[发明专利]一种基于特征相关性的电力负荷影响因素加权量纲化处理方法

说明书

本发明设计一种基于特征相关性的电力负荷影响因素加权量纲化处理方法，属于电力负荷预测领域。包括如下步骤：获取电力负荷与相关负荷影响因素历史数据，并对数据分类标记；分别以每种数据类型内的数据为基础对所有数据进行无量纲化处理；计算归一化后各特征数据与负荷输出差值的全局最大值与最小值；计算特征中的每一元素与负荷输出间的相关性数值；本发明在电力负荷预测工作中，避免各种预测模型在应用中只提取无量纲的数据特征进行无物理意义的数值计算的问题。考虑特征相关性并加权量纲化，有助于各种预测模型处理具有虚拟物理意义的数值计算，可以提高电力负荷的预测精度，减少预测波动性。

技术领域

本发明属于电力系统负荷预测技术领域，具体涉及一种基于特征相关性的电力负荷影响因素特征加权量纲化处理方法。

背景技术

人工神经网络模型是目前最常用的电力负荷预测模型之一，不同类型的神经网络可以适应各种负荷特性。其中，常见的有BP神经网络、长短期记忆神经网络与卷积神经网络等。它们各具特点，有的具有强大的非线性处理能力，有的可以提取历史负荷数据的时序特征。但无论哪种神经网络模型，在应用中为了更好的训练模型，都会对模型输入的数据进行归一化处理。归一化是指将输入模型的数据分别将同类数据压缩至区间内，以克服某种影响因素的数据值过大产生的数值优势。这种数值优势会在一定程度上削减数值较小的影响因素对模型输出的贡献度，因此归一化成为了神经网络模型必备的数据处理方法之一。

但归一化方法完全消除了数据的物理意义，使神经网络模型在预测中进行的是没有物理意义的数值计算，造成预测模型对各种影响因素“一视同仁”的情况，并在一定程度上增加了负荷预测的波动性，降低了模型在实际应用中的预测精度。因此，克服影响因素无物理意义的影响成为了本发明的出发点。

发明内容

针对现有技术存在的不足，本发明依据特征相关性强弱在一定程度上放大各类影响因素数据的数值差距，人为引入虚拟物理意义，提供一种基于特征相关性的电力负荷影响因素加权量纲化处理方法。本发明能有效解决预测问题中由数据归一化带来的无物理意义的问题，在数据输入模型前赋予某类影响因素数据的重要程度标签，使电力负荷的预测精度更高，预测波动性更小。

本发明的目的是这样实现的：一种基于特征相关性的电力负荷影响因素加权量纲化处理方法，包括以下步骤：

步骤1：获取电力负荷与相关负荷影响因素历史数据，并对数据分类标记：定义电力负荷影响因素历史数据为D^train，根据不同数据特征，将n类电力负荷影响因素历史数据分别标记为定义电力负荷历史数据为L^train；

其中，均为包含m个历史数据的向量，历史影响因素矩阵D^train表示为：

电力负荷历史数据向量L^train表示为：

步骤2：分别以每种特征类型内的数据为基础，对所有数据进行无量纲化处理；

步骤3：分别计算归一化后各特征数据与负荷输出差值的全局最大值与最小值；

步骤4：计算特征中的每一元素与负荷输出间的相关性数值；

步骤5：以特征类型分类，对每一类特征数据的相关性系数求取平均值，计算每类特征与负荷输出间的相关性数值；

步骤6：将各类归一化后的特征数据分别乘以该特征的相关性权重,完成基于特征相关性的数据加权量纲化处理；

步骤7：将处理好的数据输入神经网络，进行网络训练；训练好模型后，对测试集数据进行加权量纲化处理。

进一步地，所述步骤2中，将所有数据包括历史电力负荷数值归一化至[0,1]内：