[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

说明书

本发明公开了一种基于特征工程和多路深度学习的电力负荷预测方法，包括步骤：S1.采集电力负荷数据以及气温数据；S2.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.对数据集进行切分得到N个数据子集；S4.将N个数据子集分别输入到N个径向基函数网络，进行训练，得到N个训练后的径向基函数网络；S5.采集测试数据；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。本发明能够减少神经网络中隐含层神经元的数量，学习效率高，泛化能力强，预测效果好。

技术领域

本发明涉及电力负荷领域，具体涉及一种基于特征工程和多路深度学习的电力负荷预测方法。

背景技术

电力负荷预测是电网调控和规划的核心内容之一，分为短期负荷预测(short-term load forecasting,STLF)、中期负荷预测(medium-term load forecasting,MTLF)和长期负荷预测(long-term load forecasting,LTLF)，各自的预测范围从几小时到几天、从几周到几个月以及从一年到几年。尽管MTLF和LTLF对电网建设规划和运维管理非常重要，但STLF在电力营销管理、电网运行调度、发电机组组织和能源期货交易等方面发挥着更重要的作用，是快速响应需求、实现成本效益的有利工具。

典型的电力负荷预测技术有统计预测法和人工智能(AI)技术两大类。由于能源消耗受天气、季节和社会经济条件影响，表现出典型的非线性特征，统计预测法的精度较低。基于人工智能的预测模型能利用各种机器学习的非线性特性，拟合、分类、识别看不见、理不清的模式，以人工神经网络(ANN)为基础的机器学习模型已在模式识别、信息处理和特征挖掘等领域获得了广泛的运用，且还在不断改进。相比于统计预测法，基于人工智能的预测模型利用历史数据对问题或对象“学习”，不仅能处理非线性问题，而且准确性高、鲁棒性好，适应性强，非常适合进行短期负荷预测。

虽然基于人工神经网络的深度学习模型在处理非线性学习问题上取得了巨大成功，但当应用于特征丰富的电力负荷预测时，一方面，随着隐含层神经元数量的增加，运算量随之增加。换言之，随着人工神经网络复杂度的增加，会产生巨大的处理时间开销。为了增强预测模型的时效性，必须减少输入特征数量，以降低处理开销，代价是牺牲了预测模型的泛化能力。另一方面，人工神经网络对训练数据中不可见模式进行拟合或学习的能力是选择和使用的主要驱动力，预测模型应容纳尽可能多的输入特征，以提高预测的准确性和鲁棒性。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于特征工程和多路深度学习的电力负荷预测方法，减少神经网络中隐含层神经元的数量，提高学习效率和预测效果，增强泛化能力强。

本发明的基于特征工程和多路深度学习的电力负荷预测方法，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。

进一步，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。