[发明专利]一种基于改进神经网络的短期非居民负荷预测方法及系统

说明书

本发明涉及一种基于改进神经网络的短期非居民负荷预测方法及系统，包括如下步骤：采用随机森林算法与箱线图对原始数据集进行缺失值和异常值检测、填充，并对数据进行归一化处理；对原始负荷数据集中特征进行皮尔逊相关性分析；对原始负荷序列进行小波变换；改进小波神经网络的神经元激活函数与参数更新方式；对短期非居民负荷进行区间预测，进一步建立短期负荷预测系统；本发明采用区间预测的方法，相比传统点预测方法可提供更加可靠的信息，有助于调度部门制定发电计划，避免供电不足造成非居民负荷用户不必要的经济损失，本发明具有较高的经济性与可靠性。

技术领域

本发明属于负荷预测技术领域，具体涉及一种基于改进神经网络的短期非居民负荷预测方法及系统。

背景技术

电力作为国民经济的重要支撑产业，与人民群众的日常生活和工业生产等方方面息息相关，平稳持续且经济的高质量电力是科技发展、经济腾达与社会稳定的必要前提。因此，电力系统安全可靠的供电和电网经济良好规律运行的重要性不言而喻，需要制定合理周全的发电计划和电力调度方案为其保驾护航，而计划与方案的制定又依赖于准确的电力负荷预测。电力系统的稳定运行要求发电量与负荷变化维持实时动态平衡，然而负荷波动的随机性较强、非线性特征明显，且影响因素多元化，因此需要深入探究负荷的变化规律，提高负荷预测的精度，才能合理的制定电力生产计划，达到降低电力生产成本，维持电力资源供需平衡的效果。

近年来，伴随着深度学习的兴起，人工神经网络算法领域不断取得新的突破，出现了许多更优越的网络结构和训练算法。国内外关于负荷预测的研究以确定性点预测居多，由于负荷类别及性质呈多样化发展，不确定性逐渐增加，负荷的确定性预测结果中隐藏的风险也不容忽视。而对负荷进行概率预测，可以提供某一置信度下负荷预测值的波动区间或负荷预测值的概率密度分布，相较于点预测可以得到更多的信息，从而揭示未来负荷可能出现的不确定性风险，进一步根据预测结果分布或预测区间，可将其用于发电规划、供电规划、概率价格预测、设备故障预测以及可再生能源的集成等多个领域，对提升电网可靠性和运营效益具有重大的现实意义。

发明内容

不确定性负荷变化波动较大，导致点预测稳定性、可靠性变低，为解决该问题，本发明提出一种基于改进神经网络的短期非居民负荷区间预测方法及系统。首先，对获取的数据进行预处理、对特征进行相关性分析；其次，对小波神经网络的激活函数及参数更新方法进行改进；在此基础上，进一步建立短期非居民负荷区间预测系统，提升整体的一体化性能。

本发明采用的技术方案为：一种基于改进神经网络的短期非居民负荷预测方法及系统，包括如下步骤：

S1：对原始数据集进行缺失值和异常值检测、填充，并对数据进行归一化处理；

S2：对原始负荷数据集中特征进行相关性分析；

S3：对原始负荷序列进行小波变换；

S4：改进小波神经网络的神经元激活函数与参数更新方式；

S5：实现短期非居民负荷区间预测，建立短期负荷预测系统。

具体的，所述步骤S1：对原始数据集进行缺失值和异常值检测、填充，并对数据进行归一化处理。该部分具体包括：

(1)采用随机森林算法对原始数据集进行缺失值填充。对于一个m行n列的数据集(n表示特征个数，m表示特征序列长度)，其中特征i含缺失值，将缺失值所在行其他特征数据作为预测输入数据，缺失值作为待预测对象，其他n-1个特征不含缺失值所在行的数据作为训练集x_train，i中未缺失数据作为y_train，随后对模型进行训练并对缺失值进行回归预测；

(2)利用箱线图对异常数据进行检测并采用随机森林算法填充。首先，用箱线图原理对原始数据进行异常值检测，随后将异常值视为缺失值，最后采用随机森林算法对缺失值填充。箱线图判断为异常值的条件为：