[发明专利]一种基于多层神经网络的短期电力负荷预测方法

权利要求书

1.一种基于多层神经网络的短期电力负荷预测方法，包括下列步骤：

步骤S1：对包含具有相同时间间隔的多个连续的时刻、每个时刻的用电量、每个时刻的气温的电力负荷数据集中的用电量值、气温值进行归一化后表示成电力负荷特征矩阵和电力负荷真实值向量；

步骤S2：利用电力负荷特征矩阵构建一个基于多层神经网络的短期电力负荷预测模型的网络结构；

步骤S3：将表示成电力负荷特征矩阵与电力负荷真实值向量的电力负荷数据集按7∶2∶1的比例依次划分为训练集、验证集与测试集；

步骤S4：使用训练集与验证集对所述基于多层神经网络的短期电力负荷预测模型进行参数调节，得到优化的模型SPLF-MNN；

步骤S5：使用测试集计算SPLF-MNN模型的预测精度以评估模型的性能，并利用SPLF-MNN模型预测未来一天或一周内多个时刻的电力负荷。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括下列步骤：

步骤S11：使用Min-Max归一化方法对电力负荷数据集中的用电量值、气温值分别进行归一化；

步骤S12：从电力负荷数据集中第d+1天开始至最后一天为止，逐天、逐时间地进行如下处理：将该天的前d天中该时间的各个归一化后的用电量值和该天中该时间的归一化后的气温值组合在一起，构成一个电力负荷特征向量，所述d是一个超参数，d∈{5，6，7，8，9，10}；

步骤S13：将所有上述电力负荷特征向量以天为单位组合成一个n×(d+1)维电力负荷特征矩阵，所述n为一天内的时间数量，其取值由用电量和气温的采样间隔所确定；

步骤S14：从电力负荷数据集中第d+1天开始至最后一天为止，逐天地进行如下处理：将该天中的n个归一化后的用电量值组合成一个电力负荷真实值向量。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤S2进一步包括下列步骤：

步骤S21：为所述基于多层神经网络的短期电力负荷预测模型的网络结构构建一个位置编码层，包括：

使用位置编码方法对所述电力负荷特征矩阵中的元素逐个地进行位置编码，得到一个位置表示矩阵PE，所述位置编码方法由下列公式定义：

式中，PE(i，j)表示矩阵PE中的一个元素，i为电力负荷特征矩阵中的某个时刻，i＝1，2，...，n，j为电力负荷特征向量中某个特征的编号，j＝1，2，...，d，d+1；进一步地，将所述位置表示矩阵与所述电力负荷特征矩阵相加，得到一个n×(d+1)维电力负荷位置矩阵S；

步骤S22：为所述基于多层神经网络的短期电力负荷预测模型的网络结构构建一个注意力层，包括：

所述注意力层的输入数据为电力负荷位置矩阵S，输出数据为电力负荷注意力矩阵A，该注意力层的计算方法由下列公式定义：

式中，归一化指数函数softmax是一个激活函数；

步骤S23：为所述基于多层神经网络的短期电力负荷预测模型的网络结构构建一个前馈神经网络层，包括：

所述前馈神经网络层包括三个子层：第一个子层为全连接层，第二个子层为ReLU激活函数层，第三个子层为全连接层；所述前馈神经网络层的输入数据为电力负荷注意力矩阵A，输出数据为电力负荷前馈矩阵F，该前馈神经网络层的计算方法由下列公式定义：

F＝max(0，(AW₁+b₁))W₂+b₂，

式中，和分别为所述第一个子层和所述第三个子层的权重矩阵，b₁和b₂分别为所述第一个子层和所述第三个子层的偏置；

步骤S24：为所述基于多层神经网络的短期电力负荷预测模型的网络结构构建一个卷积网络层，包括：

所述卷积网络层包括三个子层：第一个子层为二维卷积层，第二个子层为ReLU激活函数层，第三个子层为二维卷积层，其中，所述二维卷积层使用卷积核来提取电力负荷前馈矩阵F中的局部特征，第一个子层的二维卷积输入通道为1，输出通道为d+1，卷积核大小为k，步长为s，填充为p，第三个子层的二维卷积输入通道为d+1，输出通道为1，卷积核大小为k，步长为s，填充为p；所述卷积网络层的输入数据为电力负荷前馈矩阵F，输出数据为电力负荷局部特征矩阵K，其由下列公式定义：

K＝max(0，(F*W₃+b₃))*W₃+b₄，

式中，*表示卷积操作，为所述卷积核，b₃和b₄分别为所述第一个子层和所述第三个子层的偏置；

步骤S25：为所述基于多层神经网络的短期电力负荷预测模型的网络结构构建一个输出层，包括：

所述输出层包括两个子层：第一个子层为全连接层，第二个子层为Softplus激活函数层；所述输出层的输入数据为电力负荷局部特征矩阵K，输出数据为n维的电力负荷预测值向量P，其由下列公式定义：

P＝log(1+exp(KW₄+b₅))，

式中，和b₅分别为所述全连接层的权重矩阵和偏置。

4.根据权利要求3所述的方法，其特征在于，所述步骤S4进一步包括下列步骤：

步骤S41：为所述基于多层神经网络的短期电力负荷预测模型设置如下超参数的值：天数d、学习率η、迭代轮数e、二维卷积层的卷积核大小k、步长s、填充p，这些超参数的值域如下：d的值域为集合{5，6，7，8，9，10}，η的值域为集合{0.0005，0.001，0.0015，0.002}，e的值域为集合{200，400，600，800，1000，1200，1400}，k的值域为集合{3，5，7}，s的值域为集合{1，2，3}，p的值域为集合{1，2，3}；

步骤S42：在所述训练集上使用Adam优化器学习所述基于多层神经网络的短期电力负荷预测模型的参数；

步骤S43：在所述验证集上计算所述基于多层神经网络的短期电力负荷预测模型的预测精度，若预测精度未达到预定阈值，则依次重复执行步骤S41、S42和S43，否则结束参数调节过程。