[发明专利]基于多模型融合的居民用电负荷预测方法、介质及设备

说明书

本发明涉及一种基于多模型融合的居民用电负荷预测方法、介质及设备，预测方法包括以下步骤：构建多个用于居民用电量预测的预测模型，获取居民用电量数据x_i,i＝1,2,...,t‑1，作为训练集，利用训练集分别训练每个预测模型；各预测模型基于居民用电量数据x_i,i＝1,2,...,t‑1预测获得t时刻的预测用电量，该t时刻具有已知的真实用电量，基于预测用电量和真实用电量计算各预测模型相应的相对误差；基于各预测模型的相对误差计算各预测模型的置信因子；各预测模型基于居民用电量数据x_i,i＝1,2,...,t预测获得t+1时刻的居民用电量预测结果；基于各预测模型的置信因子和居民用电量预测结果进行融合处理，获得t+1时刻的最终预测结果。与现有技术相比，本发明具有适用范围广、预测精度高等优点。

技术领域

本发明涉及居民用电量预测技术领域，尤其是涉及一种基于多模型融合的居民用电负荷预测方法、介质及设备。

背景技术

居民用电量的精准预测对于指导电力潮流的调度和优化有重要的意义。

现存的居民用电预测方法可分为，基于灰度预测的方法，自回归滑动平均模型，人工智能方法，和深度学习模型。其存在如下缺陷：基于灰度预测的方法，是对居民用电量的历史数据进行微分方程建模，从而基于微分方程进行预测，该方法对于异常数据较为敏感。自回归滑动平均模型，是对居民用电量的历史数据和其白噪声进行回归分析，并依据回归模型进行预测，该方法仅能表征数据间的线性关系。人工智能方法，如人工神经网络(单隐层模型)和支持向量机模型，利用居民历史用电量数据进行训练，从而运用训练好的模型进行用电量预测，该方法可以表征数据之间的复杂关系，但是运算量较大。深度学习模型，如循环神经网络和长短期记忆网络方法，和人工神经网络(单隐层模型)用于居民用电量预测的思想一致，都是运用居民用电历史数据，对相应的模型进行训练，而后基于训练好的模型预测居民用电量，相较于人工神经网络和支持向量机，深度学习模型的表征能力更强，但是计算量也相应的更大。人工智能方法和深度学习模型都是黑箱模型，对于预测的居民用电量缺乏可解释性，在安全系数要求高的场景下难以应用。同时，由于居民用电行为的复杂性和随机性，现有预测方法难以胜任不同场景下、不同居民用电量的准确预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用范围广、预测精度高的基于多模型融合的居民用电负荷预测方法、介质及设备。

本发明的目的可以通过以下技术方案来实现：

一种基于多模型融合的居民用电负荷预测方法，包括以下步骤：

构建多个用于居民用电量预测的预测模型，获取居民用电量数据x_i,i＝1,2,...,t-1，作为训练集，利用所述训练集分别训练每个预测模型；

各所述预测模型基于居民用电量数据x_i,i＝1,2,...,t-1预测获得t时刻的预测用电量，该t时刻具有已知的真实用电量，基于所述预测用电量和真实用电量计算各预测模型相应的相对误差re_j(t)，j＝1,2,...,n，n为预测模型总数；

基于各预测模型的所述相对误差计算各预测模型的置信因子α_j(t)；

各所述预测模型基于居民用电量数据x_i,i＝1,2,...,t预测获得t+1时刻的居民用电量预测结果pre_j(t+1)；

基于各预测模型的所述置信因子α_j(t)和居民用电量预测结果pre_j(t+1)进行融合处理，获得t+1时刻的最终预测结果fusion(t+1)。

进一步地，所述预测模型包括灰度预测模型、高斯过程回归模型、长短期记忆网络模型中的多个。