[发明专利]基于特征解耦深度神经网络模型的夏季峰荷预测方法与系统

权利要求书

1.一种基于特征解耦深度神经网络模型的夏季峰荷预测方法，其特征在于，包括以下步骤：

步骤1、采集预测地区历史夏季数据，包括历史气象数据、历史日峰荷数据以及时间数据，并对历史数据进行预处理；

步骤2、对预处理后的历史数据进行特征提取，生成以时间、历史气象、历史日峰荷为输入特征的训练特征向量p_time、p_climate和p_load；

步骤3、利用训练特征向量p_time、p_climate和p_load进行模型训练，构建三分支特征解耦深度神经网络预测模型，其中气象特征和峰荷特征均输入隐藏层为长短记忆神经网络(LSTM)的神经网络分支，时间特征则输入全连接层神经网络分支；三分支进行拼接后接入全连接层，生成初始的三分支特征解耦深度神经网络预测模型；

步骤4、根据训练特征向量进行模型训练和参数调优，确定最终的三分支特征解耦深度神经网络预测模型的结构与参数；

步骤5、针对预测地区的夏季负荷峰值预测，取预测地区的月份数据输入步骤4的三分支特征解耦深度神经网络预测模型，采用多步迭代预测，输出夏季峰荷预测结果；

其中，以时间、历史气象、历史日峰荷为输入特征，生成训练特征向量，对于预测的t日的峰荷值，时间、历史气象和历史日峰荷输入特征向量p_time、p_climate和p_load的构建如下：

p_time＝[Y_t M_t H_t W_t]；

其中，Y_t和M_t表示t日的年份和月份；H_t表示t日是否节假日，1为节假日，0为非节假日；W_t表示t日是否工作日，0为工作日，1为周六，2为周日；T_t-n和H_t-n表示距t日n日前的温度和相对湿度；L_t-k表示距t日k日前的日峰荷值；

在所述步骤3中，初始的三分支特征解耦深度神经网络预测模型的构建包括以下步骤：

以独热编码格式的年份、月份、节假日和工作日作为输入特征，将其输入全连接层，后接一个一维全连接层，构建时间分支；

将每日的温度与相对湿度组成二维特征向量，作为输入特征，将其输入长短记忆神经网络(LSTM)隐藏层，后接一个一维全连接层，构建气象分支；

将历史每日的峰荷数据作为输入特征，将其输入长短记忆神经网络(LSTM)隐藏层，后接一个一维全连接层，构建负荷分支；

将三个分支进行拼接，后接一个全连接层，构建初始的三分支特征解耦深度神经网络预测模型。

2.根据权利要求1所述的基于特征解耦深度神经网络模型的夏季峰荷预测方法，其特征在于，对历史数据的预处理包括：

首先，利用三次插值法补全历史数据中的缺失数据；

然后，对时间数据采用独热编码进行数据转化处理，所述时间数据包括年份、月份、是否节假日、是否工作日；

最后，对历史气象数据、历史日峰荷数据进行归一化处理。

3.根据权利要求1所述的基于特征解耦深度神经网络模型的夏季峰荷预测方法，其特征在于，模型训练和参数调优过程中，采用特征解耦深度神经网络夏季峰荷预测模型的模型结构，在保证模型学习曲线稳定收敛的前提下，循环多次改变输入特征向量中的n和k值以及神经网络结构和参数，以验证损失最小化为目标逐步训练模型，并确定n和k的最优值以及最终的模型结构和参数；

其中，损失评价指标采用平均绝对百分比误差MAPE，MAPE表达式如下：

其中n为预测天数，表示模型输出值，y_i表示真实值。

4.根据权利要求3所述的基于特征解耦深度神经网络模型的夏季峰荷预测方法，其特征在于，其中，n和k的初始值分别为6和7。