一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法技术方案

本发明专利技术公开了一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：S1，获取某地区的负荷记录；S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：S2.1，获得原输入样本集；S2.2，将原输入样本集通过非线性映射变换到高维特征空间；S2.3，在高维特征空间做线性主成分分析KPCA；S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；S2.5，求解输入矩阵的特征值和特征向量；本发明专利技术能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度。

A Method for Establishing Medium and Long Term Load Forecasting Model of Power System Based on Convolutional Neural Network

The invention discloses a method for establishing medium and long term load forecasting model of power system based on convolutional neural network, which includes the following steps: S1, obtaining load records of a certain area; S2, applying KPCA kernel principal component analysis algorithm to denoise input variables of the model; and the specific steps of model denoising using KPCA kernel principal component analysis algorithm are as follows: S2.1, obtaining original transmission. Enter the sample set; S2.2, transform the original input sample set to the high-dimensional feature space through the non-linear mapping; S2.3, do linear principal component analysis KPCA in the high-dimensional feature space; S2.4, correspond the linear PCA in the high-dimensional feature space to the non-linear PCA in the input space; S2.5, solve the eigenvalues and eigenvectors of the input matrix; the invention can solve the existing large-scale load forecasting. It has a large amount of calculation and complex processing, and greatly improves the accuracy of load forecasting.

【技术实现步骤摘要】
一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
本专利技术涉及电力系统负荷预测
，具体涉及一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法。
技术介绍
电力系统负荷预测作为能量管理系统的重要组成部分，其预测误差的大小直接影响电网后续安全校核的分析结果，对电网动态状态估计、负荷调度和减少发电成本等方面具有重要意义。由于负荷本身的不确定性和复杂性，准确的负荷特性分析和预测模型建立是提高预测精度的关键所在。现有预测模型主要集中在浅层学习，在有限的样本和计算单元下对复杂函数的逼近能力有限，难以提取负荷序列的深层次特征，模型的泛化性能受到了限制，阻碍了预测精度的进一步提高。而近年来兴起的深度学习模型具有非常好的信息表达能力，鲁棒性和泛化性，已成功应用在图像识别、计算机视觉等诸多领域，并且在预测领域也开始崭露头角。传统负荷预测方法主要有基于时间序列的ARMA模型、灰色预测法以及回归分析法等，该类方法所构建的预测模型简单，应用较为广泛，但是，对负荷序列的平稳性要求较高，大多只利用历史负荷进行预测，在某些情况下的预测精度会受到影响。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，该方法能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度。本专利技术的目的通过下述技术方案实现：一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：S1，获取某地区的负荷记录；S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：S2.1，获得原输入样本集；S2.2，将原输入样本集通过非线性映射变换到高维特征空间；S2.3，在高维特征空间做线性主成分分析KPCA；S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；S2.5，求解输入矩阵的特征值和特征向量；S3，基于S1中某地区的负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K-means均值聚类，具体步骤如下：S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；S3.3，计算每一类中的中心点作为新的中心点；S3.4，重复上述S3.1至S3.3，直至每一类的中心点在每次迭代后变化不超过5％为止；S4，将预测日前10天的数据作为横向数据；S5，从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据；S6，将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％-10％；S7，设置横向数据和纵向数据的组合权值系数矩阵；S8，将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘，得到的结果用于训练卷积神经网络FAST-RCNN。优选地，所述步骤S1中获取负荷记录，具体为负荷原始数据每隔15min取一个值，全天一共取96个负荷值，同时还用当天的气象因素来计算综合气象指数，当天的气象因素如日平均气温、天气类型、平均湿度和平均风力。优选地，所述步骤S5中选取相似日数据，即在相同聚类群落中随机选择样本，如果相似日数据不够，则重复选取已有数据。优选地，所述步骤S7中设置横向数据和纵向数据的组合权值系数矩阵，其中运用CSO纵横交叉算法对组合权值系数进行优化，适应度函数为加权和与平均相似日负荷的误差。优选地，所述CSO纵横交叉算法的搜索行为由横向交叉和纵向交叉两种方式组成，每次迭代时这两种方式将交替进行，交叉后得出的解称为中庸解；交叉后产生的子代，与其父代进行竞争，只有比父代适应度更好的子代才会被保留下来，竞争后得出的解称为占优解。优选地，所述误差为平均绝对百分比误差MAPE。优选地，所述步骤S8中训练卷积神经网络FAST-RCNN，训练结果的评价指标为：(1)均方根误差RMSE；(2)平均绝对百分比误差MAPE。本专利技术与现有技术相比具有以下的有益效果：(1)本专利技术能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度；(2)本专利技术能够对获取到的负荷及相关天气等数据进行模糊聚类分析预处理；并根据模糊聚类分析算法对预处理后的用电负荷的历史数据进行KPCA主成分分析；进而在分类后的原始数据集中获取神经网络的训练数据，从而能够根据预先训练的神经网络，对负荷数据进行预测；(3)本专利技术可采用完全硬件实施，完全软件实施，或结合软件和硬件方面的实施的形式；而且，本专利技术可采用在一个或多个其中包含有可用于计算机程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式，这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。附图说明图1为本专利技术的流程图；图2为本专利技术卷积神经网络模型的示意图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。如图1～2所示，一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：S1，获取某地区的负荷记录；该步骤中获取负荷记录，具体为负荷原始数据每隔15min取一个值，全天一共取96个负荷值，同时还用当天的气象因素来计算综合气象指数，当天的气象因素例如日平均气温、天气类型、平均湿度和平均风力；气象因素用来计算综合气象指数THI(Temperature-HumidityIndex)，综合气象指数越接近，说明两个日期的天气越相似。S2，应用KPCA核主成分分析算法(KernelPrincipalComponentAnalysis，KPCA)对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：S2.1，获得原输入样本集；S2.2，将原输入样本集通过非线性映射变换到高维特征空间；S2.3，在高维特征空间做线性主成分分析KPCA；S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；S2.5，求解输入矩阵的特征值和特征向量。S3，基于S1中负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K-means均值聚类，具体步骤如下：S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；S3.3，计算每一类中的中心点作为新的中心点；在上一步划分好的类或组中，计算该类或组的重心，将类或组内的中心点更新为刚刚计算出的重心，作为新的中心点；S3.4，重复上述S3.1至S3.3，直至每一类中心点在每次迭代后变化不超过5％为止；或者多次随机初始化中心点，然后选择运行结果最好的一个；此步本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，其特征在于，包括下述步骤：S1，获取某地区的负荷记录；S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：S2.1，获得原输入样本集；S2.2，将原输入样本集通过非线性映射变换到高维特征空间；S2.3，在高维特征空间做线性主成分分析KPCA；S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；S2.5，求解输入矩阵的特征值和特征向量；S3，基于S1中某地区的负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K‑means均值聚类，具体步骤如下：S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；S3.3，计算每一类中的中心点作为新的中心点；S3.4，重复上述S3.1至S3.3，直至每一类的中心点在每次迭代后变化不超过5％为止；S4，将预测日前10天的数据作为横向数据；S5，从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据；S6，将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％‑10％；S7，设置横向数据和纵向数据的组合权值系数矩阵；S8，将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘，得到的结果用于训练卷积神经网络FAST‑RCNN。...

【技术特征摘要】
1.一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，其特征在于，包括下述步骤：S1，获取某地区的负荷记录；S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：S2.1，获得原输入样本集；S2.2，将原输入样本集通过非线性映射变换到高维特征空间；S2.3，在高维特征空间做线性主成分分析KPCA；S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；S2.5，求解输入矩阵的特征值和特征向量；S3，基于S1中某地区的负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K-means均值聚类，具体步骤如下：S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；S3.3，计算每一类中的中心点作为新的中心点；S3.4，重复上述S3.1至S3.3，直至每一类的中心点在每次迭代后变化不超过5％为止；S4，将预测日前10天的数据作为横向数据；S5，从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据；S6，将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％-10％；S7，设置横向数据和纵向数据的组合权值系数矩阵；S8，将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘，得到的结果用于训练卷积神经网络FAST-RCNN。2.根据权利要求1所述基于卷积神经网络...

【专利技术属性】
技术研发人员：孟安波，杨跞，汤伟成，殷豪，黄圣权，刘哲，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44