[发明专利]基于回声状态网络的电力负荷预测方法、装置及设备

说明书

本发明公开了一种基于回声状态网络的电力负荷预测方法，包括：将电力负荷时间序列数据集划分为时间序列训练数据集和时间序列测试数据集，将时间序列训练数据集输入到依赖关系不同的多个回声状态网络中，将得到的各不同时间尺度的储备池状态进行拼接，得到各拼接后储备池状态矩阵。利用岭回归对各拼接后储备池状态矩阵进行训练，得到输出层权重。将时间序列测试数据集输入到各回声状态网络，结合输出层权重预测时间序列数据集下一预设时刻的电力负荷值。本申请提高了预测过程所用模型的鲁棒性，较大地提高了对电力负荷值的预测精度。本发明还公开了一种基于回声状态网络的电力负荷预测装置、设备及存储介质，具有相应技术效果。

技术领域

本发明涉及电力负荷预测技术领域，特别是涉及一种基于回声状态网络的电力负荷预测方法、装置、设备及计算机可读存储介质。

背景技术

时间序列是指对同一现象观测或记录到的一组按时间顺序排列起来的统计数据，通过对时间序列分析，根据时间序列所反映的发展趋势，预测下一阶段或者若干阶段所达到的水平，这种技术称之为时间序列预测技术。

近年来，基于神经网络的时间序列预测技术表现出较快的发展势头，每一种新的神经网络方法都促进了预测技术的丰富和改进。其中，在电力负荷预测中，多层前向网络和递归神经网络是两种最基本的预测工具。但是现有的对电力负荷进行预测，一般是将预测任务当作一个静态函数逼近问题，通过非线性回归方法来解决，比如使用多层前向网络、支持向量机等方法。这些预测方式均是基于原始序列的空间捕捉各个序列之间的关系，不能建模时间序列的动态性，对电力负荷值预测的精度低。

综上所述，如何有效地解决基于原始序列的空间捕捉各个序列之间的关系，不能建模时间序列的动态性，对电力负荷值预测的精度低等问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种基于回声状态网络的电力负荷预测方法，该方法提高了预测过程所用模型的鲁棒性，较大地提高了对电力负荷值的预测精度；本发明的另一目的是提供一种基于回声状态网络的电力负荷预测装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种基于回声状态网络的电力负荷预测方法，包括：

获取电力负荷时间序列数据集，并将所述电力负荷时间序列数据集按预设比例划分为时间序列训练数据集和时间序列测试数据集；

将所述时间序列训练数据集输入到依赖关系不同的多个回声状态网络中，分别得到所述时间序列训练数据集中各预设时刻的电力负荷数据集分别对应的不同时间尺度的储备池状态，并分别将各预设时刻的电力负荷数据集对应的各所述储备池状态进行拼接，得到各预设时刻的电力负荷数据集分别对应的拼接后储备池状态矩阵；

利用岭回归对各所述拼接后储备池状态矩阵进行训练，得到输出层权重；

将所述时间序列测试数据集输入到各所述回声状态网络中，并结合所述输出层权重预测所述电力负荷时间序列数据集下一预设时刻的电力负荷值。

在本发明的一种具体实施方式中，当所述电力负荷时间序列数据集中的电力负荷数据的数量级或量纲不一致时，在获取电力负荷时间序列数据集之后，将所述电力负荷时间序列数据集按预设比例划分为时间序列训练数据集和时间序列测试数据集之前，还包括：

对所述电力负荷时间序列数据集中的各所述电力负荷数据进行归一化操作。

在本发明的一种具体实施方式中，在结合所述输出层权重预测所述电力负荷时间序列数据集下一预设时刻的电力负荷值之后，还包括：

获取所述电力负荷时间序列数据集下一预设时刻的真实电力负荷值；

利用所述电力负荷时间序列数据集的真实电力负荷值和预测出的电力负荷值，检验预测过程所用电力负荷预测模型的有效性。