(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110061828.8 (22)申请日 2021.01.18 (65)同一申请的已公布的文献号 申请公布号 CN 112733457 A (43)申请公布日 2021.04.3 0 (73)专利权人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 专利权人 国网河南省电力公司电力科 学研 究院　 中国电力科 学研究院有限公司 　 国家电网有限公司 (72)发明人 姚良忠　徐业琰　廖思阳　王晶晶　 王强强　毛蓓琳　单瑞卿　徐鹏　 张振安　崔惟　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 许莲英(51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01) G06F 119/06(2020.01) (56)对比文件 CN 111241755 A,2020.0 6.05 CN 110298501 A,2019.10.01 CN 107239859 A,2017.10.10 CN 110738344 A,2020.01.31 US 2020161867 A1,2020.0 5.21 X. Zhang等. 《Reactive l oad predicti on based on a long short-term memory neural network》 . 《IE EE Access》 .2020, 孟泽晨等. 《独立交流 微电网有功无功联合 优化调度》 . 《广西大 学学报 （自然科 学版） 》 .2019, 审查员 陈欢 (54)发明名称 一种改进双层长短期记忆网络的负荷用电 特性建模方法 (57)摘要 本发明提出了一种改进双层长短期记忆网 络的负荷用电特性建模 方法。 本发 明收集负荷用 电特性量测数据， 负荷用电特性相关量测数据采 用归一化处理得到归一化后负荷用电特性量测 数据， 构建有功特性训练集、 构建无功特性训练 集、 构建有功特性测试集、 构建无功特性测试集； 建立改进双层长短期记忆网络的负荷用电特性 模型； 利用有功特性训练集、 无功特性训练集训 练改进双层长短期记忆网络的负荷用电特性模 型。 本发明所提建模 方法能够学习不同时段的负 荷用电特性量测数据， 提高了模型的准确性； 同 时， 所提建模 方法可以同时刻画负荷有功功率和 无功功率的用电特性， 对负荷参与系统有功无功 联合调度具有指导 意义。 权利要求书3页 说明书11页 附图3页 CN 112733457 B 2022.03.15 CN 112733457 B 1.一种改进双层长短期记忆网络的负荷用电特性建模方法， 其特征在于， 包括以下步 骤： 步骤1： 收集负荷用电特性量测数据， 负荷用电特性相关量测数据采用归一化处理得到 归一化后 负荷用电特性量测数据， 构建有功特性训练集、 构建无功特性训练集、 构建有功特 性测试集、 构建无功特性测试集； 步骤2： 建立改进双 层长短期记 忆网络的负荷用电特性模型； 步骤3： 构建改进双层长短期记忆网络的负荷用电特性模型的损失函数模型， 利用有功 特性训练集、 无功特性训练集训练改进双层长短期记忆网络的负荷用电特性模型， 并用测 试集验证训练后改进双 层长短期记 忆网络的负荷用电特性模型的准确性； 步骤1所述负荷用电特性量测数据包括： 负荷有功功率数据集、 无功功率数据集、 节点 电压数据集、 环境影响因素 数据集； 所述负荷有功 功率数据集包括M个采样点的负荷有功 功率； 所述无功 功率数据集包括M个采样点的无功 功率； 所述节点电压数据集包括M个采样点的节点电压； 所述环境影响因素 数据集包括M个采样点的环境影响因素； 步骤1所述负荷用电特性 量测数据采用归一 化处理为： l∈[1,4] 其中， xl代表第l种负荷用电特性量测数据， xl*为归一化后第l种负荷用电特性量测数 据， xl,min代表第l种负荷用电特性量测数据的最小值， xl,max代表第l种负荷用电特性量测数 据的最大值， l＝ 1表示负荷有功功率数据集， l＝2表 示负荷无功功 率数据集， l＝3表示节 点 电压数据集， l ＝4表示环境影响因素 数据集； 步骤1所述归一化后负荷用电特性量测数据包括： 归一化后负荷有功功率数据集、 归一 化后无功 功率数据集、 归一 化后节点电压数据集、 归一 化后环境影响因素 数据集； 所述归一 化后负荷有功 功率数据集包括M个采样点的归一 化负荷有功 功率， 定义 为： P*(1),P*(2),...,P*(M) 所述归一 化后无功 功率数据集包括M个采样点的归一 化无功功率； Q*(1),Q*(2),...,Q*(M) 所述归一 化后节点电压数据集包括M个采样点的归一 化节点电压； V(1),V(2),. ..,V(M) 将当前采样点的对下一时刻采样点的节点电压进行预测得到当前采样点对下一时刻 采样点预测的归一 化节点电压数据集， 具体为： V*(2),V*(3),...,V*(M+1) 所述归一 化后环境影响因素 数据集包括M个采样点的归一 化环境影响因素； ψ*(1), ψ*(2),..., ψ*(M) 步骤1中所述构建有功特性训练集 为： 通过N个采样点的归一化负荷有功功率即P*(1),P*(2),...,P*(N)、 N个当前采样点对下 一时刻采样点预测的归一化节点电压即V*(2),V*(2),...,V*(N+1)、 N个采样点的归一化环权　利　要　求　书 1/3 页 2 CN 112733457 B 2境影响因素即 ψ*(1), ψ*(2),..., ψ*(N)构建有功特性训练集， 具体如下： 其中， t∈[1,N ]， N为有功特性训练集中样本的数量； P*(t)为第t个采样点的归一化负荷 有功功率， V*(t+1)为第t个采样点对t+1采样点的预测的归一化节点电压， ψ*(t)第t个采样 点的归一 化环境影响因素； 步骤1中所述构建有功特性测试集 为： 通过M‑N个采样点的归一化负荷有功功率即P*(N+1),P*(N+2),...,P*(M)、 M‑N个采样点 的归一化节点电压即V*(N+1),V*(N+2),...,V*(M)、 M‑N个采样点的归一化环境影响因素即 ψ*(N+1), ψ*(N+2),..., ψ*(M)构建有功特性测试集， 具体如下： 步骤1中所述构建无功特性训练集 为： 通过N个采样点的归一化无功功率即Q*(1),Q*(2),...,Q*(N)构建无功特性训练集， 具 体如下： DQ＝[Q*(1) Q*(2)…Q*(t)…Q*(N)] 步骤1中所述构建无功特性测试集 为： 通过M‑N个采样点的归一化无功功率即Q*(N+1),Q*(N+2),...,Q*(M)构建无功特性训练 集， 具体如下： TQ＝[Q*(N+1) Q*(N+2)…Q*(j)…Q*(M)]； 步骤2所述改进双层长短期记忆网络的负荷用电特性模型由下层长短期记忆网络、 上 层长短期记 忆网络级联构成； 所述下层长短期记 忆网络： 由第1个下层长短期记忆单元、 ......、 第k个下层长短期记忆单元依次串联构成， 用于 学习负荷的有功特性， 即负荷有功功率与过去k个时间点即t ‑k,t‑k+1,…,t‑1的历史有功 功率、 节点电压、 环境影响因素的耦合特性； 将步骤1中所述的有功特性训练集即Dp内数据[P*(t‑k)， V*(t‑k1)， ψ*(t‑k)]，…， [P*(t‑ 1)， V*(t)， ψ*(t‑1)]分别依次输入第一下层长短期记忆单元、 ......、 第k下层长短期记忆单 元； 并根据第k个下层长短期记忆单元的隐藏状态 输出当前时刻(t)的有功功率 评 估值， 如下： 其中， gP()为下层第k个长短期记忆单元隐藏状态的线性函数； AP和BP为线性函数gp() 的线性矩阵系数， 维度分别为1xH、 1x1； H为隐藏状态 的大小； 所述上层长短期记 忆网络：权　利　要　求　书 2/3 页 3 CN 112733457 B 3