[发明专利]基于双端自动编码的日前电力负荷预测方法及装置

权利要求书

1.基于双端自动编码的日前电力负荷预测方法，其特征在于：所述日前负荷预测方法包括如下步骤：

S1、获取待预测日前M天历史电力负荷数据及需要考虑的对电力负荷产生影响的影响因素特征，形成历史电力负荷及影响因素特征数据库；

S2、构建自编码器1，使用步骤S1得到的前M天的历史负荷数据对其进行训练，将前N天的历史负荷数据输入到训练后的自编码器1中，自编码器1对输入的历史电力负荷特征数据进行维度削减，将维度削减后的历史电力负荷特征数据与步骤S1中得到的影响因素特征数据进行融合，得到电力负荷、影响因素融合数据；

S3、构建预测神经网络模型

构建CNN-LSTM相结合的神经网络，确定神经网络的输出全连接层维度，并使用步骤S1获得的前M天的历史电力负荷数据其进行训练，将步骤S2中得到的融合后的电力负荷、影响因素融合数据输入到训练后的神经网络中进行电力负荷预测，得到电力负荷预测数据；

S4、构建自编码器2，并使用步骤S1获得的前M天的历史负荷数据对其进行训练；将步骤S3中得到的电力负荷预测数据输入到训练后的自编码器2中，自编码器2对其进行解码，得到解码后的电力负荷预测数据；

S5、对步骤S4中得到的解码后的电力负荷预测数据进行反向归一化，得到最终的日前电力负荷数据；

并且，所述步骤S1至S5中，M与N均为自然数，且M＞N。

2.根据权利要求1所述的基于双端自动编码的日前电力负荷预测方法，其特征在于：所述步骤S2及步骤S4中的自编码器1、自编码器2的构建及训练均使用python编程语言中keras深度学习工具包。

3.根据权利要求2所述的基于双端自动编码的日前电力负荷预测方法，其特征在于：所述自编码器1、自编码器2中的全连接层为卷积层和转置卷积层；非输出层函数为Relu，输出层激活函数为sigmoid，损失函数为均方误差函数，优化算法为自适应矩估计优化算法。

4.根据权利要求1所述的基于双端自动编码的日前电力负荷预测方法，其特征在于：所述步骤S3中神经网络的构建及训练均使用python编程语言中keras深度学习工具包。

5.根据权利要求1所述的基于双端自动编码的日前电力负荷预测方法，其特征在于：所述步骤S1中历史电力负荷及影响因素特征数据的获取方法为：

S101、分析气象、社会因素对电力负荷的影响，得到需要考虑的对电力负荷产生影响的气象、社会因素；

S102、将前M天的历史电力负荷数据以N天、N+1天和每天为单位进行分割，得到3个历史电力负荷特征数据库；将需要考虑的气象、社会因素以天为单位进行分割，组合成影响因素特征数据库。

6.根据权利要求1所述的基于双端自动编码的日前电力负荷预测方法，其特征在于：所述步骤S3中的预测神经网络的输出全连接层的维度与自编码器2的稀疏编码数一致。

7.根据权利要求1所述的基于双端自动编码的日前电力负荷预测方法，其特征在于：所述步骤S1至S5中，M与N均为自然数，且150≤M，3≤N≤10。