[发明专利]一种基于人工智能的电网负荷预测方法

权利要求书

1.一种基于人工智能的电网负荷预测方法，其特征在于：包括以下步骤：

S1、构建电网负荷的影响因素集，从历史数据中获取各影响因素集中的影响因素数据与负荷数据；

S2、计算影响因素集对应影响因素与电网负荷的关联度，并基于关联度筛选出目标影响因素；

S3、根据目标影响因素对历史数据中的负荷数据进行聚类，并训练得到各目标影响因素对应的负荷预测神经网络模型；

S4、获取目标日对应的影响因素数据，将影响因素数据输入对应的负荷预测神经网络模型中，得到目标日的第一负荷预测结果；

S5、在不同周期下对历史数据中的负荷数据进行相关性分析，基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列；

S6、对负荷预测序列进行波动分解，基于波动分解结果生成预测特征序列，利用预测特征序列得到目标日的第二负荷预测结果；

S7、对基于影响因素得到的第一负荷预测结果、基于时间周期得到的第二负荷预测结果进行综合评判，得到最终负荷预测结果。

2.根据权利要求1所述的基于人工智能的电网负荷预测方法，其特征在于：S2中计算影响因素集对应影响因素与电网负荷的关联度，包括：

将各影响因素集中的影响因素数据作为比较序列，将各影响因素数据对应的负荷数据作为参考序列，基于灰色关联分析确定各影响因素与电网负荷的关联度。

3.根据权利要求2所述的基于人工智能的电网负荷预测方法，其特征在于：S2中基于关联度筛选出目标影响因素，包括：

筛选出与电网负荷的关联度大于预设关联度阈值的影响因素作为目标影响因素。

4.根据权利要求1所述的基于人工智能的电网负荷预测方法，其特征在于：S3中根据目标影响因素对历史数据中的负荷数据进行聚类，并训练得到各目标影响因素对应的负荷预测神经网络模型，包括：

对相同类型的目标影响因素数据与对应的负荷数据进行聚类，得到聚类数据集，并将聚类数据集划分为训练集和测试集；

基于训练集训练得到初始神经网络模型，并利用测试集对初始神经网络模型进行测试；

若初始神经网络模型的预测精度没有达到预设精度阈值时，将测试集中的部分数据转移至训练集，并再次进行模型训练，直至得到符合预测精度要求的负荷预测神经网络模型。

5.根据权利要求1所述的基于人工智能的电网负荷预测方法，其特征在于：S4中获取目标日对应的影响因素数据，将影响因素数据输入对应的负荷预测神经网络模型中，包括：

将目标日对应的影响因素数据作为比较序列，将各目标影响因素中的目标影响因素数据作为参考序列，基于灰色关联分析确定影响因素数据对应的目标影响因素，并将影响因素数据输入对应的负荷预测神经网络模型中。

6.根据权利要求5所述的基于人工智能的电网负荷预测方法，其特征在于：S4中得到目标日的第一负荷预测结果，包括：

根据各负荷预测神经网络模型得到的预测结果，确定目标日的第一负荷预测结果。

7.根据权利要求1所述的基于人工智能的电网负荷预测方法，其特征在于：S5中在不同周期下对历史数据中的负荷数据进行相关性分析，包括：

通过去趋势互相关法对历史数据中的负荷数据进行相关性分析，得到负荷数据在相邻周期内的趋势相关性和去趋势相关性。

8.根据权利要求7所述的基于人工智能的电网负荷预测方法，其特征在于：所述通过去趋势互相关法对历史数据中的负荷数据进行相关性分析，得到负荷数据在相邻周期内的趋势相关性和去趋势相关性，包括：

获取负荷数据在每个周期下的数据序列，并对数据序列进行顺序累加得到累加序列；

对累加序列划分窗口，拟合出每个窗口的局部趋势；

将窗口内的累加序列与局部趋势相减得到残差序列，根据残差序列和局部趋势计算趋势相关性和去趋势相关性。

9.根据权利要求7所述的基于人工智能的电网负荷预测方法，其特征在于：S5中基于相关性分析结果利用电网负荷神经网络模型获取目标日在不同周期下的负荷预测序列，包括：

在各周期下，利用对应的趋势相关性和去趋势相关性得到互相关特征向量，同时利用负荷数据得到负荷特征向量；

对互相关特征向量、负荷特征向量进行融合，利用全连接网络得到各周期下的负荷预测序列。