[发明专利]一种基于深度神经网络的电网企业度电碳耗预测方法

权利要求书

1.一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，输入深度神经网络预测模型，预测未来时刻度电碳耗；其中，度电碳耗指电网企业每发电一度的碳耗。

2.根据权利要求1所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，包括以下步骤：

S1，分别计算当前时段电网企业发电侧度电碳耗、输电侧度电碳耗；

S2，根据天气特征变量与电网企业度电碳耗间的相关系数，结合天气特征变量对应的历史天气特征数据，从多个天气特征变量中选取预测所需的天气特征变量；其中，电网企业度电碳耗指发电侧度电碳耗、输电侧度电碳耗之和；

S3，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，作为深度神经网络预测模型的输入，预测未来时刻度电碳耗；其中，历史度电碳耗数据指步骤S1计算的当前时段电网企业发电侧度电碳耗、输电侧度电碳耗之和。

3.根据权利要求2所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，天气特征变量包括日照强度、温度、风速、降水量、相对湿度、气压中的一种或多种。

4.根据权利要求3所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S2还包括以下步骤：若选取预测所需的天气特征变量为日照强度，则将的日照强度数据预处理后再作为预测所需的天气特征数据，预处理具体过程如下：将天气状况分为晴、多云、阴三个天气类别，对每个天气类别下全天24小时的日照强度数据采用K-means进行聚类，得到全天各小时晴、多云、阴三个天气类别的聚类集合[z₁]、[z₂]、[z₃]；然后根据气象发布的天气类别预测，采用对应天气类别聚类集合的中心点作为未来时段各小时的日照强度数据；其中，采用下式计算聚类集合中心点，

式中：C₁、C₂、C₃分别为集合[z₁]、[z₂]、[z₃]的聚类中心点，m为聚类集合内参数数量，z_j为集合内第j个参数；

温度数据、风速数据、降水量数据、相对湿度数据和气压数据均取气象预测发布的参数值。

5.根据权利要求4所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S2中，电网企业度电碳耗与各天气特征变量间的相关系数采用下式计算：

式中：ξ_s表示日照强度数据与电网企业度电碳耗间的相关系数，ξ_t表示温度数据与电网企业度电碳耗间的相关系数，ξ_w表示风速数据与电网企业度电碳耗间的相关系数，ξ_r表示降水量数据与电网企业度电碳耗间的相关系数，ξ_h表示相对湿度数据与电网企业度电碳耗间的相关系数，ξ_p表示气压数据与电网企业度电碳耗间的相关系数，n为历史数据数量，x_k为第k个历史天气特征数据，为所有历史天气特征数据的平均数，y_k为第k个历史度电碳耗数据，为所有历史度电碳耗数据的平均数。

6.根据权利要求5所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S2中，从相关系数中从大到小选取前4个相关系数，以前4个相关系数对应的天气特征数据作为预测的天气特征数据，输入至深度神经网络预测模型。