基于特征工程和多路深度学习的电力负荷预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657687A(43)申请公布日2021.11.16(21)申请号202111007838.XG06Q50/06(2012.01)(22)申请日2021.08.30G06K9/62(2006.01)G06N3/04(2006.01)(71)申请人国家电网有限公司G06N3/08(2006.01)地址100031北京市西城区西长安街86号申请人国网重庆市电力公司信息通信分公司(72)发明人谢祿江蒋荣皮羽茜吴维农段立卓灵李柯沂刘玮洁邓灵莉何轶甘嵩林秋平赵聆汐(74)专利代理机构北京海虹嘉诚知识产权代理有限公司11129代理人胡博文(51)Int.Cl.G06Q10/04(2012.01)权利要求书4页说明书11页附图1页(54)发明名称基于特征工程和多路深度学习的电力负荷预测方法(57)摘要本发明公开了一种基于特征工程和多路深度学习的电力负荷预测方法，包括步骤：S1.采集电力负荷数据以及气温数据；S2.依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；S3.对数据集进行切分得到N个数据子集；S4.将N个数据子集分别输入到N个径向基函数网络，进行训练，得到N个训练后的径向基函数网络；S5.采集测试数据；S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。本发明能够减少神经网络中隐含层神经元的数量，学习效率高，泛化能力强，预测效果好。CN113657687ACN113657687A权利要求书1/4页1.一种基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：包括如下步骤：S1.采集电力负荷数据以及气温数据；S2.设置目标特征，并依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；S3.基于目标特征对数据集进行切分，得到N个数据子集；S4.将N个数据子集分别作为N个径向基函数网络的输入，对网络进行训练，得到N个训练后的径向基函数网络；其中，所述N个数据子集与N个径向基函数网络一一对应；S5.采集测试数据；所述测试数据包括电力负荷数据以及气温数据；S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。2.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：所述目标特征包括η小时负荷量、ε点时间戳、星期、节假日、气温、φ天负荷平均值以及γ天负荷标准差。3.根据权利要求2所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤S2中，依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集，具体包括：S21.若η小时负荷量存在数据缺失，则将缺失数据的前后两点数据的加权平均值作为所述缺失数据；S22.对η小时负荷量按照时间先后顺序排列形成负荷量序列E：其中，为第m天的第i个时间戳的负荷量；M为采集的总天数；S23.对ε点时间戳进行独热编码形成时间戳编码向量序列T：其中，为第m天的第i个时间戳的时间戳编码向量，所述S24.对星期进行独热编码形成星期编码向量序列B：其中，为第n个星期周i的星期编码向量，所述S25.对节假日进行独热编码形成节假日编码向量序列U：U＝{u1,u2}；TT其中，u1,u2分别为是节假日和非节假日的编码向量，所述u1＝[0,1],u2＝[1,0]；S26.对气温数据按照时间顺序排列形成气温序列V：V＝{v1,v2,…,vm,…}；其中，vm为第m天的气温数据；S27.计算目标天的前φ天负荷量的平均值，形成φ天负荷平均值序列AE：2CN113657687A权利要求书2/4页AE＝[AE1,AE2,…,AEm,…,AEM]；其中，AEm为第m天的前φ天负荷量的平均值，所述S28.计算目标天的前γ天负荷量的标准差，形成γ天负荷标准差序列△E：△E＝[△E1,△E2,…,△Em,…,△EM]；其中，△Em为第m天前γ天负荷量的标准差，所述S29.分别对负荷量序列E、φ天负荷平均值序列AE和γ天负荷标准差序列△E进行归一化处理，得到如下表达式：其中，μe,βe分别为负荷量序列E中所有M天数据的均值和方差；μAE,βAE分别为φ天负荷平均值序列AE中所有M天数据的均值和方差；μ△E,β△E分别为γ天负荷标准差序列△E中所有M天数据的均值和方差；S210.生成如下形式的数据集x：x＝{x1,x2,…,xm,…,xM}；其中，xm为数据集x的第m个数据向量；所述为数据向量xm的第i个数据项，I为数据向量xm的维度。4.根据权