[发明专利]一种短期负荷预测方法

摘要

本发明公开了一种短期负荷预测方法，属于电力系统技术领域。针对现有技术所存在的海量数据中存在过多噪声，以及训练时间过长、易困于局部极小值或过拟合等问题，本发明通过对历史负荷数据先进行聚类分析，生成典型负荷曲线，挖掘海量历史负荷数据中的共性，对之后的负荷预测起到筛选训练数据的作用，从而排除海量数据中的噪声影响，并且利用深度学习对复杂非线性函数的强拟合能力避免常规神经网络的过拟合和局部极小值问题，从而实现准确、快速的短期负荷预测；本发明进一步利用分布式内存计算框架Spark来实现预测模型的构建，从而提升整个短期负荷预测流程的高效性和实时性。相比现有技术，本发明可实现准确、快速的短期负荷预测。

主权项

一种短期负荷预测方法，其特征在于，包括预测模型构建阶段和预测阶段，所述预测模型构建阶段包括以下步骤：步骤1、通过聚类分析方法将历史日负荷数据分为不同的类型，并以每一类型的聚类中心作为该类型的典型日负荷数据；步骤2、对每一个历史日负荷数据，以其所对应的日负荷数据类型相关因素的数据作为输入，以该历史日负荷数据所属类型作为期望输出，构建分类器训练集；利用所述分类器训练集对深度学习神经网络进行训练，得到日负荷分类器；步骤3、对一日中的每个时刻，分别训练预测器，具体如下：对于该时刻所对应的每一个历史时刻负荷数据，首先根据该历史时刻负荷数据所在的历史日负荷数据所属类型确定相应的典型日负荷数据，然后以该典型日负荷数据中对应时刻的负荷数据作为该历史时刻负荷数据所对应的典型时刻负荷数据，并以该历史时刻负荷数据所对应的时刻负荷数据相关因素的数据以及该历史时刻负荷数据所对应的典型时刻负荷数据作为输入，以该历史时刻负荷数据作为期望输出，构建该时刻的预测训练集；利用该时刻的预测训练集训练一个深度学习神经网络，得到该时刻所对应的预测器；所述预测阶段包括以下步骤：步骤4、将待预测日的日负荷数据类型相关因素的数据输入所述日负荷分类器，得到待预测日的日负荷数据类型；步骤5、首先根据待预测日的日负荷数据类型确定相应的典型日负荷数据，然后以该典型日负荷数据中与待预测日待预测时刻相对应时刻的负荷数据作为待预测日待预测时刻所对应的典型时刻负荷数据，将待预测日中待预测时刻的时刻负荷数据相关因素的数据以及待预测日待预测时刻所对应的典型时刻负荷数据输入与该待预测时刻相对应的预测器，预测器的输出即为待预测日中待预测时刻的预测负荷。