一种基于神经网络模型的电力负荷组合预测方法技术

本发明专利技术公开了一种基于神经网络模型的电力负荷组合预测方法，包括采集用每个用户的多个用电指标特征构成一个初始数据集；对初始数据集中的指标数据进行标准化处理，获取标准数据集作为样本点；将标准数据集输入聚类模型以提取多个标准数据集的表征特征；将数据集的原始特征与表征特征输入神经网络，对应输出电力负荷值，训练获取初始神经网络预测模型；对初始神经网络预测模型进行参数优化，获取最佳电力负荷组合预测神经网络。本发明专利技术技术方案针对目前的电力负荷预测方法在面对多数据集电力负荷预测时准确率不高的情况，采用将聚类算法与循环神经网络模型相结合的组合预测方式，并对聚类算法和循环神经网络进行优化，提高了电力负荷预测的精度。

【技术实现步骤摘要】
一种基于神经网络模型的电力负荷组合预测方法
本专利技术属于电力负荷预测领域，具体涉及一种基于神经网络模型的电力负荷组合预测方法。
技术介绍
随着电力系统的现代化发展，信息时代的电力系统的目标转向为每一个用户提供高质量、高可靠、高效率、低成本的电力服务。为了实现这一目标，智能的电力系统应该能够掌握和了解每个用户的用电行为习惯，提前掌握用户的用电需求，从而在不同的用电时段针对每个用户的需求进行科学高效地配供电。因此，用电负荷的准确预测就显得十分必要。实践中，用电负荷预测能够帮助我们了解到某一区域内潜在的用电规律，例如用电高峰期和用电低峰期。在用电高峰时间段到来之前，电力系统能够提前进行电力储备和调度来满足用电高峰期的用电需求，提高用电效率，削峰填谷，平滑电网负荷曲线，减轻电网负荷压力。事实上，这种负荷预测对于电力系统的现代化和智能化来说都很重要，其对于配用电的调度计划，成本收益分析，电价制定等都有指导性作用，能有效地提升用电效益，有助于经济发展。近年来国内外学者在电力负荷预测方面展开了多种多样的研究工作，目前的用电负荷预测方式可以大致分为两大类：传统预测方法和神经网络预测方法。虽然从单数据集上的预测结果来看，传统预测方法和神经网络预测方法的预测效果都很好，但是在多数据集情况下，这两种预测方法的准确度较低。尤其是在多个电力负荷数据集的预测问题上，由于不同数据集的电力负荷变化规律存在差异，且每个数据集的电力负荷变化规律比较复杂，不同数据集的变化规律可能并不一致，从而导致常规的预测方法不太适用于电力负荷多数据集的预测。此外，聚类算法和神经网络模型都是现有技术中进行电力负荷预测时常用的方法。目前常用的聚类算法有k-means算法等。不过由于k-means算法存在k值和k个中心点选择优化的问题，在面对多数据集预测的情况下，同样无法满足当前需求。在将聚类模型中提取出的数据集表征特征与数据集原有的特征数据一同输入到循环神经网络中进行训练的过程中，由于初始的组合预测模型预测结果受到多方面的影响，误差很大，最后获得的电力负荷预测与真实的电力负荷发展趋势相去甚远。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于神经网络模型的电力负荷组合预测方法，至少可以部分解决上述问题。本专利技术技术方案针对目前的电力负荷预测方法在面对多数据集电力负荷预测时准确率不高的情况，采用将聚类算法与循环神经网络模型相结合的组合预测方式，并对聚类算法和循环神经网络进行优化，提高了电力负荷预测的精度。为实现上述目的，按照本专利技术的一个方面，提供了一种基于神经网络模型的电力负荷组合预测方法，其特征在于，包括S1采集用每个用户的多个用电指标特征构成一个原始数据集；对原始数据集中的数据进行处理，生成特征属性和/或数据格式一致的初始数据集；S2对初始数据集中的指标数据进行标准化处理，消除不同指标数据之间的量纲差别，获取标准数据集作为样本点；S3优化聚类模型，将标准数据集输入聚类模型以确定近似最优的聚类个数并对初始中心点进行优化，提取多个标准数据集的表征特征；S4将数据集的原始特征与表征特征输入神经网络，对应输出电力负荷值，训练获取初始神经网络预测模型；S5对初始神经网络预测模型进行参数优化，获取最佳电力负荷组合预测神经网络，将该神经网络与聚类模型相结合，用于对电力负荷进行组合预测。作为本专利技术技术方案的一个优选，步骤S1原始数据集的处理包括，S11对原始数据集的特征属性进行扩展，将可能对电力负荷有影响的特征属性纳入到当前用户数据集中；S12将数据集中的特征属性数据形态转换为统一格式；S13对数据集的特征属性进行异常值检测，并对异常值进行修正。作为本专利技术技术方案的一个优选，步骤S2中所述标准化处理包括，S21采用z-score对数据集中的特征数据进行标准化处理，消除指标数据之间的量纲差别，获得神经网络的输入特征数据；S22对电力负荷值取对数，获取经过标准化处理的目标值，作为神经网络的输出特征数据。作为本专利技术技术方案的一个优选，步骤S3中包括，S31绘制聚类模型的中心数目与成本函数曲线，根据曲线变化确定当前聚类模型的最佳聚类中心个数；S32根据最佳聚类中心个数随机选择选择初始聚类中心点，计算每个聚类集合中的样本点被选为选为下一个聚类中心点的概率，更新该聚类集合的中心点，直至获得当前聚类模型的聚类中心点；S33利用当前聚类模型的最佳聚类中心点，提取多个数据集的表征特征。作为本专利技术技术方案的一个优选，步骤S4包括，S41选择至少一种神经网络作为原始神经网络，将数据集的原始特征与表征特征输入原始神经网络，控制输出对应的电力负荷值；S42对经过训练的神经网络进行比较，选择预测结果更最优的神经网络设为初始神经网络预测模型。作为本专利技术技术方案的一个优选，步骤S5中所述参数优化包括，S51根据用电负荷周期变化，对初始神经网络预测模型进步长优化，若用电负荷周期为规律变化周期，则时间步长设置为该周期，否则比较筛选最优时间步长；S52确定初始神经网络预测模型的隐藏神经元数量取值范围，比较确认该范围内近似最优的神经元数量；S53对不同激活函数下的初始神经网络预测模型进行比较，选取效果最好的激活函数作为初始神经网络预测模型的激活函数。按照本专利技术的一个方面，提供了一种基于神经网络模型的电力负荷组合预测系统，其特征在于，包括数据采集模块，用于采集用每个用户的多个用电指标特征构成一个原始数据集；对原始数据集中的数据进行处理，生成特征属性和/或数据格式一致的初始数据集；标准化模块，用于对初始数据集中的指标数据进行标准化处理，消除不同指标数据之间的量纲差别，获取标准数据集作为样本点；聚类模块，用于优化聚类模型，将标准数据集输入聚类模型以确定近似最优的聚类个数并对初始中心点进行优化，提取多个标准数据集的表征特征；训练模块，用于将数据集的原始特征与表征特征输入神经网络，对应输出电力负荷值，训练获取初始神经网络预测模型；优化模块，用于对初始神经网络预测模型进行参数优化，获取最佳电力负荷组合预测神经网络，将该神经网络与聚类模型相结合，实现对电力负荷进行组合预测。按照本专利技术的一个方面，提供了一种存储设备，其中存储有多条指令，所述指令适用于由处理器加载并执行：S1采集用每个用户的多个用电指标特征构成一个原始数据集；对原始数据集中的数据进行处理，生成特征属性和/或数据格式一致的初始数据集；S2对初始数据集中的指标数据进行标准化处理，消除不同指标数据之间的量纲差别，获取标准数据集作为样本点；S3优化聚类模型，将标准数据集输入聚类模型以确定近似最优的聚类个数并对初始中心点进行优化，提取多个标准数据集的表征特征；S4将数据集的原始特征与表征特征输入神经网络，对应输出电力负荷值，训练获取初始神经网络预测模型；S5对初始神经网络预测模型进行参数优化，获取最佳电力负荷组合预测神经网络，将该神经网络与聚类模型相结合，用于对电力负荷进行组合预测。按照本专利技术的一个方面，提供了一种终端，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：S1采集用每个用户的多个用电指标特征构成一个原始数据集；对原始数据集中的数据进行处理，生成特征属性和/或数据格式一致的初始数据集；S2对本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型的电力负荷组合预测方法，其特征在于，包括S1采集用每个用户的多个用电指标特征构成一个原始数据集；对原始数据集中的数据进行处理，生成特征属性和/或数据格式一致的初始数据集；S2对初始数据集中的指标数据进行标准化处理，消除不同指标数据之间的量纲差别，获取标准数据集作为样本点；S3优化聚类模型，将标准数据集输入聚类模型以确定近似最优的聚类个数并对初始中心点进行优化，提取多个标准数据集的表征特征；S4将数据集的原始特征与表征特征输入神经网络，对应输出电力负荷值，训练获取初始神经网络预测模型；S5对初始神经网络预测模型进行参数优化，获取最佳电力负荷组合预测神经网络，将该神经网络与聚类模型相结合，用于对电力负荷进行组合预测。

【技术特征摘要】
1.一种基于神经网络模型的电力负荷组合预测方法，其特征在于，包括S1采集用每个用户的多个用电指标特征构成一个原始数据集；对原始数据集中的数据进行处理，生成特征属性和/或数据格式一致的初始数据集；S2对初始数据集中的指标数据进行标准化处理，消除不同指标数据之间的量纲差别，获取标准数据集作为样本点；S3优化聚类模型，将标准数据集输入聚类模型以确定近似最优的聚类个数并对初始中心点进行优化，提取多个标准数据集的表征特征；S4将数据集的原始特征与表征特征输入神经网络，对应输出电力负荷值，训练获取初始神经网络预测模型；S5对初始神经网络预测模型进行参数优化，获取最佳电力负荷组合预测神经网络，将该神经网络与聚类模型相结合，用于对电力负荷进行组合预测。2.根据权利要求1所述的一种基于神经网络模型的电力负荷组合预测方法，其中，步骤S1原始数据集的处理包括，S11对原始数据集的特征属性进行扩展，将可能对电力负荷有影响的特征属性纳入到当前用户数据集中；S12将数据集中的特征属性数据形态转换为统一格式；S13对数据集的特征属性进行异常值检测，并对异常值进行修正。3.根据权利要求1或2所述的一种基于神经网络模型的电力负荷组合预测方法，其中，步骤S2中所述标准化处理包括，S21采用z-score对数据集中的特征数据进行标准化处理，消除指标数据之间的量纲差别，获得神经网络的输入特征数据；S22对电力负荷值取对数，获取经过标准化处理的目标值，作为神经网络的输出特征数据。4.根据权利要求1～3任一项所述的一种基于神经网络模型的电力负荷组合预测方法，其中，步骤S3中包括，S31绘制聚类模型的中心数目与成本函数曲线，根据曲线变化确定当前聚类模型的最佳聚类中心个数；S32根据最佳聚类中心个数随机选择选择初始聚类中心点，计算每个聚类集合中的样本点被选为选为下一个聚类中心点的概率，更新该聚类集合的中心点，直至获得当前聚类模型的聚类中心点；S33利用当前聚类模型的最佳聚类中心点，提取多个数据集的表征特征。5.根据权利要求1～4任一项所述的一种基于神经网络模型的电力负荷组合预测方法，其中，步骤S4包括，S41选择至少一种神经网络作为原始神经网络，将数据集的原始特征与表征特征输入原始神经网络，控制输出对应的电力负荷值；S42对经过训练的神经网络进行比较，选择预测结果更最优的神经网络设为初始神经网络预测模型。6.根据权利要求1～5任一项所述的一种基于神经网络模型的电力负荷组合预测方法，其中，步骤S5中所述参数优化包括，S51根据用电负荷周期变化，对初始神经网络预测模型进步长优化，若用电负荷周期为规律变化周期，则时间步长设置为该周期，否则比较筛选最优时间步长...

【专利技术属性】
技术研发人员：刘竞，
申请(专利权)人：武汉华喻燃能工程技术有限公司，
类型：发明
国别省市：湖北,42