[发明专利]一种基于自回归选择的改进神经网短期居民负荷预测方法

权利要求书

1.一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，包括如下步骤：

S1、统计居民区历史电力负荷及相关数据；

S2、按照季节划分历史数据；

S3、选择数据，训练预测模型；

S4、模型的自回归方式选择；

S5、预测最近数据并更新预测模型；

S6、判断序列长度是否达标。

2.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S1具体包括如下步骤：

S1.1、统计居民区的历史电力负荷数据——需统计一个居民区内各楼宇的日平均负荷功率，每个住户的历史小时负荷数据；

S1.2、统计电力负荷意外的其他数据——包括历史温度数据、历史湿度数据、历史时间数据、历史风俗数据以及历史日期数据。

3.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S2具体包括如下步骤：

S2.1、对统计的历史数据进行预处理和数据清洗——剔除历史数据中的异常数据并填补历史数据中的空缺数据；

S2.2、对预处理完毕的数据进行分类——按照季度分为春夏秋冬四组数据。

4.根据权利要求1所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S3具体包括如下步骤：

S3.1、对于不同季节的数据用于初始化模型训练——对于其中一个季节，选择前四周或者其他连续四周的数据；

S3.2、对于选取的数据，选取出相应的历史特征——选择的特征数据有，历史负荷数据、湿度、温度、时间、风速、工作日或休息日情况。

S3.3、将选定后的数据用于ConvLSTM模型训练——ConvLSTM的计算公式如下：

f_t＝σ(W_fx*x_t+W_fh*h_t-1+b_f) (1)

i_t＝σ(W_ix*I_t+W_ih*h_t-1+b_i) (2)

o_t＝σ(W_ox*I_t+W_oh*h_t-1+b_o) (4)

h_t＝tanh(C_t)·o_t (6)；

S3.4、后续存在单步预测方法和最优滞后步长预测方法，需分别训练最优滞后步长模型和单步预测模型——单步回归预测模型的输入特征量仅为为上一时刻的负荷特征值，最优滞后步长预测模型的输入特征量为温度特征量、湿度特征量、时间特征量、风速特征、工作日或休息日特征量以及滞后负荷特征量。

5.根据权利要求4所述的一种基于自回归选择的改进神经网短期居民负荷预测方法，其特征在于，所述S3.3的公式(1)—(6)中，“·”表示哈达玛积，“*”表示卷积，C_t-1表示t-1时的ConvLSTM模块的输出，h_t-1表示t-1时的ConvLSTM模块的状态，h_t表示细胞在t时刻的输出，C_t表示细胞在t时刻的状态，W_fx、W_fh、W_ix、W_ih、W_cx、W_ch、W_ox和W_oh是每个中间向量成对出现的可训练权值，b_f、b_i、b_c和b_o是可训练偏差。