[发明专利]一种基于CNN-SVR模型的负荷集成预测方法

摘要

本发明涉及一种基于CNN‑SVR模型的负荷集成预测方法，该方法首先对某地区影响负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化，计算皮尔逊相关系数，然后将数据进行极值归一化及聚类，获取不同类别的用户数据标签，根据步分组标签，将用户数据进行合并，作为训练输入数据；其次构建CNN‑SVR负荷预测模型后进行模型训练并对输入数据预处理，数据输入到训练后的CNN‑SVR模型中进行预测，获取预测结果，将结果反归一化，获取最终的多组预测负荷；最后将多组负荷求和，得到某地区每日最终预测负荷，若预测某地月负荷，则将负荷按月求和。与现有技术相比，本发明能够对某地区的大量用户进行集成分类、具有自主提取数据特征、预测精度高等优点。

主权项

1.一种基于CNN‑SVR模型的负荷集成预测方法，其特征在于，该方法包括下列步骤：1)对某地区影响电力系统负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化；2)计算每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数；3)将步骤1)与步骤2)中的数据进行极值归一化处理，并将归一化后的数据进行聚类，获取不同类别的用户数据标签；4)根据步骤3)中的分组标签，将步骤1)中用户的数据进行合并，作为训练输入数据；5)构建CNN‑SVR负荷预测模型，并根据步骤3)中的分组数据，分组训练CNN‑SVR负荷预测模型；6)建预测输入数据，构建虚拟变量，并进行矩阵化；7)将步骤6)中的数据输入到训练后的CNN‑SVR模型中进行预测，获取预测结果并保存；8)、将步骤7)中的结果进行反归一化，获取最终的多组预测负荷；9)将多组负荷求和，得到某地区每日最终预测负荷，若预测某地月负荷，则将负荷按月求和。