[发明专利]一种电网负荷预测方法和装置

权利要求书

1.一种电网负荷预测方法，其特征在于，所述方法包括：

获取调控参数和环境参数，所述调控参数至少包括预设产品的单位时间段内的计划产量；

向贝叶斯神经网络BNN模型输入待预测样本，得出负荷预测值，其中，所述待预测样本包括所述调控参数和所述环境参数，所述BNN模型的训练过程使用的训练样本包括调控参数样本和环境参数样本，所述负荷预测值为所述单位时间段内的负荷预测值。

2.根据权利要求1所述的方法，其特征在于，所述调控参数还包括空气质量指数。

3.根据权利要求1所述的方法，其特征在于，在向BNN模型输入待预测样本，得出负荷预测值之前，所述方法还包括：

根据所述调控参数和所述环境参数，确定所述待预测样本所属的样本类型；

所述向BNN模型输入待预测样本，得出负荷预测值的步骤，包括：

向所述待预测样本所属的样本类型对应的目标BNN模型输入所述待预测样本，得出所述负荷预测值，其中，所述目标BNN模型为BNN模型集中与所述待预测样本所属的样本类型对应的BNN模型，所述BNN模型集中包括与多个样本类型分别对应的多个BNN模型。

4.根据权利要求3所述的方法，其特征在于，所述待预测样本所属的样本类型通过以下方式确定：

获取历史样本集，所述历史样本集包括在历史时间段内的n个训练样本，其中，所述历史样本集包括所述训练样本集，n为大于1的整数，且每一个训练样本包括所述调控参数样本、所述环境参数样本以及实测负荷值；

采用聚类挖掘算法DKM将所述n个训练样本划分为k个聚类簇，其中，k为大于1且小于或者等于n的整数，每一个聚类簇分别包括至少一个训练样本，且每一个聚类簇分别对应一个样本类型；

确定所述待预测样本所属的第一聚类簇，并确定所述待预测样本的样本类型为所述第一聚类簇对应的样本类型。

5.根据权利要求4所述的方法，其特征在于，通过以下过程将所述n个训练样本划分为k个聚类簇：

确定所述n个训练样本中每一个训练样本的密度，其中，所述每一个训练样本的密度为以半径为r且以所述每一个训练样本为中心的球体所覆盖的空间坐标区域内的训练样本的数量，其中，所述r为预设常数，所述n个训练样本分别位于所述空间坐标内；

将相隔距离较远的k个训练样本分别作为所述k个聚类簇的初始中心点：Z₁,Z₂,…,Z_k，其中，所述初始中心点的密度大于平均密度，所述平均密度等于所述n个训练样本的密度的平均值；

将除了所述Z₁,Z₂,…,Z_k之外的n－k个训练样本划分为k个矩阵M₁,M₂,…,M_k，所述M₁,M₂,…,M_k分别与所述Z₁,Z₂,…,Z_k对应，其中，每一个初始中心点的密度与其对应的矩阵中的训练样本的密度之间的差值小于预设差值，且所述k个矩阵中的训练样本的密度均大于所述平均密度；

在每一个矩阵对应的初始中心点与所述每一个矩阵中的目标训练样本之间的离差平方和取最小值的情况下，将所述初始中心点修改为所述目标训练样本；

根据修改后的初始中心点，确定其对应的聚类簇中包含的训练样本。

6.根据权利要求4所述的方法，其特征在于，所述目标BNN模型通过以下方式确定：

分别将所述第一聚类簇中的训练样本划分为训练集和检验集；

将所述训练集作为所述训练样本集，训练得出所述第一聚类簇对应的目标BNN模型；

在训练得出所述第一聚类簇对应的目标BNN模型之后，所述方法还包括：

将所述检验集中的训练样本分别输入所述目标BNN模型，得出预测值序列，其中，所述预测值序列包括与所述检验集中的每一个训练样本对应的负荷预测值；

根据所述预测值序列中的每一负荷预测值与对应的实测负荷值之间的差值，确定所述目标BNN模型的误差序列。