[发明专利]基于多源数据和混合神经网络的负荷预测方法、系统及设备

权利要求书

1.一种基于多源数据和混合神经网络的负荷预测方法，其特征在于：包括以下步骤：

S1、获取影响设定区域中负荷变化的影响因素和负荷数据；将获取的负荷数据和影响因素分别按照数据类型进行分类；获得分类后的预测数据；

S2、将所述预测数据进行训练集和验证集的分割；

S3、将所述训练集的数据输入构建的混合神经网络模型，构建混合神经网络模型时，包括以下步骤：

S301、将数值类型数据和类别类型数据输入BP-ANN神经网络；

S302、将图像类型数据输入卷积神经网络；

S303、将多层BP-ANN神经网络的输出与卷积神经网络的输出进行连接组合，形成新的组合向量，将形成的新的组合向量输入到新的一个BP-ANN神经网络中，最终构建多输入的混合神经网络模型，通过误差反向传播进行预测模型的学习和训练；

对混合神经网络模型进行训练，多次迭代后，训练结束；

S4、将验证集中的预测数据输入训练好的混合神经网络模型中，得到负荷预测的结果。

2.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S1中，所述影响因素至少包括下述中的一种：温度；湿度；风力；天气类型；日期类型；

在按照数据类型进行分类时包括，所述天气类型为图像数据；所述温度、湿度、风力以及负荷数据均为数值数据，日期类型为类别数据。

3.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S2中，对预测数据进行分割之前，采用箱线图法对异常值进行检测和处理；对于空数据采用插值法进行补充；所述插值法包括下述中至少一种：拉格朗日插值法、分段插值法、样条插值法。

4.根据权利要求3所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S2中，对异常值进行检测和处理之后，对数据进行归一化预处理，所述归一化预处理包括：

采用Z-score标准差方法进行标准化，使所有数据聚集在0附近，方差为1；

对原始数据进行线性变换，通过归一化处理，将其数据范围缩小到指定范围之间。

5.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在步骤S302中，

首先，卷积神经网络的卷积层对输入的图像类型数据进行滤波，提取图像的关键特征，形成对应的特征图；

然后，将卷积结果进行池化，降低卷积层输出的特征向量的维数。

6.根据权利要求1所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：还包括步骤5，将步骤4中得到的负荷预测结果与测试集中实际负荷值进行分析比较，评估混合神经网络模型的性能和预测精度。

7.根据权利要求6所述的基于多源数据和混合神经网络的负荷预测方法，其特征在于：在评估混合神经网络模型的性能和预测精度时，采用平均绝对百分误差和根均方误差两种误差评价指标对训练模型的性能进行评判。