[发明专利]一种超短期电力负荷预测方法

说明书

本发明涉及超短期电力负荷预测技术领域，尤其为一种超短期电力负荷预测方法，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，本发明通过设计本发明提出的短期电力负荷预测方法，预测精度高，抗噪声误差、泛化能力好，能较好地满足电网对短期、超短期电力负荷预测的需要。

技术领域

本发明涉及超短期电力负荷预测技术领域，尤其涉及一种超短期电力负荷预测方法。

背景技术

目前超短期电力负荷预测其预测精度低、抗噪声误差、泛化能力差，不能够能较好地满足电网对短期、超短期电力负荷预测的需要。

综上所述，本发明通过设计一种超短期电力负荷预测方法来解决存在的问题。

发明内容

本发明的目的在于提供一种超短期电力负荷预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种超短期电力负荷预测方法，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。

优选的，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：

优选的，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；