[发明专利]基于GAN网络和半监督回归的混合滚动短期负荷预测方法

权利要求书

1.一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，包括如下步骤：

步骤一、获取电力系统历史负荷数据，并进行预处理，把电力系统历史负荷数据分解成几组内涵模态分量IMFs，并进行归一化处理，从而得到相应组别的带标签的归一化真实负荷数据序列，作为真实数据样本；

步骤二、构建GAN生成对抗网络，所述GAN生成对抗网络包括GAN生成层G和GAN判别层D；

步骤三、将维度和步骤一中的真实数据样本相同的随机噪声数据输入至GAN生成对抗网络，通过GAN生成层G获得标记的虚拟数据样本，然后将真实数据样本作为训练数据样本和虚拟数据样本一起输入至GAN判别层D；通过半监督回归域获得电力负荷的几组IMFs短期预测结果；

步骤四、根据步骤三中的预测结果和预测误差损失函数对GAN判别层D参数进行迭代更新，并反向传播误差，更新GAN生成层G的参数；最终获得训练完成的GAN生成对抗网络；

步骤五、将当前时刻之前处理后的电力系统历史负荷数据和由生成层G生成的虚拟负荷数据输入到训练完成的判别层D中；并通过半监督回归域获得电力负荷的几组IMFs短期预测结果；

步骤六、利用滚动自适应算法实现电力负荷的多步预测；并将IMFs短期预测结果重构合成电力系统负荷数据预测值，得到电力负荷一步预测和多步预测值。

2.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，步骤一中，采用下式对内涵模态分量进行归一化处理：

(其中y_min＝0,y_max＝1)

式中，x_i(t)为第i个电力负荷数据内涵模态分量IMFs在时间t的真实值，x_i'(t)为相应的归一化值，x_i,max和x_i,min分别为IMFs的最大值和最小值，y_max和y_min分别为归一化后映射空间的最大值和最小值，这里分别取1和0。

3.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，步骤一中，对归一化后的数据进行标签化处理，设置电力负荷真实数据的标签为1，即生成一组同维度的元素全为1的向量，从而得到一组带标签的归一化真实负荷数据序列P_labeled。

4.根据权利要求1所述的一种基于GAN网络和半监督回归的混合滚动短期负荷预测方法，其特征在于，步骤四中，预测误差损失函数包括生成层误差函数L_G和判别层误差函数L_D；所述生成层误差函数如下：

L_G＝||E·f(P_fake)-E·f(P_labeled)||²

所述判别层误差函数如下：

L_D＝L_unsup+L_sup

L_unsup＝-||E·f(P_fake)-E·f(P_labeled)||²

式中，f(P_fake)和f(P_labeled)表示判别模型中间某层的输出，P_fake为虚拟数据样本，P_labeled带标签的归一化真实负荷数据序列；和分别表示下一时刻电力系统负荷数据的预测值和真实值，L_sup为监督部分误差函数，L_unsup为非监督部分误差函数，E表示期望，||·||²表示2范数的平方。