[发明专利]一种超短期电力负荷预测方法

权利要求书

1.一种超短期电力负荷预测方法，其特征在于，包括以下步骤：

S1，相关向量机-神经网络特征工程与构建：相关向量机-神经网络由相关向量机与神经网络两部分组成，在先验参数的结构下基于主动相关决策理论，通过构建样本数据进行迭代学习，使得部分参数的后验分布趋于0；

S2，输入数据的采集：采集电力负荷数据与地区温度变化数据；

S3，数据预处理；

S4，特征归一化；

S5，模型训练，将样本数据切分为80％的训练样本和20％的验证样本，将训练样本输入相关向量机-神经网络模型进行模型训练和相关参数调整；

S6，预测验证，将验证样本输入训练好的模型之中，输出相应的预测结果，并与真实的值进行对比，得到模型的泛化能力评估；

S7，根据实际使用情况，结合系统预测值与真实值，绘制最大偏差相似性准则聚类算法的电力负荷曲线，比较不同时间段、不同区域的电力负荷预测情况，迭代优化，根据预测结果进行分析，依据贝叶斯理论与优化理论进行超参数整定，重新调整相关向量机核函数，调整神经网络网络结构、学习率与优化器。

2.根据权利要求1所述的一种超短期电力负荷预测方法，其特征在于，所述S1中相关向量机是一种稀疏概率模型，是一种具有广泛用途的监督学习方法，并且训练在贝叶斯框架下进行，所述S1中神经网络是一种有监督的通用函数拟合方法并且相关向量机拟合下列形式方程为：

3.根据权利要求1所述的一种超短期电力负荷预测方法，其特征在于，所述S1中相关向量机-神经网络特征工程与构建具体步骤如下：

步骤1，相关向量机的构建第一步：基于贝叶斯理论构建RVM算法框架，在正太分布假设下，数据集的似然函数可表示为：

推导后，权重的后验分布可以重写为:

其中后验协方差矩阵,∑＝(σ^-2Φ^TΦ+A)^-1,A＝diag(α₀，α₁，...，α_n-14)后验均值为：

步骤2，选择核函数，该核函数不受梅西定理的限制，可以根据样本特征选择任意核函数；

步骤3，初始化惩罚因子，可以将它设定为自动赋值；

步骤4，通过数据类型确定向量机的输入数目与输出数目，确定向量机的样本形式；

步骤5，将构建好的相关向量机模型结构进行复制，得到四份结构一致又彼此独立的预测模型；

步骤6，将预处理后的数据特征分传入第一个相关向量机模型进行训练，模型标签为对应的预测负荷值；

步骤7，将预处理后的数据做小波分解后的三个不同频段，数据特征分别传入后三个相关向量机模型进行训练，模型标签对应于负荷分解的分解频段值；

步骤8，将四个模型预测结果和原始信息进行连接，组成多维特征信息，通过该特征维度确定神经网络的输入维度，最终预测结果作为输出维度；

步骤9，设置神经网络隐藏层结构，包括网络层数、每层网络节点数、网络连接方式；

步骤10，设定参数整定策略，包括学习速率的确定与优化器的选择；

步骤11，确定模型抗过拟合策略，包括批归一化层的设定、Dropout层的设定、数据增强的方案等；

步骤12，将相关向量机的预测结果与神经网络的输入层进行连接，得到完整的特征工程结构。