一种面向配电台区的短期轻量级负荷预测方法与流程

本发明属于智能配电网，具体涉及一种面向配电台区的短期轻量级负荷预测方法。

背景技术：

1、负荷预测在电力系统管理和能源规划中扮演着至关重要的角色。实时准确的负荷预测不仅有助于确保电力系统的稳定性和可靠性，还能够优化资源分配、减少成本和支持可持续发展。配电网短期负荷预测是指利用历史数据预估未来较短时间内(通常为数小时或数天)的电力负荷需求，从而为电力系统运营商、发电厂、分布式能源资源管理者和市场参与者提供重要的信息，以便更好地调度发电资源、优化电网操作和确保电力供应的可靠性。配电网量测设备的不断升级和人工智能领域的不断发展，为负荷预测领域带来了更丰富的数据基础和更多样的技术方案。当前负荷预测领域的研究主要集中在如何对负荷预测的模型及算法进行改进或组合，以达到更高的预测精度。

2、研究面向配电台区的短期轻量级负荷预测方法具有重要意义。这种预测方法可以提供精准的负荷需求预测，帮助电力系统运营者更好地规划和调度配电台区的运行。通过准确预测负荷需求，配电台区可以优化能源供应，提高供电可靠性和效率。此外，这种预测方法还有助于节能和经济性，通过合理调度发电和储能设备，提高能源利用效率，降低能源成本。面向配电台区的短期轻量级负荷预测方法还能帮助集成可再生能源，协调其与传统能源的供需平衡。最重要的是，这种预测方法是实现智能化和自动化的关键一步，推动电力系统向智能化方向发展。因此，研究这种预测方法对于电力系统的可靠运行、能源高效利用和智能化发展至关重要。

技术实现思路

1、本发明的目的在于提供一种面向配电台区的短期轻量级负荷预测方法，该方法有利于在保证负荷预测精度的情况下，减少对设备存储和计算能力的需求，提高能源利用效率。

2、为了实现上述目的，本发明采用的技术方案是：一种面向配电台区的短期轻量级负荷预测方法，包括以下步骤：

3、s1、从配电台区的历史运行数据中选取特征数据作为模型的输入特征集；将输入的数据进行归一化处理，再将经过归一化处理之后的特征集转化为特征矩阵；

4、s2、基于xception卷积与注意力机制构建轻量级台区负荷预测模型；在xception卷积神经网络中加入注意力层以更好地理解输入数据的结构，提高特征的表示能力；而后，根据输入特征矩阵和模型输出向量的特点，通过xception卷积神经网络的逐点卷积和深度卷积这两个独立步骤进行特征提取；

5、s3、通过基于权重剪枝的模型训练方法对步骤s2构建的模型进行训练，生成一个轻量化的负荷预测模型；在模型训练过程中，对权重进行剪枝，即对模型的每个权重进行评估，将权重矩阵中数值小于预设的小阈值的单元设置为零从而实现模型的稀疏化，以降低模型的存储需求和计算复杂度；当模型满足轻量化和精度要求时，得到所需的轻量化的负荷预测模型；

6、s4、利用得到的轻量化的负荷预测模型进行负荷预测。

7、进一步地，步骤s1中，考虑到配电网负荷变动具有周期性的特征，为弥补xception卷积在提取长时间序列特征信息方面的缺陷，每次预测前，从配电台区的历史运行数据中选取与预测日相关性较高的前三周同一天以及预测日前三天的日类型、每小时历史负荷、每小时温度和湿度数据作为模型的输入特征集；

8、将输入的数据进行归一化处理，以加速模型收敛，减少梯度问题，提高模型的泛化性能；采取将输入数据归一化在(0,1)之间对数据进行处理，处理方式如下：

9、

10、式中，xij表示输入第i个样本的第j个特征，为样本中每个特征列的最小值，为样本中每一特征列的级差，为经过预处理后输入第i个样本的第j个特征；

11、在经过归一化处理之后，将特征集转化为矩阵形式，以便于模型对输入的特征集信息进行更好的提取。

12、进一步地，步骤s2中，逐点卷积是指用多个长宽为1，通道数等于输入层数的卷积核对相应层进行卷积操作，以提取跨通道的信息，深度卷积是指对于每个输入通道都用一个单独的卷积核对相应层进行卷积操作，只提取长宽方向的信息；通过这种方式，降低模型的大小，从而减少对设备存储和计算能力的需求。

13、进一步地，步骤s2中，所述轻量级台区负荷预测模型的输入分别为历史温度、湿度、负荷特征矩阵，每个矩阵大小均为6×25，通过注意力层使每个单元乘以相应的权重，然后通过三个1×1的卷积核对跨通道的信息进行提取，再利用三个单层3×3的卷积核对每一层输入各自进行信息提取生成三个特征图，最后，经非线性化层、池化层、全连接层输出一个24维的预测列向量。

14、进一步地，步骤s3中，由于剪枝可能误剪掉一些重要的权重，因此，在每一次剪枝后，都通过微调和再训练来调整剩余参数，以使模型恢复部分丢失的性能，并提高模型的准确性和性能。

15、与现有技术相比，本发明具有以下有益效果：本发明提供了一种面向配电台区的短期轻量级负荷预测方法，该方法首先选取配电台区的历史运行数据作为模型输入并将其转化为特征矩阵，然后根据输入特征矩阵和模型输出向量的特点，基于xception卷积与注意力机制构建轻量级台区负荷预测模型，最后基于权重剪枝的模型训练方法生成一个轻量化的负荷预测模型用于负荷预测；该方法所提出的轻量化负荷预测模型的参数量、计算量及存储空间相比于大型模型大幅降低，而其精度与大型模型基本相当，在边端应用中更具有优势。

技术特征：

1.一种面向配电台区的短期轻量级负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种面向配电台区的短期轻量级负荷预测方法，其特征在于，步骤s1中，考虑到配电网负荷变动具有周期性的特征，为弥补xception卷积在提取长时间序列特征信息方面的缺陷，每次预测前，从配电台区的历史运行数据中选取与预测日相关性较高的前三周同一天以及预测日前三天的日类型、每小时历史负荷、每小时温度和湿度数据作为模型的输入特征集；

3.根据权利要求1所述的一种面向配电台区的短期轻量级负荷预测方法，其特征在于，步骤s2中，逐点卷积是指用多个长宽为1，通道数等于输入层数的卷积核对相应层进行卷积操作，以提取跨通道的信息，深度卷积是指对于每个输入通道都用一个单独的卷积核对相应层进行卷积操作，只提取长宽方向的信息；通过这种方式，降低模型的大小，从而减少对设备存储和计算能力的需求。

4.根据权利要求1所述的一种面向配电台区的短期轻量级负荷预测方法，其特征在于，步骤s2中，所述轻量级台区负荷预测模型的输入分别为历史温度、湿度、负荷特征矩阵，每个矩阵大小均为6×25，通过注意力层使每个单元乘以相应的权重，然后通过三个1×1的卷积核对跨通道的信息进行提取，再利用三个单层3×3的卷积核对每一层输入各自进行信息提取生成三个特征图，最后，经非线性化层、池化层、全连接层输出一个24维的预测列向量。

5.根据权利要求1所述的一种面向配电台区的短期轻量级负荷预测方法，其特征在于，步骤s3中，由于剪枝可能误剪掉一些重要的权重，因此，在每一次剪枝后，都通过微调和再训练来调整剩余参数，以使模型恢复部分丢失的性能，并提高模型的准确性和性能。

技术总结
本发明涉及一种面向配电台区的短期轻量级负荷预测方法，包括：S1、从配电台区的历史运行数据中选取特征数据作为模型的输入特征集；对数据进行归一化处理并转化为特征矩阵；S2、基于Xception卷积与注意力机制构建轻量级台区负荷预测模型；在Xception卷积神经网络中加入注意力层以更好地理解输入数据的结构，提高特征的表示能力；而后通过Xception卷积神经网络的逐点卷积和深度卷积这两个独立步骤进行特征提取；S3、通过基于权重剪枝的模型训练方法对模型进行训练，生成一个轻量化的负荷预测模型；S4、利用得到的轻量化的负荷预测模型进行负荷预测。该方法有利于在保证负荷预测精度的情况下，减少对设备存储和计算能力的需求，提高能源利用效率。

技术研发人员：范元亮,吴涵,李泽文,林建利,陈伟铭,李凌斐,黄兴华,吴灿雄,李小娴,孙龙一,黄毅标,朱淑娟,陈蓓蓓
受保护的技术使用者：国网福建省电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/3/17