[发明专利]一种电力负荷预测方法

说明书

本发明公开一种电力负荷预测方法，包括：获取模型原始输入特征；所述原始输入特征包括电力负荷数据和气象因素数据；将原始输入特征输入多层RBM网络中进行训练学习，经过RBM网络的多次非线性变换以及对于参数的重构和微调，得到第二输入特征；根据第二输入特征和遗传算法，得到第三输入特征；根据BP神经网络的初始权值和遗传算法，得到第二权值；将第三输入特征以及第二权值输入到BP神经网络，根据设定误差阈值，使用BP算法进行反向参数微调，直至误差小于等于预设的阈值，得到用于预测电力负荷的模型；将待预测时间输入到所述用于预测电力负荷的模型进行预测。本发明能够提高训练用于预测电力负荷模型的速度以及预测结果的准确性。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种电力负荷预测方法。

背景技术

几十年来，已有许多人从事电力系统负荷预测的研究与应用开发工作并取得了大量的研究成果，提出了许多负荷预测的方法。但是电力系统负荷的变化呈现出一种很高的非线性度，想要精确地预测电力系统负荷仍然是一项艰巨的工作。目前还未找到一种可以适用于任何电力系统且绝对准确的电力系统负荷预测方法，某种特定的方法都有其自身所适用的特定条件，只有在满足某些特定的电力系统运行条件，才能达到令人满意的准确程度。

短期电力负荷预测的起源较早，大量国内外学者应用了多种预测方法于电力负荷预测领域,针对电力负荷预测的研究主要围绕提高预测精度、提高预测速度两个方面。传统预测方法在电力系统能否稳定运行，自动发电控制实现以及调度的经济性等问题，表现出种种的局限性，历经数十年的发展，发生了从传统预测方法到智能预测方法转变。其中深度学习不仅具有大数据处理能力还具有深层特征学习能力，研究深度学习等新算法，并将其应用于电力负荷预测领域是进一步提高负荷预测精度的有效途径。但是，目前电力负荷预测模型存在训练耗时长，由于网络模型本身容易陷入局部极小点导致模型电力负荷预测准确性不高的技术问题。

发明内容

本发明实施例的目的在于提供一种电力负荷预测方法，以解决现有电力负荷预测模型训练耗时长、由于网络模型本身容易陷入局部极小点导致模型电力负荷预测准确性不高的技术问题。

本发明实施例提供一种电力负荷预测方法，包括：

获取模型原始输入特征；其中，所述原始输入特征包括电力负荷数据和气象因素数据；

将所述原始输入特征输入多层RBM网络中进行训练学习，经过RBM网络的多次非线性变换以及对于参数的重构和微调，得到第二输入特征；

根据所述第二输入特征和遗传算法，得到第三输入特征；根据BP神经网络的初始权值和遗传算法，得到第二权值；

将所述第三输入特征以及所述第二权值输入到BP神经网络，根据设定误差阈值，使用BP算法进行反向参数微调，直至误差小于等于预设的阈值，得到用于预测电力负荷的模型；

将待预测时间输入到所述用于预测电力负荷的模型进行预测。

进一步地，所述气象因素数据包括但不限于：日最高温度、日平均温度、日最低温度、日降雨量和日相对湿度。

进一步地，在根据所述第二输入特征和遗传算法，得到第三输入特征之前，还包括：

对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全。

进一步地，在对所述模型输入特征中的错误数据进行修正或对缺失数据进行补全后，还包括：

对所述模型输入特征中的各类数据分别进行归一化处理。

进一步地，所述对所述模型输入特征中的错误数据进行修正，具体包括：

若max[|Y(d,t)-Y(d,t-1)|,|Y(d,t)-Y(d,t+1)|]＞ε(t)；

则根据公式修正Y(d,t)；