[发明专利]一种基于CNN-SVR模型的负荷集成预测方法

说明书

本发明涉及一种基于CNN‑SVR模型的负荷集成预测方法，该方法首先对某地区影响负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化，计算皮尔逊相关系数，然后将数据进行极值归一化及聚类，获取不同类别的用户数据标签，根据步分组标签，将用户数据进行合并，作为训练输入数据；其次构建CNN‑SVR负荷预测模型后进行模型训练并对输入数据预处理，数据输入到训练后的CNN‑SVR模型中进行预测，获取预测结果，将结果反归一化，获取最终的多组预测负荷；最后将多组负荷求和，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。与现有技术相比，本发明能够对某地区的大量用户进行集成分类、具有自主提取数据特征、预测精度高等优点。

技术领域

本发明涉及电力系统负荷预测领域，尤其是涉及一种基于CNN-SVR模型的负荷集成预测方法。

背景技术

传统的电力负荷预测方法有回归分析法、小波分析法、决策树、随机森林、支持向量机、神经网络等算法，其中支持向量回归机作为支持向量机算法的变种经常被用于对时间序列数据的预测，是一种具有较好准预测精度的常用算法，但由于其预测精度受自身参数和输入特征数据的影响较大，因此输入数据经常需要经过特征提取的步骤。神经网络算法是近几年的热门算法，具有很好的自主提取非线性特征的能力，可以很好的进行非线性拟合。但是，神经网络算法的超参数很多，模型训练过程复杂繁琐。

随着我国经济水平的飞速发展，我国对用电的需求水涨船高，用电量持续快速增长。在这种情况下，加强需求侧管理，分析用户的用电行为，提高负荷预测的准确性，对增强电力系统的经济、稳定、智能运行具有现实意义。用电量持续增长的背后是巨量的用电用户，在进行地区负荷预测时，面对大量的用电用户，大多数方法仅仅是将用户集群进行分类，但未分析用户分类后如何对其进行负荷预测；或提出仅针对某一个用户或某一整体的负荷预测方法，而未分析大量不同用电行为的用户的负荷预测情况。因此，急需一种能够针对某一地区具有大量用户的情况下对地区负荷进行预测的方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够对某地区的大量用户进行集成分类、能自主提取数据特征且具有较好的预测精度的基于CNN-SVR模型的负荷集成预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于CNN-SVR模型的负荷集成预测方法，包括以下步骤：

步骤一、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。

步骤二、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，计算公式如下：

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

步骤三、将步骤一与步骤二中的数据按照下式进行极值归一化处理：

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

步骤四、将归一化后的数据进行聚类，并获取不同类别的用户数据标签。

步骤五、根据步骤四中的分组标签，将步骤一中用户的数据进行合并，作为训练输入数据。

步骤六、构建CNN-SVR负荷预测模型(卷积神经网络-支持向量回归机负荷预测模型)，该模型由两层卷积层与两层全连接层组成。

步骤七、根据步骤四的分组数据，分组训练CNN-SVR负荷预测模型，具体训练过程为：