[发明专利]一种电力市场的中长期负荷预测方法和装置

权利要求书

1.一种电力市场的中长期负荷预测方法，其特征在于，包括：

S1、对历史日负荷数据和所述历史日负荷数据对应的指标数据进行缺失值和异常值处理，统计预置时间段的负荷数据和指标数据，所述指标数据包括人均消费水平和工业总产值；

S2、将所述负荷数据和所述指标数据输入反馈神经网络模型进行预测，得到参考电力负荷预测值；

S3、计算所述参考电力负荷预测值与电力负荷实时值的方差，根据所述方差和电力负荷成本建立所述反馈神经网络模型的输出层的损失函数，对所述损失函数求偏导，并求所述参考电力负荷预测值对权值和阈值的偏导，将求偏导结果代入权值调整公式和阈值调整公式，求得所述反馈神经网络模型的连接权值和连接阈值；

S4、若所述方差小于或等于预置方差，或迭代次数大于或等于预置次数，则直接得到目标反馈神经网络模型，否则，重复执行步骤S2-S4，直到所述方差小于或等于所述预置方差，或迭代次数大于或等于预置次数时，得到目标反馈神经网络模型；

S5、将所述负荷数据和所述指标数据输入到所述目标反馈神经网络模型进行负荷预测，得到目标电力负荷预测值；

所述损失函数为：

其中，RMSE是预测误差，β是成本的调节系数，α是折扣系数，P_i为第i个时间点时的实时价格，P为历史平均价格，T_i为第i个时间点电力负荷预测值，T_i′为第i个时间点电力负荷的电力负荷实时值。

2.根据权利要求1所述的电力市场的中长期负荷预测方法，其特征在于，步骤S2之前还包括：

S12、对所述负荷数据和所述指标数据进行归一化处理。

3.根据权利要求2所述的电力市场的中长期负荷预测方法，其特征在于，所述归一化处理的公式为：

其中，L^i'为第i个因子归一化之后的值，Lⁱ为第i个因子的数据，为第i个因子观测值中的最小值，为第i个因子观测值中的最大值。

4.根据权利要求1所述的电力市场的中长期负荷预测方法，其特征在于，所述将所述负荷数据和所述指标数据输入反馈神经网络模型进行预测，得到参考电力负荷预测值，包括：

将所述负荷数据和所述指标数据代入到预置激活函数，获得隐含层的输出值，将所述输出值再次代入到所述预置激活函数，获得参考电力负荷预测值；

所述预置激活函数为：

g(x)的变量x为：

其中，x_1j,x_2j,...,x_mj为隐含层第j个节点的输入，m为输入激活函数的特征数量，w_1j,w_2j,...,w_mj为各个输入对应的权重，θ_j为第j个节点的偏置，w_mj和θ_j是一个可学习的参数。

5.根据权利要求1所述的电力市场的中长期负荷预测方法，其特征在于，所述计算所述参考电力负荷预测值与电力负荷实时值的方差的公式为：

其中，T_i为第i个时间点电力负荷预测值，T_i′为第i个时间点电力负荷的电力负荷实时值。

6.根据权利要求1所述的电力市场的中长期负荷预测方法，其特征在于，对所述损失函数求偏导的公式为：

其中，w为隐含层与输入层之间的权值矩阵，θ为隐含层的阈值；

求所述参考电力负荷预测值对权值和阈值的偏导的公式为：

其中，为所述参考电力负荷预测值对权值的偏导，为所述参考电力负荷预测值对阈值的偏导；

所述权值调整公式和阈值调整公式为：

其中，W(a+1)是第a+1次迭代中的权值矩阵，W(a)是第a次迭代中的权值矩阵，θ(a+1)是第a+1次迭代中的阈值，θ(a)是第a次迭代中阈值，λ为学习速率。