t的梯度的二阶估计衰减率；g
t
—时间步t的梯度。8.根据权利要求3所述的方法，其特征在于，所述对所述第一resnet-lstm模型添加注意力机制以获取第二resnet-lstm模型的步骤包括：所述注意力机制的权重系数为：e
t
＝utanh(wh
t
b)
h
t
—t时刻隐藏层的状态；tanh—激活函数；α
t
—为t时刻注意力机制对隐藏层的注意力权重值；e
t
—t时刻lstm层输出h
t
所决定的注意力概率分布值；u和w—权重系数；b—偏置；s
t
—t时刻注意力机制隐藏层的输出值。9.根据权利要求1所述的方法，其特征在于，所述lstm层满足如下公式：f
t
＝σ(w
fx
x
t
w
fh
h
t-1
b
f
)；w
f
—隐藏层中间输出；h
t
与输入数据w
t
是门运算的权值参数；b
f
—门运算的偏置；σ—非线性激活函数sigmoid。10.一种基于resnet-lstm的配电台区短期负荷预测装置，其特征在于，具体包括如下步骤：模型搭建模块：用于搭建第一resnet-lstm模型，所述resnet-lstm模型包括cnn层、lstm层以及全连接层输出层；注意力机制引入模块：用于对所述第一resnet-lstm模型添加注意力机制以获取第二resnet-lstm模型；训练模块：用于获取预处理的历史数据，并对所述第二resnet-lstm模型进行训练对所述以获取第三resnet-lstm模型；预测结果输出模块：用于将待预测的负荷数据属于所述三resnet-lstm模型中，并对所述待预测的负荷数据进行负荷预测。

技术总结
本发明提供了一种基于ResNet-LSTM的配电台区短期负荷预测方法及装置，用于负荷预测的领域，包括：搭建第一ResNet-LSTM模型，ResNet-LSTM模型包括CNN层、LSTM层以及全连接层输出层；对第一ResNet-LSTM模型添加注意力机制以获取第二ResNet-LSTM模型；获取预处理的历史数据，并对第二ResNet-LSTM模型进行训练对以获取第三ResNet-LSTM模型；将待预测的负荷数据属于三ResNet-LSTM模型中，并对待预测的负荷数据进行负荷预测。本发明所提方法能显著提高配电台区短期负荷预测的精度。高配电台区短期负荷预测的精度。高配电台区短期负荷预测的精度。


技术研发人员：李海龙 张磐 李春晖 刘慧芳 滕飞 张志朋 刘文韬 奚鹏飞 庄乾宇 范须露
受保护的技术使用者：国家电网有限公司
技术研发日：2021.10.29
技术公布日：2022/3/25