【技术实现步骤摘要】
基于多模型融合的居民用电负荷预测方法、介质及设备
[0001]本专利技术涉及居民用电量预测
，尤其是涉及一种基于多模型融合的居民用电负荷预测方法、介质及设备。
技术介绍
[0002]居民用电量的精准预测对于指导电力潮流的调度和优化有重要的意义。
[0003]现存的居民用电预测方法可分为，基于灰度预测的方法，自回归滑动平均模型，人工智能方法，和深度学习模型。其存在如下缺陷：基于灰度预测的方法，是对居民用电量的历史数据进行微分方程建模，从而基于微分方程进行预测，该方法对于异常数据较为敏感。自回归滑动平均模型，是对居民用电量的历史数据和其白噪声进行回归分析，并依据回归模型进行预测，该方法仅能表征数据间的线性关系。人工智能方法，如人工神经网络(单隐层模型)和支持向量机模型，利用居民历史用电量数据进行训练，从而运用训练好的模型进行用电量预测，该方法可以表征数据之间的复杂关系，但是运算量较大。深度学习模型，如循环神经网络和长短期记忆网络方法，和人工神经网络(单隐层模型)用于居民用电量预测的思想一致，都是运用居民用电历史数据...
【技术保护点】
【技术特征摘要】
1.一种基于多模型融合的居民用电负荷预测方法，其特征在于，包括以下步骤：构建多个用于居民用电量预测的预测模型，获取居民用电量数据x
i
,i＝1,2,...,t
‑
1，作为训练集，利用所述训练集分别训练每个预测模型；各所述预测模型基于居民用电量数据x
i
,i＝1,2,...,t
‑
1预测获得t时刻的预测用电量，该t时刻具有已知的真实用电量，基于所述预测用电量和真实用电量计算各预测模型相应的相对误差re
j
(t)，j＝1,2,...,n，n为预测模型总数；基于各预测模型的所述相对误差计算各预测模型的置信因子α
j
(t)；各所述预测模型基于居民用电量数据x
i
,i＝1,2,...,t预测获得t+1时刻的居民用电量预测结果pre
j
(t+1)；基于各预测模型的所述置信因子α
j
(t)和居民用电量预测结果pre
j
(t+1)进行融合处理，获得t+1时刻的最终预测结果fusion(t+1)。2.根据权利要求1所述的基于多模型融合的居民用电负荷预测方法，其特征在于，所述预测模型包括灰度预测模型、高斯过程回归模型、长短期记忆网络模型中的多个。3.根据权利要求1所述的基于多模型融合的居民用电负荷预测方法，其特征在于，所述相对误差re
j
(t)的计算公式为：re
j
(t)＝(true_val(t)
‑
pre
j
(t))/(true_val(t))式中，true_val(t)为t时刻的真实用电量，pre
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。