一种考虑温度因素的神经网络机器学习负荷预测方法技术

本发明专利技术公开了一种考虑温度因素的神经网络机器学习负荷预测方法，包括如下步骤：S1：进行输入输出层的设计，S2：进行隐藏层的设计，S3：根据步骤S1及S2设计得到考虑温度的神经网络机器学习的负荷预测模型；S4：应用S3得到的负荷预测模型进行网供负荷的预测。本发明专利技术在以往机器学习负荷预测方法基础上，考虑温度对负荷的影响，将温度作为机器学习方法的一个输入值，提高短期电力负荷预测的准确性。

A Neural Network Machine Learning Load Forecasting Method Considering Temperature

The invention discloses a load forecasting method of neural network machine learning considering temperature factors, which includes the following steps: S1: design of input and output layer, S2: design of hidden layer, S3: design load forecasting model of neural network machine learning considering temperature according to R and S 2; S4: load forecasting model of network supply based on S 3 \u3002 Based on the previous machine learning load forecasting method, considering the influence of temperature on load, the invention regards temperature as an input value of machine learning method to improve the accuracy of short-term power load forecasting.

【技术实现步骤摘要】
一种考虑温度因素的神经网络机器学习负荷预测方法
本专利技术涉及设施机器学习及电力负荷预测领域，具体来说，涉及一种考虑温度因素的神经网络机器学习负荷预测方法。
技术介绍
目前，机器学习方法已经被广泛用于短期电力负荷预测，但未考虑温度因素对电力负荷的影响。但是温度因素对电力负荷的影响作用是至关重要的，预测没有考虑温度影响的负荷预测是不准确的，并不能真实的反映电力负荷情况。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出一种考虑温度因素的神经网络机器学习负荷预测方法，能够克服现有技术的上述不足。为实现上述技术目的，本专利技术的技术方案是这样实现的：一种考虑温度因素的神经网络机器学习负荷预测方法，包括如下步骤：S1：进行输入输出层的设计，具体为：S1.1：选取历史年供电量和网供负荷、产业结构比值和全年最高温度作为训练的数据样本；S1.2：确定模型的输入输出数据及相应的输入输出维度；S1.3：对模型的输入数据进行预处理；S1.4：确定输出层的激活函数；S2：进行隐藏层的设计，具体为：S2.1：确定符合负荷预测精度要求的隐藏层个数；S2.2：确定符合负荷预测精度要求的隐藏层神经元的个数；S2.3：选取符合负荷预测精度要求的隐藏层的激活函数；S3：根据步骤S1及S2设计得到考虑温度的神经网络机器学习的负荷预测模型；S4：应用S3得到的负荷预测模型进行网供负荷的预测，具体为：S4.1：输入预测年供电量，二产与三产的比值；S4.2：输入预测年多种最高温度；S4.3：通过S3得到的负荷预测模型得到预测年随温度变化的网供负荷。其中，步骤S1.2中模型的输入数据包括历年的最高温度、供电量及第二产业国民生产总值与第三产业国民生产总值比值，输入数据的维度为3维。其中，步骤S1.2中模型的输出数据为历年统调负荷，输出数据的维度为1维。其中，步骤S1.3中输入数据的预处理采用归一化方法或者标准化方法。其中，由于神经网络算法主要用于回归预测，因此确定输出层的激活函数为线性型激活函数。其中，步骤S2.1具体为S2.1.1：选用sigmoid、rlinear、softmax或tanh四种函数的一种作为激活函数，遍历不同的神经元个数情况下测试隐藏层个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.1.2：换另外一种激活函数，遍历不同的神经元个数情况下测试隐藏层个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.1.3：得到函数的收敛情况最好，且拟合度最优情况下的隐藏层个数即为符合负荷预测精度要求的隐藏层个数。进一步的，步骤S2.2具体为：S2.2.1：选用sigmoid、rlinear、softmax或tanh四种函数的一种作为激活函数，遍历不同的隐藏层个数情况下测试神经元个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.2.2：换另外一种激活函数，遍历不同的隐藏层个数情况下测试神经元个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.2.3：得到函数的收敛情况最好，且拟合度最优情况下的神经元个数即为符合负荷预测精度要求的神经元个数。进一步的，步骤S2.3具体为S2.3.1：在特定的隐藏层个数下遍历不同神经元个数时，测试激活函数分别为sigmoid、rlinear、softmax或tanh四种函数中任一种时，函数的收敛情况；S2.3.2：在另外一个隐藏层个数下遍历不同神经元个数时，测试激活函数分别为sigmoid、rlinear、softmax或tanh四种函数中任一种时，函数的收敛情况，直至遍历所有的隐藏层个数；S2.3.3：得到函数的收敛情况最好情况下的激活函数即为符合负荷预测精度要求的激活函数。本专利技术的有益效果：本专利技术在以往机器学习负荷预测方法基础上，考虑温度对负荷的影响，将温度作为机器学习方法的一个输入值，提高短期电力负荷预测的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例所述的一种考虑温度因素的神经网络机器学习负荷预测方法的方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，根据本专利技术实施例所述的一种考虑温度因素的神经网络机器学习负荷预测方法，包括如下步骤：S1：进行输入输出层的设计，具体为：S1.1：选取历史年供电量和网供负荷、产业结构比值和全年最高温度作为训练的数据样本；S1.2：确定模型的输入输出数据及相应的输入输出维度；S1.3：对模型的输入数据进行预处理；S1.4：确定输出层的激活函数；S2：进行隐藏层的设计，具体为：S2.1：确定符合负荷预测精度要求的隐藏层个数；S2.2：确定符合负荷预测精度要求的隐藏层神经元的个数；S2.3：选取符合负荷预测精度要求的隐藏层的激活函数；S3：根据步骤S1及S2设计得到考虑温度的神经网络机器学习的负荷预测模型；S4：应用S3得到的负荷预测模型进行网供负荷的预测，具体为：S4.1：输入预测年供电量，二产与三产的比值；S4.2：输入预测年多种最高温度；S4.3：通过S3得到的负荷预测模型得到预测年随温度变化的网供负荷。其中，步骤S1.2中模型的输入数据包括历年的最高温度、供电量及第二产业国民生产总值与第三产业国民生产总值比值，输入数据的维度为3维。其中，步骤S1.2中模型的输出数据为历年统调负荷，输出数据的维度为1维。其中，步骤S1.3中输入数据的预处理采用归一化方法或者标准化方法。其中，由于神经网络算法主要用于回归预测，因此确定输出层的激活函数为线性型激活函数。其中，步骤S2.1具体为S2.1.1：选用sigmoid、rlinear、softmax或tanh四种函数的一种作为激活函数，遍历不同的神经元个数情况下测试隐藏层个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.1.2：换另外一种激活函数，遍历不同的神经元个数情况下测试隐藏层个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.1.3：得到函数的收敛情况最好，且拟合度最优情况下的隐藏层个数即为符合负荷预测精度要求的隐藏层个数。进一步的，步骤S2.2具体为：S2.2.1：选用sigmoid、rlinear、softmax或tanh四种函数的一种作为激活函数，遍历不同的隐藏层个数情况下测试神经元个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.2.2：换另外一种激活函数，遍历不同的隐藏层个数情况下测试神经元个数不同时，函数的收敛情况及输出的历年统调负荷与实际的历年统调负荷之间的拟合度；S2.2.3：得到函数的收敛情况最好，且拟合度最优情况下的本文档来自技高网...

【技术保护点】
1.一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，包括如下步骤：S1：进行输入输出层的设计，具体为：S1.1：选取历史年供电量和网供负荷、二产与三产比值和全年最高温度作为训练的数据样本；S1.2：确定模型的输入输出数据及相应的输入输出维度；S1.3：对模型的输入数据进行预处理；S1.4：确定输出层的激活函数；S2：进行隐藏层的设计，具体为：S2.1：确定符合负荷预测精度要求的隐藏层个数；S2.2：确定符合负荷预测精度要求的隐藏层神经元的个数；S2.3：选取符合负荷预测精度要求的隐藏层的激活函数；S3：根据步骤S1及S2设计得到考虑温度的神经网络机器学习的负荷预测模型；S4：应用S3得到的负荷预测模型进行网供负荷的预测，具体为：S4.1：输入预测年供电量，二产与三产的比值；S4.2：输入预测年多种最高温度；S4.3：通过S3得到的负荷预测模型得到预测年随温度变化的网供负荷。

【技术特征摘要】
1.一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，包括如下步骤：S1：进行输入输出层的设计，具体为：S1.1：选取历史年供电量和网供负荷、二产与三产比值和全年最高温度作为训练的数据样本；S1.2：确定模型的输入输出数据及相应的输入输出维度；S1.3：对模型的输入数据进行预处理；S1.4：确定输出层的激活函数；S2：进行隐藏层的设计，具体为：S2.1：确定符合负荷预测精度要求的隐藏层个数；S2.2：确定符合负荷预测精度要求的隐藏层神经元的个数；S2.3：选取符合负荷预测精度要求的隐藏层的激活函数；S3：根据步骤S1及S2设计得到考虑温度的神经网络机器学习的负荷预测模型；S4：应用S3得到的负荷预测模型进行网供负荷的预测，具体为：S4.1：输入预测年供电量，二产与三产的比值；S4.2：输入预测年多种最高温度；S4.3：通过S3得到的负荷预测模型得到预测年随温度变化的网供负荷。2.根据权利要求1所述的一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，步骤S1.2中模型的输入数据包括历年的最高温度、供电量及第二产业国民生产总值与第三产业国民生产总值比值，输入数据的维度为3维。3.根据权利要求2所述的一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，步骤S1.2中模型的输出数据为历年统调负荷，输出数据的维度为1维。4.根据权利要求3所述的一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，步骤S1.3中输入数据的预处理采用归一化方法或者标准化方法。5.根据权利要求4所述的一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，由于神经网络算法主要用于回归预测，因此确定输出层的激活函数为线性型激活函数。6.根据权利要求5所述的一种考虑温度因素的神经网络机器学习负荷预测方法，其特征在于，步骤S2.1具体为S2.1.1：选用s...

【专利技术属性】
技术研发人员：唐文左，罗旭，蒋闻，邹舒，殷跃，杨昆，李宁可，
申请(专利权)人：国网重庆市电力公司经济技术研究院，天地电研北京科技有限公司，
类型：发明
国别省市：重庆,50