(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211362629.1 (22)申请日 2022.11.02 (71)申请人 国网江西省电力有限公司电力科 学 研究院 地址 330096 江西省南昌市青山湖区民营 科技园民强路8 8号 申请人 国家电网有限公司 　 南昌科晨电力试验研究有限公司 　 东南大学　 国电南瑞科技股份有限公司 (72)发明人 熊俊杰　郑雅铭　饶臻　曾伟　 赵伟哲　匡德兴　程晨闻　顾伟　 陈中　花为　徐青山　吴在军　 郑舒　黄绍真　张国秦　(74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 专利代理师 吴称生 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) H02J 3/00(2006.01) (54)发明名称 一种有源配电网净负荷概 率预测方法 (57)摘要 本发明公开了一种有源配电网净负荷概率 预测方法， 步骤包括： S1， 对收集的配网负荷、 新 能源出力时间序列数据集进行缺失值填补、 异常 值剔除后， 配网负荷减去新能源 出力的得到净负 荷时间序列； S2， 将净负荷时间序列转换为监督 学习数据集， 使用时间卷积神经网络提取得到净 负荷时间序列的特征向量； S3， 使用时间卷积神 经网络提取得到特征向量为输入训练分位数随 机森林模型， 得到净负荷的概率预测结果。 本发 明利用时间卷积神经网络 ‑分位数随机森林模型 进行有源配电网概率预测时， 使用时间卷积神经 网络深入挖掘了净负荷的时序变化特征， 实现了 历史净负荷数据的充分利用， 帮助分位数随机森 林模型更快速准确地进行 净负荷概 率预测。 权利要求书3页 说明书8页 附图1页 CN 115409296 A 2022.11.29 CN 115409296 A 1.一种有源配电网净负荷概 率预测方法， 其特 征是： 包括步骤： 步骤一， 对收集的配网负荷、 新能源出力时间序列 数据集进行缺失值填补、 异常值剔除 后， 配网负荷减去新能源出力得到净负荷时间序列； 步骤二， 将净负荷时间序列转换为监督学习数据集， 使用时间卷积神经网络提取得到 净负荷时间序列的特 征向量； 步骤三， 使用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模 型， 得到净负荷的概 率预测结果。 2.根据权利要求1所述一种 有源配电网净负荷概率预测方法， 其特征是： 所述步骤一中 时间序列数据集进行缺失值 填补的方法为： 判断缺失数据类型， 如果是单点数据缺失， 则使用缺失数据前一个时间点和缺失数据 后一个时间点的数据平均值 填补缺失数据； 如果连续多个时间点的数据值均为缺失， 即某个时间段的数据值缺失， 则使用整个时 间序列数据集中相同时间段的数据值的平均值 填补缺失时间段的数据值。 3.根据权利要求1所述一种 有源配电网净负荷概率预测方法， 其特征是： 所述步骤一中 时间序列数据集进行异常值剔除的方法为： 使用式 （1） 所示的数据变化 率来检测异常值： （1） 式中， 为代表时间序列中数据变化率， pt代表时间序列中时间点t时的数据值， pt‑1代 表时间序列中时间点t ‑1时的数据值， 如果时间点t的数据变化率大于1则认 为时间点t的数 据值为异常值； 对于存在异常值的时间点， 使用异常数据 前一个时间点和缺失数据后一个时间点的数 据平均值 替代异常值。 4.根据权利要求1所述一种 有源配电网净负荷概率预测方法， 其特征是： 所述步骤二中 净负荷时间序列转换为 监督学习数据集的方法为： 配网负荷减去新能源出力得到净负荷时间序列后， 以过去8个时间点的净负荷大小为 输入， 以当前时间点的净负荷大小为标签， 得到用于时间卷积神经网络 ‑分位数随机森林模 型训练的监 督学习数据集。 5.根据权利要求1所述一种 有源配电网净负荷概率预测方法， 其特征是： 所述步骤二中 使用时间卷积神经网络提取 得到净负荷时间序列的特 征向量的方法为： 首先使用残差连接的扩张因果卷积网络构建时间卷积残差块， 扩 张因果卷积网络通过 扩大因果卷积来扩大网络的感受野并提高计算效率， 其计算方式为式(2)： （2） 式中， F(i)是输入序列第i个元素的卷积结果,  k代表卷积核的大小； h(j)代表卷积核 中第j个参数的大小； d为扩张因子； 代表输入序列第i ‑dj个元素， 输入序列即x1,x2,权　利　要　求　书 1/3 页 2 CN 115409296 A 2x3,x4,x5,x6,x7,x8， x1,x2,x3,x4,x5,x6,x7,x8表示为过去8个时间点的净负荷大小； 每个时间卷积残差块由两个扩 张因果卷积网络残差连接构 成， 即每个时间卷积残差块 的最终输出由两条路径输出之和决定， 如式3所示： （3） 式中， o代表输出， Activation代表激活函数， F(Y)代表第一条输出路径， Y代表第二条 输出路径； 第一条输出路径为经过第 一个权重初始化后的扩 张因果卷积网络， 增加修正线性单元 函数进行非线性变换， 将非线性变换后的输出进行随机失活正则化， 之后输入第二个扩张 因果卷积神经网络， 经过相同的非线性变换和 正则化后输出； 第二条输出路径为输入经过 一维卷积层后直接 输出； 构建三个相同的时间卷积残差块顺序连接， 最后一个时间卷积残差块输出一个三维的 特征向量， 取时间卷积残差块输出 的最后一个三维的特征向量， 得到一个新的三维特征向 量， 送入全连接神经网络后得到样本预测输出值 ： （4） 其中， w和b分别代 表全连接神经网络的权 重和偏置项， 为新的三维特 征向量； 然后以MSE损失函数训练整个神经网络模型 （5） MSE代表平方误差函数， l代表一个批次中的样本个数， yi代表第i个样本输出值， 代 表第i个样本预测输出值； 完成时间卷积神经网络训练后， 将原始 的净负荷时间序列输入时间卷积神经网络， 提 前得到特征向量， 使得分位数随机森林模型提高概 率预测性能。 6.根据权利要求5所述的一种 有源配电网净负荷概率预测方法， 其特征是， 步骤三中使 用时间卷积神经网络提取得到的特征向量为输入训练分位数随机森林模型， 分位数随机森 林模型以分类回归树作为基模型， 在满足设定的条件前， 在叶子节点以外的所有节点递归， 将当前样本集划分为两个子集； 设D为样 本子集， X、 Y 分别为输入和输出， 分类回归树的构建 过程为： S1,构建一个分类回归树 根节点， 根节点包 含整个样本 子集； S2,遍历输入整个样本子集特征， 将整个样本子集特征的值从小到大排列， 取排列后相 邻两个值的平均值作为切分点n， 按切分点n将整个样本子集的特征空间分割为式 （6） 和式 （7） 所示的子空间R1、 子空间R2， 定义用c1、 c2分别表示子空间R1上输出Y的均值、 子空间R2上 输出Y的均值， 通过求 解式 （8） 来确定分割整个样本 子集的最优特 征和最优切分值： （6） （7）权　利　要　求　书 2/3 页 3 CN 115409296 A 3