[发明专利]基于特征工程和多路深度学习的电力负荷预测方法

权利要求书

1.一种基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：包括如下步骤：

S1.采集电力负荷数据以及气温数据；

S2.设置目标特征，并依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；

S3.基于目标特征对数据集进行切分，得到N个数据子集；

S4.将N个数据子集分别作为N个径向基函数网络的输入，对网络进行训练，得到N个训练后的径向基函数网络；其中，所述N个数据子集与N个径向基函数网络一一对应；

S5.采集测试数据；所述测试数据包括电力负荷数据以及气温数据；

S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。

2.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：所述目标特征包括η小时负荷量、ε点时间戳、星期、节假日、气温、φ天负荷平均值以及γ天负荷标准差。

3.根据权利要求2所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤S2中，依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集，具体包括：

S21.若η小时负荷量存在数据缺失，则将缺失数据的前后两点数据的加权平均值作为所述缺失数据；

S22.对η小时负荷量按照时间先后顺序排列形成负荷量序列E：

其中，为第m天的第i个时间戳的负荷量；M为采集的总天数；

S23.对ε点时间戳进行独热编码形成时间戳编码向量序列T：

其中，为第m天的第i个时间戳的时间戳编码向量，所述

S24.对星期进行独热编码形成星期编码向量序列B：

其中，为第n个星期周i的星期编码向量，所述

S25.对节假日进行独热编码形成节假日编码向量序列U：

U＝{u₁,u₂}；

其中，u₁,u₂分别为是节假日和非节假日的编码向量，所述u₁＝[0,1]^T,u₂＝[1,0]^T；

S26.对气温数据按照时间顺序排列形成气温序列V：

V＝{v¹,v²,…,v^m,…}；

其中，v^m为第m天的气温数据；

S27.计算目标天的前φ天负荷量的平均值，形成φ天负荷平均值序列AE：

AE＝[AE¹,AE²,…,AE^m,…,AE^M]；

其中，AE^m为第m天的前φ天负荷量的平均值，所述

S28.计算目标天的前γ天负荷量的标准差，形成γ天负荷标准差序列△E：

△E＝[△E¹,△E²,…,△E^m,…,△E^M]；

其中，△E^m为第m天前γ天负荷量的标准差，所述

S29.分别对负荷量序列E、φ天负荷平均值序列AE和γ天负荷标准差序列△E进行归一化处理，得到如下表达式：

其中，μ_e,β_e分别为负荷量序列E中所有M天数据的均值和方差；μ_AE,β_AE分别为φ天负荷平均值序列AE中所有M天数据的均值和方差；μ_△E,β_△E分别为γ天负荷标准差序列△E中所有M天数据的均值和方差；

S210.生成如下形式的数据集x：

x＝{x¹,x²,…,x^m,…,x^M}；

其中，x^m为数据集x的第m个数据向量；所述为数据向量x^m的第i个数据项，I为数据向量x^m的维度。