[发明专利]一种基于CNN-SVR模型的负荷集成预测方法

权利要求书

1.一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，该方法包括下列步骤：

1)对某地区影响电力系统负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化；

2)计算每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数；

3)将步骤1)与步骤2)中的数据进行极值归一化处理，并将归一化后的数据进行聚类，获取不同类别的用户数据标签；

4)根据步骤3)中的分组标签，将步骤1)中用户的数据进行合并，作为训练输入数据；

5)构建CNN-SVR负荷预测模型，并根据步骤3)中的分组数据，分组训练CNN-SVR负荷预测模型；

6)建预测输入数据，构建虚拟变量，并进行矩阵化；

7)将步骤6)中的数据输入到训练后的CNN-SVR模型中进行预测，获取预测结果并保存；

8)、将步骤7)中的结果进行反归一化，获取最终的多组预测负荷；

9)将多组负荷求和，得到某地区每日最终预测负荷，若预测某地月负荷，则将负荷按月求和。

2.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤2)中，每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数的表达式为：

式中，γ_m为不同的影响因素的皮尔逊相关系数，a_i为某用户在第i天的负荷数据，为气温、气候、日期类型等m个影响因素。

3.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤3)中，极值归一化处理的表达式为：

式中，x′为归一化后的数据，x为输入数据，x_min为输入数据最小值，x_max为输入数据最大值。

4.根据权利要求3所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤3)中，采用ward连接的层次聚类法对归一化后的数据进行聚类。

5.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，所述的CNN-SVR负荷预测模型由两层卷积层与两层全连接层组成。

6.根据权利要求5所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，CNN-SVR负荷预测模型的训练过程具体包括以下步骤：

a1)对步骤4)中的训练数据构建虚拟变量；

a2)将虚拟变量数据进行矩阵化处理；

a3)将步骤a2)的数据依次通过CNN-SVR负荷预测模型的两层卷积层与两层全连接层进行卷积运算；

a4)对CNN模型进行训练，训练次数不小于十次，训练结束后，将第一全连接层的数据输入到SVR模型中进行训练。

7.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤8)中，反归一化的计算式为：

y_re＝y_pre(r_max-r_min)+r_min

式中：y_re为反归一化所得预测负荷，y_pre为模型预测结果，r_mⁱ_n为输入数据中的最小值，r_max为输入数据的最大值。