[发明专利]一种面向电力大客户的短期负荷预测方法

权利要求书

1.一种面向电力大客户的短期负荷预测方法，它包括：

步骤1、对大客户用电负荷数据集进行处理；

步骤2、在大客户用电负荷数据集上添加上天气数据；

步骤3、将包含时间、负荷值和温度值三个维度的数据集转换为标准训练集；

步骤4、根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型和纺织业用电企业类型；

步骤5、对每个类型的大客户分别进行负荷预测模型训练；

步骤5所述对每个类型的大客户分别进行负荷预测模型训练的方法包括：

步骤5.1、取出标准训练集中的m个子段作为输入数据D₁，经过一个隐藏层映射到深度神经网络中，IN＝D₁×W₁+B₁,其中W₁是输入层的权重，B₁为输入层偏置，IN为隐藏层的输出数据；

步骤5.2、取出隐藏层的输出数据IN的一行数据IN_t作为一个神经元的输入数据；根据上一次历史预测值H_t-1和当前数据IN_t决定从上一次历史训练记录S_t-1需要被舍弃的部分，被重新修改后的历史训练记录为SX_t，SX_t＝S_t-1×σ(W_f[H_t-1,IN_t]+b_f),W_f为深度神经网络输入选择的权重，其中b_f为深度神经网络输入选择的偏置，σ为sigmoid函数，对(W_f[H_t-1,IN_t]+b_f)进行非线性映射得到一个0到1开区间的概率选择函数；

步骤5.3、确定好参与此次神经网络训练的历史记录数据SX_t后，根据参与此训练的当前数据IN_t和上一次预测数据H_t-1确定当前训练记录选择率i_t，i_t＝σ(W_i[H_t-1,IN_t]+b_i)，W_i、b_i为本次训练记录选择率的权重和偏置；根据选择率i_t确定当前训练数据SN_t中需要被记录到训练历史记录中的数据SH_t，SH_t＝tanh(W_c[H_t-1,IN_t]+b_c)，式中：tanh为激活函数双曲正切函数，需要记录的数据SH_t，SH_t＝i_t×S_t；

步骤5.4、本次训练的最终训练记录S_t由上次被删选后的历史记录SX_t和本次的训练记录中被选中的内容SH_t构成,S_t＝SX_t+SH_t；

步骤5.5、基于当前的最终训练记录S_t得到本次的训练结果H_t，根据输出选择率O_t确定输出结果H_t，H_t＝O_t*tanh(S_t)；O_t＝σ(W_O[H_t-1,IN_t]+b_o),其中W_O、b_O为输出选择率的权重和偏置；

步骤5.6、对于隐藏层的输出数据IN的每一行数据重新跳转到步骤5.1，得到一个有m个元素的输出结果集合,H_m根据真实值Y_m计算损失函数E，

步骤5.7、对于训练集中每m个子段跳入步骤5.1，直至没有子段为止则输出训练好的模型；

步骤6、通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测；最后负荷值由各个模型每个相同时间点预测的负荷值进行叠加得到。