[发明专利]一种基于fisher信息处理短期负荷预测特征输入量的选择方法

说明书

技术领域

本发明涉及电力系统电网负荷预测技术领域，尤其是一种基于fisher信息处理短期负荷预测特征输入量的选择方法。

背景技术

在人工智能预测模型的训练中，特征输入量选择是预测模型建模前的一项重要工作,是否能够选择出一组最能反映期望输出变化原因的输入变量直接关系到预测模型的预测性能。合理地选择输入量,能提高网络的训练速度和预测精度,特征量不能取得太少,否则不能起到区分判断能力；取得太多则影响网络的训练速度，如何从大量的影响因素中选择出对期望输出影响最大的一些因素,组成一个有效、足够的输入变量集,成为人工智能方法首先要面对的问题。

文献“Input Variable Selection for ANN-Based Short-term Load Forecasting”《IEEE Trans on Power Systems,1998》提出了一种相空间嵌入法来确定神经网络的输入变量,但这种方法只能在负荷序列中寻找对预报时刻影响最大的负荷点,对天气等相关变量的处理较困难,计算较复杂。文献“神经网络短期负荷预测输入变量选择新方法”《电力系统自动化，2001》将正交最小二乘(OLS)法应用于神经网络短期负荷预测的输入变量选择,但需要预先确定容差。文献“相关向量机和特征选取技术在短期负荷预测中的应用”《电子世界，2016》采用Relief算法设计出一种负荷预测特征输入量的选取方法，但邻近点数目的选取具有主观随意性，且计算繁琐。

Fisher信息是对某事件确定度的测量。某事件越确定，提供给人们该事件的信息量越大，体系结构越规则，功能越完善，Fisher信息值就越大，利用此性质，可以确定出预测模型中各输入变量的重要程度。具体实现过程是根据影响负荷变化的各个因素即指标值构成的判断矩阵来确定指标权重。当负荷在某一指标上的值越均衡，Fisher信息值越大，而这意味着该指标向决策者提供的有用信息越少；权重就应该越小；当负荷在某一指标上的值差异较大时，Fisher信息值越小，而这意味着该指标向决策者提供的有用信息越多；权重就应该越大，应重点考察该指标。作为权数的Fisher信息权重是在给定被评价对象集后各评价指标确定的情况下，各指标在竞争意义上的相对激烈程度系数。在负荷预测中，不同日期的负荷就相当于被评价对象，影响预测日负荷的各种因素(温度、湿度、昨日最高负荷)就相当于评价指标，利用这一方法来确定影响日负荷预测的各因素指标权重。

发明内容

本发明的目的是针对电力系统短期负荷预测中特征输入量的选择，为了解决该问题而提出一种基于fisher信息处理短期负荷预测特征输入量的选择方法。

为了实现上述目的，本发明采用如下技术方案：

步骤1：读取历史样本数据，所述历史数据为电力部门提供的负荷数据。

步骤2：对步骤1中的数据进行处理，获取共m天的日最高负荷数据，每日的最高负荷都有n个影响因素，得到判断矩阵X。

步骤3：对步骤2中获得的判断矩阵进行无量纲化处理，得到标准化矩阵R＝(r_ij)_m×n。

步骤4：根据步骤3中标准化矩阵R＝(r_ij)_m×n为基础，计算出第j个影响因素的Fisher信息权FIW_j。

步骤5：对n个影响因素使用步骤4所获得的第j个影响因素的Fisher信息权FIWj进行加权处理，得到Fisher信息权加权影响因素后的输入量；

步骤6：将上述得到的Fisher信息权加权影响因素后的输入量作为人工智能预测模型最终的输入层变量用来完成负荷预测。

进一步，所述步骤2中判断矩阵：

(x₁₁,…,x_m1)为某一种影响因素m天的对应数据，(x₁₁,…,x_1n)为某一天内n种影响因素的对应数据。

进一步，所述步骤3中无量纲化处理过程为：

其中：r_ij为影响因素无量纲化处理后的值，x为影响因素值，x_min为某种影响因素的最小值，x_max为某种影响因素的最大值，得到标准化矩阵R＝(r_ij)_m×n，矩阵中各元素规格化到(0,1)区间。