[发明专利]一种基于卷积神经网络的电量预测方法

说明书

本发明涉及一种基于卷积神经网络的电量预测方法，其技术特点在于：包括以下步骤：步骤1、构建电量预测卷积神经网络；步骤2、将输入层电量、气温、节假日数据进行预处理，通过归一化处理将上述三类数据转化为无量纲相对量后，将海量数据输入步骤1的电量预测卷积神经网络；步骤3、初始化多通道卷积神经网络权值和偏置；步骤4、将输入数据通过卷积神经网络逐层计算；步骤5、基于误差梯度的反向传播算法调整每层网络的权值和偏置；步骤6、达到设定迭代次数后停止训练，输入测试样本集得到预测结果。本发明提高了电量预测过程中海量数据处理效率、综合考虑温度等关联信息，并克服了预测过程过分依赖个人经验等问题，进而能够降低人员要求。

技术领域

本发明属于电力系统需求侧管理技术领域，涉及电力系统需求电量的预判的方法，尤其是一种基于卷积神经网络的电量预测方法。

背景技术

目前，电力信息技术日趋成熟使得电力大数据应用有了广阔的前景。电力数据种类多，数据范围广，贯穿整个电力生产消费环节，电力需求预测对电力建设规划、电网调度控制、电力市场评估有重要意义。传统电力需求预测由单纯电量信息进行，缺少外部数据关联性分析导致缺乏对拟合规律以外变化趋势的预测，且预测精度不高。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、预测精度高的基于卷积神经网络的电量预测方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于卷积神经网络的电量预测方法，包括以下步骤：

步骤1、利用卷积神经网络，针对小时电量、日电量、周电量与气温、节假日的外部数据之间的多变量复杂非线性映射关系，提取电量临近性、周期性、趋势性特征，构建电量预测卷积神经网络；

步骤2、将输入层电量、气温、节假日数据进行预处理，通过归一化处理将上述三类数据转化为无量纲相对量后，将海量数据输入步骤1的电量预测卷积神经网络；

步骤3、初始化多通道卷积神经网络权值和偏置；

步骤4、将输入数据通过卷积神经网络逐层计算；

步骤5、基于误差梯度的反向传播算法调整每层网络的权值和偏置；

步骤6、达到设定迭代次数后停止训练，输入测试样本集得到预测结果。

而且，所述步骤2的将上述三类数据变为归一化后的无量纲数据，其计算公式为：

其中：

y：归一化后数据值

y_max＝1

y_min＝-1

x_max：归一化前数据最大值

x_min：归一化前数据最小值

而且，所述步骤3的具体方法为：采用Xavier正态分布初始化权值：

E(w)＝0

实现权值服从均值为0的均匀分布，其中，E表示均值，Var表示方差，n_j表示第j层节点个数，n_j+1表示第j+1层节点个数；

而且，所述步骤4的卷积层计算公式为：

n＝1,2,…C₀