[发明专利]基于深度学习的中长期基数分解电量预测方法及系统

权利要求书

1.基于深度学习的中长期基数分解电量预测方法，其特征在于，训练步骤包括：

获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；

将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；

构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。

2.如权利要求1所述的基于深度学习的中长期基数分解电量预测方法，其特征在于，影响指标包括申报交易电量、新能源出力预测、水电出力预测、地区统调负荷预测、重要线路可用容量、燃料价格波动。

3.如权利要求1所述的基于深度学习的中长期基数分解电量预测方法，其特征在于，所述预处理的步骤包括数据拼接、数据缺失值处理、数据异常值处理、指标数据归一化、数据排列以及时间序列特定格式化处理。

4.如权利要求1所述的基于深度学习的中长期基数分解电量预测方法，其特征在于，对预处理的数据按照需求进行划分为训练集、验证集以及测试集。

5.如权利要求1所述的基于深度学习的中长期基数分解电量预测方法，其特征在于，神经网络模型包括输入层、输出层和隐藏层。

6.如权利要求5所述的基于深度学习的中长期基数分解电量预测方法，其特征在于，所述隐藏层包括以relu函数为激活函数的全连接层，同时选取BatchNormalization和Dropout项组合防止模型提早出现过拟合。

7.基于深度学习的中长期基数分解电量预测系统，其特征在于，包括：

数据采集模块，用于获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；

数据处理模块，用于将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；

模型预测模块，用于构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。

8.如权利要求7所述的基于深度学习的中长期基数分解电量预测系统，其特征在于，所述预处理的步骤包括数据拼接、数据缺失值处理、数据异常值处理、指标数据归一化、数据排列以及时间序列特定格式化处理。

9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的基于深度学习的中长期基数分解电量预测方法。

10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-6中任一项所述的基于深度学习的中长期基数分解电量预测方法。