[发明专利]基于高速公路神经网络的电力负荷预测方法及设备

权利要求书

1.一种基于高速公路神经网络的电力负荷预测方法，用于对电力系统的短期用电负荷进行预测，其特征在于，所述方法，包括：

获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数；

根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类；

针对每类运行日，以运行日类型、日电力负荷数据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经网络的负荷预测模型；

确定当前运行日类型，并采用与当前运行日类型对应的负荷预测模型进行电力负荷预测。

2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数，包括：

获取预设地点的历史时间段内等时间间隔的多个电力负荷数据及对应的天气数据，构成电力负荷数据-天气数据对；

针对每个电力负荷数据-天气对，采用第一数学模型计算电力负荷数据与天气数据的相关性系数；

其中，所述第一数学模型根据电力负荷数据-天气数据对的个数、样点的用电负荷值、负荷样本数据的平均值、取样时间点各天气影响因素的样本值、各天气影响因素样本数据的平均值来确定。

3.根据权利要求2所述的电力负荷预测方法，其特征在于，所述第一数学模型为：

其中，ρ_x,y为皮尔逊相关系数，N电力负荷数据-天气数据对的个数，x_i为取样点的用电负荷值、为负荷样本数据的平均值、y_i为取样点各天气影响因素的样本值、为各天气影响因素样本数据的平均值。

4.根据权利要求1所述的电力负荷预测方法，其特征在于，根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类，包括：

选取相关性系数满足预设要求的日特征数据构成特征矩阵；

采用主成分分析法对所述特征矩阵进行降维；

将降维后的特征矩阵作为输入，采用聚类分析法对历史负荷运行日完成分类；

其中，所述特征数据包括天气数据和电力负荷数据。

5.根据权利要求1所述的电力负荷预测方法，其特征在于，所述基于人工智能高速公路神经网络的负荷预测模型由多层高速公路神经网络堆叠而成；

其中，在相邻两层高速公路神经网络中，前一层高速神经网络的输出作为后一层高速神经网络的输入。

6.根据权利要求5所述的电力负荷预测方法，其特征在于，每一层高速神经网络，用于：

接收输入的运行日类型、日电力负荷数据及天气相关数据；

根据‘控制门’将输入信息分为两部分；

将第一部分日电力负荷数据及天气运行数据与‘控制门’执行按位乘操作，得到第一子结果；

将第二部分电力负荷及天气运行数据进行非线性变换后再与‘控制门’执行按位乘操作，得到第二子结果；

将第一子结果和第二子结果送入加法模块整合，得到输出结果。

7.一种基于高速公路神经网络的电力负荷预测设备，用于对电力系统的短期用电负荷进行预测，其特征在于，包括：

数据处理模块，用于获取预测地点的历史时间段的电力负荷数据及天气数据，并求取电力负荷数据及天气数据的相关性系数；

分类模块，用于根据所述相关性系数得到特征矩阵，并采用聚类分析法对历史负荷的运行日进行分类；

模型建立模块，用于针对每类运行日，以运行日类型、日电力负荷数据及相关天气数据为输入，分别建立对应的基于人工智能高速公路神经网络的负荷预测模型；

预测模块，用于确定当前运行日类型，并采用与当前运行日类型对应的负荷预测模型进行电力负荷预测。