[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

说明书

本发明公开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，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。本发明按照季节出力负荷预测，且不同季节的负荷预测公用一套模型，同时基于改进的自回归选择神经网络，有效提高了负荷的精确性。填补了居民区负荷预测的空白，能够计及外界条件影响和人为因素影响，实现精确的负荷预测。

技术领域

本发明属于负载预测领域，具体涉及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。

背景技术

近年来随着电子产品的普及与工作模式的变化，不同社区和居民家庭之间的用电负荷差异越来越大，差异性的居民负荷对电网提出了新的需求。与此同时，随着分布式光伏与新能源电动汽车的进一步发展，使得居民区的负荷模式更加错综复杂。因此，精确预测居民区负荷则成为不可或缺的一环。

在现阶段的电力系统研究中，负荷预测是极为重要的课题。但关于居民区负荷研究却很少，究其原因主要有两个方面：其一，居民区用电负荷隐私性较高，尤其是在多户型住宅，因此居民区的负荷数据难以搜集；其二，由于家庭负荷数据的不稳定性，预测单个家庭的电力负荷通常被认为具有挑战性。因此提出一种能够高效精确预测居民区短期负荷的方法是符合实际需要的。

针对上述提出的问题，现设计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。

发明内容

针对现有技术的不足，本发明的目的在于提供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，填补了居民区负荷预测的空白，能够计及外界条件影响和人为因素影响，实现精确的负荷预测。

本发明的目的可以通过以下技术方案实现：

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，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。

进一步的，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。

进一步的，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。

进一步的，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：