[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

说明书

本发明提供一种基于深度学习进行用户电力月负荷预测的方法，包括构建基于模糊神经网络的用户电力月负荷预测模型，并确定该模型的输入变量和期望输出值；获取包括输入变量及期望输出值的训练样本集，并使用训练样本集对模糊神经网络进行训练直至达到精度要求，得到训练好的用户电力月负荷预测模型；获取包括输入变量的预测样本集并输入训练好的用户电力月负荷预测模型中，得到预测样本集的期望输出值且均作为用户电力月负荷预测值输出。实施本发明，快速及准确的预测出用户电力月负荷，不仅为用户电量是否存在问题提供判断依据，能对用电检查，设备故障等工作给出指导性建议，还能对用电检查工作提供指导，并提升用电客户差异化服务水平。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种基于深度学习进行用户电力月负荷预测的方法。

背景技术

目前，现有用户电量核查规则，更多是依靠设定电量上限阀值、环比、同比突变率阀值等方法对用户电量进行核查，核查准确性及精度都存在不足。为了解决现有模式存在的问题，可以通过对用户电力负荷进行预测来判断用户电量是否存在问题，不仅能提升核查精度及准度，并能对用电检查，设备故障等工作给出指导性建议，从而极大的减少现场排查工作量。

作为电力系统调度的重要组成部分，虽然对宏观系统负荷预测已经有了很深入的研究，但尚未有很好的对用户进行负荷预测的方法，尤其是用户电力月负荷预测，使得无法提升用电客户差异化服务水平。

因此，针对现有电量核查方式存在的不足及客户精准服务等业务的需要，亟需找到一种对用户电力月负荷进行预测的方法，快速及准确的预测出用户电力月负荷，不仅为用户电量是否存在问题提供判断依据，能对用电检查，设备故障等工作给出指导性建议，还能对用电检查工作提供指导，并提升用电客户差异化服务水平。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于深度学习进行用户电力月负荷预测的方法，快速及准确的预测出用户电力月负荷，不仅为用户电量是否存在问题提供判断依据，能对用电检查，设备故障等工作给出指导性建议，还能对用电检查工作提供指导，并提升用电客户差异化服务水平。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习进行用户电力月负荷预测的方法，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。

其中，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；