[发明专利]一种基于TCN-BP的短期负荷预测方法、系统及设备

权利要求书

1.一种基于TCN-BP的短期负荷预测方法，其特征在于，包括如下步骤：

步骤A、采集负荷数据及主要气象因素数据；

步骤B、对数据进行预处理，并采用灰色关联分析法对数据进行分析，剔除与负荷关联度较低的气象因素；

步骤C、采用离散化温度修正模型对日最高温度、日平均温度和日最低温度进行修正；

步骤D、将气象因素数据分为时序性和非时序性数据，对时序性数据进行TCN降维处理；

步骤E、以临近训练日的负荷数据、训练日多种气象因素的非时序性数据以及经过降维处理后的时序性数据为输入，训练日的负荷数据为输出，代入BP神经网络进行训练直到BP神经网络收敛；

步骤F、利用训练完成的BP神经网络完成负荷预测，输入临近待预测日的负荷数据和待预测日的多种气象因素数据，经过时序性和非时序性数据划分、时序性数据的TCN降维和BP神经网络后，输出待预测日的负荷预测数据。

2.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤A中，气象因素包括日最高温度、日平均温度、日最低温度和降雨量。

3.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤B中，预处理包括缺失数据补全处理和归一化处理，其中，

缺失数据补全处理采取平均相邻负载方法，计算方法如下：

其中，x_i-1和x_i+1分别为相邻时刻i-1和i+1的数据，x′_i为时刻i的估计数据；若实际数据x_i和估计数据x′_i满足其中σ为事先设定的阈值，则时刻i的数据为x_i；否则，时刻i的数据由x_i改为x′_i；

归一化处理采取Min-Max方法，计算方法如下：

其中，为归一化后的数据，x_i为原始数据，X_max和x_min分别是最大和最小的原始数据。

4.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤B中，灰色关联分析法过程如下：

步骤S1、确定反映系统行为特征的参考数列和影响系统行为的比较数列，其中，参考数列为负荷数据，比较数列为四种气象因素数据；

步骤S2、利用均值化处理，将比较数列中每种类型的气象因素数据进行无量纲化；

步骤S3、计算关联系数和关联度，根据关联度的大小筛选出主要的气象因素，并剔除掉关联度小的气象因素。

5.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤C中，离散化温度修正模型公式为

其中，T为预测日修正前的温度，T′为修正后的温度，T_i为预测日前i天的温度，N为连续的高温天数，k_i为预测日前i天的温度累积效应系数，T_min为产生温度累积效应的最低温度。

6.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤D中，包括如下步骤：

步骤D1、构建因果扩张卷积模型，将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理；

步骤D2、将因果扩张卷积模型处理后的两个结果连接形成残差块；

步骤D3、将残差块进行堆叠，得到时间卷积网络；

步骤D4、将时序性数据输入时间卷积网络进行降维处理。

7.根据权利要求6所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤D1中，扩张卷积核为：

其中，x为输入的时间序列；*为卷积运算；k为卷积核大小；d为扩张系数，与网络层数n成指数关系。