[发明专利]一种智能家电用电日负荷预测方法

权利要求书

1.一种智能家电用电日负荷预测方法，其特征在于，包括以下步骤：

S10、获取智能家电用电96点历史负荷数据、气象数据、日期数据，并进行预处理；

S20、根据季节、日期数据依次对预处理后的历史负荷数据聚类；

S30、基于聚类结果，采用Pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据；

S40、基于预处理后数据中部分数据作为第一训练数据，构建LSSVM模型进行训练，采用粒子群PSO算法对LSSVM模型的参数进行优化；

S50、基于预处理后数据中部分数据作为第二训练数据，采用BP神经网络对优化后的LSSVM模型进行残差修正；

S60、根据优化后的LSSVM模型及BP神经网络模型，对需要预测的智能家电用电日负荷进行预测。

2.根据权利要求1所述的一种智能家电用电日负荷预测方法，其特征在于，所述步骤S10中，智能家电用电96点历史负荷数据的预处理，包括：

当日负荷曲线的第一个点非正时，用之后的第一个正值点代替；当日负荷曲线的其他点非正时，用该点的前一个正值点代替；

采用相邻两点的平均值来修正虚假数据点；所述虚假数据点是指：某一时刻的负荷和其前后负荷值进行比较，如果偏差在预设倍数以外；

对历史负荷数据采用对数进行归一化处理，使处理后的负荷在共同的数值特性范围内。

3.根据权利要求1所述的一种智能家电用电日负荷预测方法，其特征在于，所述步骤S10中，智能家电用电96点历史负荷数据对应的气象数据预处理，包括：

对温度、湿度、风力和降水量的数据序列进行归一化处理，使处理后的所有数据序列均匀的分散在[0,1]范围内。

4.根据权利要求1所述的一种智能家电用电日负荷预测方法，其特征在于，所述步骤S20包括：

根据春夏秋冬四个季节对预处理后的历史负荷数据进行第一次聚类；

再根据日期分别对春秋、夏冬两类的历史负荷数据进行第二次聚类，得到工作日、休息日和节假日的类型聚类结果。

5.根据权利要求1所述的一种智能家电用电日负荷预测方法，其特征在于，所述步骤S30中，选取所述历史负荷数据对应的气象数据中最高温度、最低温度及对应的湿度，作为数据样本输入预测前置参考数据。

6.根据权利要求1所述的一种智能家电用电日负荷预测方法，其特征在于，所述步骤S40中，采用粒子群PSO算法对LSSVM模型的参数进行优化，包括：

1)初始化粒子群PSO算法的各种参数，包括：群体规模、学习因子、迭代的最大次数、粒子的初始位置和速度；

2)分别用每个粒子向量所对应的LSSVM模型对学习样本进行预测，得到各粒子当前位置值的预测误差，并将其作为各粒子的适应度值；再将各粒子的当前适应度值与该粒子自身的最优适应度值进行比较，如果后者更优，则将该粒子自身的最优适应度值对应的位置，作为该粒子的最优位置；

3)将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较，如果更优，则将该粒子的最优位置作为群体的最优位置；

4)根据计算惯性权值，更新粒子的速度和位置；

5)检查是否满足寻优结束条件，若满足则结束寻优，求出最优解；否则转至步骤2)，继续新一轮搜索；所述寻优结束条件为：达到预先设定的最大迭代次数或预设精度。

7.根据权利要求1所述的一种智能家电用电日负荷预测方法，其特征在于，所述步骤S50，包括：

基于预处理后数据中部分数据作为第二训练数据，将所述第二训练数据中的最高温度、最低温度及对应的湿度作为输入值；

以所述第二训练数据的历史负荷数据实测值与优化后的LSSVM模型预测值之间的偏差作为输出值；

以所述输入值、输出值组建训练样本，建立3层前馈行BP神经网络模型。

8.根据权利要求7所述的一种智能家电用电日负荷预测方法，其特征在于，所述BP神经网络模型的建立过程，包括：

①神经网络初始化：给出输入层和隐含层间的初始权值W_ij、初始阈值b_j，以及隐含层和输出层间的初始权值W_jk、初始阈值b_m，并设置初始学习速率η、终止误差e及最大迭代次数λ；

②信号的正向传递：隐含层第j个神经元的输出：

式中，f为隐含层的激励函数，隐层神经元映射函数采用Sigmoid函数；x_i为第i个输入节点的输入值，n为输入值总数；l为隐含层神经元总数；

输出层第k个神经元的输出：

式中，f为输出层的激励函数，为Purelin函数；m为输出层神经元总数；

学习误差函数：

式中，y_k为样本的实际输出；

③误差反向传播与权值阈值训练及更新：从隐含层第j个神经元到输出层第k个神经元的连接权值有如下更新增量计算公式：

同理可得阈值更新增量：

对输入层第i个神经元至隐含层第j个神经元之间的连接权值及阈值的更新增量的计算公式：

根据求得的各层神经元连接权值及阈值的变化增量来迭代更新用于下一轮的网络学习与训练的神经元连接权值及阈值，t为当前迭代次数，即：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)

w_jk(t+1)＝w_jk(t)+Δw_jk(t)

b_j(t+1)＝b_j(t)+Δb_j(t)

b_k(t+1)＝b_k(t)+Δb_k(t)

④判断学习是否结束：若误差小于等于e或迭代次数达到指定值λ，则学习结束并输出学习样本的预测值及预测值和实际值之间的相对误差APE；

反之返回至步骤③继续训练；

⑤建立BP神经网络残差模型，得出最高气温、最低气温、湿度和PSO—LSSVM模型预测误差的映射关系模型，即BP神经网络残差模型。