一种基于宽度学习系统的短期电力负荷预测方法技术方案

本发明专利技术一种基于宽度学习系统的短期电力负荷预测方法。解决现有采用深度学习的方法存在计算负载，训练速度慢，以及无法更正训练结果，增加训练时间的问题。方法包括采集预测地区影响因素的历史数据，对数据进行预处理形成样本；建立宽度学习的短期电力负荷预测模型，将样本输入模型进行训练；对输出结果进行评估，根据评估结果进行调整；将模型预测结果反归一化，获得最终预测结果。本发明专利技术在电力负荷预测中引入宽度学习，模型训练时间短。且学习结果修正容易，无需重新训练模型，计算更简单。计算更简单。计算更简单。

【技术实现步骤摘要】
一种基于宽度学习系统的短期电力负荷预测方法


[0001]本专利技术涉及电网
，尤其是涉及一种基于宽度学习系统的短期电力负荷预测方法。

技术介绍

[0002]近年来，随着计算机科学的快速发展，人工智能得到了越来越多的关注，以人工神经网络为主的智能预测方法逐渐成为了电力负荷预测的主流方法。人工神经网络是一种模仿大脑神经结构的信息运算模型。它具有很强的并行处理能力，有很高的分类准确度，以及逼近复杂的非线性关系的能力，尤其适合电力负荷预测等非线性问题，但其学习时间较长，很容易陷入局部最优，影响预测的准确度。深度学习由对大规模训练样本的处理能力，通过增加网络结构的“深度”，可以解决更加复杂的预测问题，提高了电力负荷预测的准确度，但由于深度学习模型训练经常依靠增加网络节点层数来提高模型的性能，因此在反向传播过程中就需要逐级求解梯度以更新权重，这就会降低预测模型的训练速度，并且深度学习也无法修正错误的学习结果，只能重新训练模型，又进一步增加了训练模型的时间。
[0003]如申请号为201910337687.0，名称为一种基于LSTM
‑
CGAN的电力负荷预测方法的中国专利技术申请，其方案为设计多层Bi
‑
LSTM的深度神经网络，将预处理后的电负荷数据输入神经网络模型进行训练，输出预测结果。该预测方法存在以下缺点：
[0004]1.将所有的可能影响预测结果的因素，如历史负荷、温度、湿度、风力、气压、日期等都考虑在预测模型中，计算量大；
[0005]2.基于深度学习的预测方法，网络的结构层数很多，输出权重需要逐层计算，需要更正数据时整个模型需要重新训练，计算复杂。

技术实现思路

[0006]本专利技术主要是解决现有采用深度学习的方法存在计算负载，训练速度慢，以及无法更正训练结果，增加训练时间的问题，提供了一种基于宽度学习系统的短期电力负荷预测方法。
[0007]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于宽度学习系统的短期电力负荷预测方法，包括以下步骤：
[0008]采集预测地区影响因素的历史数据，对数据进行预处理形成样本；
[0009]建立宽度学习的短期电力负荷预测模型，将样本输入模型进行训练；
[0010]对输出结果进行评估，根据评估结果进行调整；
[0011]将模型预测结果反归一化，获得最终预测结果。
[0012]本专利技术在电力负荷预测中引入宽度学习，对输入数据特征映射，形成特征节点，再对特征节点随机映射，形成增强节点，再将特征节点和增强节点一起输入到输出节点，输出权重只需要计算伪逆，模型训练时间短。且学习结果修正容易，只需增加节点的增量学习，重新计算权重伪逆，无需重新训练模型，计算更简单。对输入数据进行属性约简，防止过多
非重要影响因素输入模型中造成信息冗余、影响模型精度和模型学习时间。
[0013]作为一种优选方案，所述的预处理包括归一化和特征提取处理。
[0014]作为一种优选方案，所述的对数据进行特征提取为采用邻域粗糙集算法对采集数据进行属性约简，特征提取。本方案采用邻域粗糙集算法，来确定采集数据的重要度和依赖度，防止过多非重要影响因素输入模型中造成信息冗余、影响模型精度和模型学习时间。
[0015]作为一种优选方案，所述的对数据进行归一化，具体采用以下公式：
[0016][0017]作为一种优选方案，建立宽度学习的短期电力负荷预测模型为
[0018][0019]其中，Z
n
为特征节点集合，Z
n
＝[Z1,Z2,
…
Z
n
]，Z
n
为特征节点，H
n
为增强节点集合，H
n
＝[H1,H2,
…
H
n
]，H
n
为增强节点，对输入样本特征映射形成特征节点Z
i
，获取特征节点构成特征节点集合Z
n
，对特征节点Z
i
随机映射形成增强节点H
j
，获取增强节点构成增强节点集合H
n
；W
m
为预测模型的输出权重，
[0020]W
m
＝[Z
n
|H
n
]+
Y＝A
+
Y
[0021][0022]A
+
为矩阵A的伪逆矩阵，λ为正则化系数，I为单位矩阵，A
T
为矩阵A的转置矩阵。
[0023]作为一种优选方案，所述的对输出结果进行评估，根据评估结果进行调整，具体为：
[0024]分别采用平均绝对百分比误差法和均方根误差法对输出结果进行评估；
[0025]若满足评估条件：平均绝对百分比误差法评估结果小于等于10％，且均方根误差法评估结果小于0.1，则预测模型通过评估，进行预测使用；若不满足评估条件，则调整宽度学习的短期电力负荷预测模型的输出权重，重复对预测模型进行训练，直到输出结果满足评估条件。
[0026]作为一种优选方案，所述的将模型预测结果反归一化，采用以下公式
[0027][0028]因此，本专利技术的优点是：在电力负荷预测中引入宽度学习，对输入数据特征映射，形成特征节点，再对特征节点随机映射，形成增强节点，再将特征节点和增强节点一起输入到输出节点，输出权重只需要计算伪逆，模型训练时间短。且学习结果修正容易，只需增加节点的增量学习，重新计算权重伪逆，无需重新训练模型，计算更简单。对输入数据进行属性约简，防止过多非重要影响因素输入模型中造成信息冗余、影响模型精度和模型学习时间。对训练数据进行属性约简，防止过多非重要影响因素输入模型中造成信息冗余、影响模型精度和模型学习时间。
附图说明
[0029]图1是本专利技术的一种流程示意图；
[0030]图2是本专利技术预测负荷曲线对比图。
具体实施方式
[0031]下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。
[0032]实施例：
[0033]本实施例一种基于宽度学习系统的短期电力负荷预测方法，如图1所示，包括以下步骤：
[0034]步骤一：采集预测地区影响因素的历史数据，对数据进行预处理形成样本；
[0035]采集预测地区历史数据，包括在预测地区一段时间内每天以小时为采样点的用电负荷数据，也包括当日的最高温度、平均温度、最低温度、相对湿度、降雨量。
[0036]对数据进行预处理，以提高预测模型训练速度，预处理包括归一化和特征提取处理。
[0037]归一化处理，采集数据采用以下公式进行计算，
[0038][0039]以负荷数据为例，则其中x为原始电力负荷数据，为归一化后的数据，x
max
表示历史负荷数据的最大值，x
min
表示历史负荷数据的最小值。其他数据归一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习系统的短期电力负荷预测方法，其特征在于：包括以下步骤：采集预测地区影响因素的历史数据，对数据进行预处理形成样本；建立宽度学习的短期电力负荷预测模型，将样本输入模型进行训练和测试；对输出结果进行评估，根据评估结果进行调整；将模型预测结果反归一化，获得最终预测结果。2.根据权利要求1所述的一种基于宽度学习系统的短期电力负荷预测方法，其特征是所述的预处理包括归一化和特征提取处理。3.根据权利要求2所述的一种基于宽度学习系统的短期电力负荷预测方法，其特征是所述的对数据进行特征提取为采用邻域粗糙集算法对采集数据进行属性约简，特征提取。4.根据权利要求2所述的一种基于宽度学习系统的短期电力负荷预测方法，其特征是所述的对数据进行归一化，具体采用以下公式：5.根据权利要求1或2或3或4所述的一种基于宽度学习系统的短期电力负荷预测方法，其特征是建立宽度学习的短期电力负荷预测模型为其中，Z
n
为特征节点集合，Z
n
＝[Z1,Z2,
…
Z
n
]，Z
n
为特征节点，H
n
为增强节点集合，H
n
＝[H1，H2，...H
n
]，H
n
为增强节点，对输入样本特征映射形...

【专利技术属性】
技术研发人员：刘扬，李鑫，徐宏，王佳祯，刘书涵，花志伟，朱重希，汪自立，李明贤，
申请(专利权)人：国网浙江省电力有限公司桐乡市供电公司，
类型：发明
国别省市：