[发明专利]一种基于深度学习进行用户电力月负荷预测的方法

权利要求书

1.一种基于深度学习进行用户电力月负荷预测的方法，其特征在于，所述方法包括以下步骤：

构建基于模糊神经网络的用户电力月负荷预测模型，并确定所述用户电力月负荷预测模型的输入变量和期望输出值；

从预设的用户月电力负荷历史数据中，获取包括所述输入变量及所述期望输出值的训练样本集，并使用所述训练样本集对所述模糊神经网络进行训练直至达到预设的精度要求，得到训练好的用户电力月负荷预测模型；

获取包括所述输入变量的预测样本集，并将所述预测样本集输入所述训练好的用户电力月负荷预测模型中，得到所述预测样本集的期望输出值，且进一步将所得到的预测样本集的期望输出值均作为用户电力月负荷预测值输出。

2.如权利要求1所述的基于深度学习进行用户电力月负荷预测的方法，其特征在于，所述模糊神经网络包括输入层、椭球基函数EBF层、归一层、加权层和输出层；其中，

输入层：有五个神经元，每一神经元为一输入向量x_i，i＝1,2,3,...,5；其中，x₁～x₅分别为用户编号、用电月份、所属行政区、用户用电类别和上月用电量；

EBF层：有多个神经元，每一神经元对应着模糊规则的前提IF一部分并分别由中心隶属向量c_i和宽度隶属向量σ_i两部分构成；其中，第j个EBF层神经元的输出值φ_j由式(1)得到：

其中，j＝1,2,...,u，u为EBF层神经元的总数；

归一层：有与EBF层具有同等数量的神经元，把所有的EBF层神经元的输出值转换成范围在[0,1]之间的数；其中，第j个归一层神经元的输出值ψ_j由式(2)得到：

加权层：有与归一层具有同等数量的神经元，其输入分别由归一层的输出值和加权偏差两部分组成；其中，第j个加权层神经元的输出值f_j由式(3)得到：

f_j＝ω_2jψ_j (3)；

其中，加权偏差ω_2j＝AB＝a_j0+a_j1x₁+...+a_jrx_r；列向量B＝[1,x₁,x₂,...,x_r]^T作为偏差和行向量A＝[a_j0,a_j1,a_j2,...,a_jr]作为一组对应结果部分的参数模糊规则，

输出层：有一个神经元，其将所有神经元加权层的输出进行累加；其中，整个神经元结构的输出由式(4)得到：