买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南大学;国网能源研究院有限公司;国网青海省电力公司经济技术研究院

摘要：本发明为基于混合机器学习的配电网负荷预测装置及方法，人工智能预测技术领域。其中，该装置包含数据采集模块、数据存储模块、数据预处理模块以及预测模块；该方法包含以下步骤：S1：采集区域内居民小区的负荷数据；S2：对居民小区负荷数据进行预处理；S3：利用Copula熵和模糊隶属度函数计算节点属性特征；S4：构造配电站辖区的权重图；S5：建立混合机器学习模型和损失函数，并利用权重图训练；S6：利用混合机器学习模型预测配电网的负荷数据。本发明方法对负荷数据特征进行加权、融合和更新，能够显著提高预测的精度、效率和泛化能力。

主权项：1.基于混合机器学习的配电网负荷预测方法，其特征在于，该方法包含以下步骤：S1：数据采集模块1采集配电网辖区内所有居民小区的负荷数据，存储于负荷数据存储单元21中；S2：数据预处理单元31对时间段T内的负荷数据存储单元21中的居民小区负荷数据进行预处理，得到权重系数；S3：以每个配电站辖区为一个单元，特征加权单元32利用Copula熵和模糊隶属度函数对时间段T内对应的配电站的特征向量、居民小区的特征向量以及其他随机特征向量进行加权处理，得到节点属性特征；S4：以每个配电站辖区为一个单元，以辖区内配电站和居民小区为节点，数据预处理模块3利用步骤S2的权重数据和步骤S3的节点属性特征构造对应配电站辖区时间段T内的权重图；S5：预测模块4建立混合机器学习模型，并设定损失函数，并利用历史时间段的配电网区域内的权重图进行训练；S6：预测模块4利用训练好的混合机器学习模型预测下一时刻的配电网的负荷数据；其中，所述的负荷数据包含：居民小区ID，时间，负荷量；步骤S2所述的预处理具体包含：1利用k近邻算法KNN对异常数据进行检测，并利用邻近数据对异常数据进行替换；2使用min-max标准化方法对负荷量进行线性变换，使其值变换至[0，1]区间内，得到权重系数；3将时间段对应节假日以及月份信息进行One-HotEncoding编码；所述的步骤S3具体为：S301：按照时序，将一个配电站辖区内的配电站的特征数值、居民小区的特征数值和其他随机特征数值构造成特征向量；S302：计算每个特征向量与配电站供电量向量之间的Copula熵；所述的配电站供电量向量为配电站辖区内所有居民小区负荷特征向量的求和；进一步，对于任意两个n维特征向量X＝[X1，X2，...，Xn]和Y＝[Y1，Y2，...，Yn]，X和Y的Copula熵计算过程如下：首先，需要获得X和Y的联合概率密度函数fX，Yx，y，然后计算Copula函数其中，Cu，v是将边缘分布函数FX和FY映射到[0，1]区间的函数，u＝FXx和v＝FYy；S303：利用步骤S302计算出的每个特征向量对应的Copula熵计算出对应的隶属度，然后构造出该配电站辖区内所有特征向量的隶属度矩阵，即为节点属性特征；进一步，对于第i个特征向量对于的Copula熵ci，所述的隶属度计算为：所有的M个特征的隶属度矩阵B为：对于每个配电站辖区建立权重图，步骤S4所述的时间段T内配电站辖区的权重图为：以辖区内配电站和居民小区为节点，节点属性特征为隶属度矩阵；边为的是节点之间的关系，构造邻接矩阵A；边的权重是对应的配电站向居民小区的供电量，即步骤S2的权重数据；步骤S5所述的混合机器学习模型由一个加权图神经网络串联门控图神经网络再串联一个多层感知机组成；进一步，对于一个N个节点、M维特征的配电站辖区的权重图，所述的加权的图卷积网络的工作原理为： 其中，为特征矩阵，为步骤S3所有的特征向量构成的矩阵；IN为N阶单位矩阵；是近似图卷积过滤器，权重矩阵对应的系数由步骤S2的权重数据生成；D为加权的图卷积网络的输出融合特征X的维度；f·为激活函数；进一步，所述的门控图神经网络，其输入为加权的图卷积网络的输出，其工作原理为： 其中，表示第l层配电站i辖区的特征更新向量，当l＝0时，为对应的加权的图卷积网络的输出融合特征X；表示与配电站i相邻的配电站j对应的第l层的特征更新向量；和为待学习参数矩阵；σ·为sigmoid函数；⊙表示逐元素乘法；[·]表示向量连接操作；Ni表示配电站i的相邻配电站的集合；进一步，所述的多层感知机的输入为门控图神经网络的输出，其输出和输出的维度与配电网区域内的配电站个数相同，其工作原理为： 其中，为第l层的第j个神经元的输出，当l＝0时，为门控图神经网络输出的第j个配电站的特征更新向量；nl-1是上一层的神经元个数；是第l层的第j个神经元与第l-1层的第i个神经元之间的待学习权重；是待学习偏置项；f·是激活函数；步骤S5所述的混合机器学习模型的损失函数为：Loss＝Loss1+Loss2，其中，Loss1＝CosineEmbeddingLossi，j为加权的图卷积网络任意两个节点i和j之间的余弦相似度之和；Loss2＝MSELossy_predicted，y_label为实际的配电站输电量y_label和预测值y_predicted的均方误差。

全文数据：

权利要求：

百度查询： 西南大学 国网能源研究院有限公司 国网青海省电力公司经济技术研究院 基于混合机器学习的配电网负荷预测装置及方法