[发明专利]一种基于机器学习的综合能源系统多元负荷预测方法

说明书

本发明公开了一种基于机器学习的综合能源系统多元负荷预测方法，包括：对历史负荷数据可能出现的残缺或异常进行处理，利用拉依达准则完成异常数据的剔除，使用加权顺序填补法完成数据补齐，再用皮尔逊相关系数去确定预测负荷过程中的其相关影响因素，确定影响因素后，对数据进行归一化处理，然后基于相似日理论筛选数据，将处理后的数据分为训练集和测试集，然后构建改进智能水滴算法优化深度置信网络模型，将训练集送到深度置信网络，得到负荷预测模型，将测试集输到负荷预测模型，得到该模型的预测结果。采用本发明的方法，尤其在训练样本较大且负荷影响因素复杂的情况下，可以提高综合能源系统多元负荷的预测精度，提升计算效率。

技术领域

本发明涉及一种电力系统的负荷预测方法，尤其涉及一种基于机器学习的综合能源系统多元负荷预测方法。

背景技术

能源是人类赖以生存和发展的基础，是经济社会发展的命脉。随着工业生产和居民用户用电需求日趋多样化，综合能源系统能够实现能源产销清洁高效和协调供需平衡，相比于传统的单独规划、独立运行的电力系统，综合能源系统实现了不同能量之间的耦合，因此推进综合能源系统相关技术的研究成为必要。

负荷预测是实现电力系统安全经济运行的基础，也是提高能源利用率和满足用户不确定需求的重要保证。目前一些常用的负荷预测的方法包括回归分析法、时间序列分析法和机器学习算法，其中，回归分析法和时间序列分析法都强依赖于大量的历史负荷及相关的数据，预测效率低，精度差。而基于机器学习的负荷预测方法，目前主要用于单一负荷预测，若用于多元负荷预测时，因数据为多类型的负荷数据，不但需要较大的训练样本；还因每一类型的负荷数据其负荷影响因素不同，则多元负荷影响因素为多样，且如果结合已有的单一负荷预测模型将出现训练的网络迭代次数过多，预测效率下降且预测精度不稳定的问题。

发明内容

发明目的：针对以上问题，本发明提出一种基于机器学习的综合能源系统多元负荷预测方法，能够实现对综合能源系统多元负荷的高精度预测，并提高模型效率。

技术方案：本发明所采用的技术方案是一种基于机器学习的综合能源系统多元负荷预测方法，包括以下步骤：

步骤1，获取预测日的实时气象数据；获取综合能源系统里冷、热、电负荷的历史负荷数据与相对应的历史气象数据；

步骤2，根据所述预测日的实时气象数据，从所述历史负荷数据与所述历史气象数据筛选出目标负荷数据和目标气象数据，利用所述目标负荷数据和所述目标气象数据构建样本集；具体包括以下步骤：

对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据进行处理，得到处理后的预测日实时气象数据、处理后的历史负荷数据以及处理后的历史气象数据；对所述处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素；根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出与所述预测日的实时气象数据相似的日期，并将筛选出的相似日所包含的负荷数据及气象数据构成样本集。

其中，所述的对历史负荷数据和历史气象数据进行处理，包括采用拉依达准则剔除异常数据，以及采用加权顺序填补法完成数据补齐；所述的确定影响负荷预测的因素，包括采用皮尔逊相关系数分别计算冷、热、电负荷与各个气象特征之间的相关性，分别将每个气象特征与三种负荷的相关性求和得到该气象特征总相关性值，根据气象特征总相关性值确定气象影响因素的筛选。

所述的根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出与所述预测日的实时气象数据相似的日期，包括：采用极差法对气象影响因素进行数据归一化处理，建立气象特征向量；计算预测日和第j日的特征向量在第k个分量的关联系数，根据关联系数计算预测日和第j日的特征向量的相似度，筛选出相似日。

所述的预测日和第j日的特征向量在第k个分量的关联系数，计算公式为：