基于同源异构神经网络的电力负荷概率预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于同源异构神经网络的电力负荷概率预测方法及装置，涉及电力负荷预测技术领域，为了提高预测结果的准确性；该预测的装置包括数据对整理模块、数据对分类模块、模型构造模块、训练模块、修正模块和分析模块；该概率预测方法充分考虑环境因素的影响，使得预测的结果更加准确；由于使用同源异构神经网络进行不断训练、校验和检验，使得的进行预测的模型更加科学，取得的结果更加贴近实际情况；由于对不同模型取得的结果进行统计学分析，使得得到的预测结果更加精确。

Power load probability prediction method and device based on homologous heterogeneous neural network

【技术实现步骤摘要】
基于同源异构神经网络的电力负荷概率预测方法及装置
本专利技术涉及电力负荷预测
，特别涉及基于同源异构模型的电力负荷概率预测方法及装置。
技术介绍
在当前智能电网的快速发展，以及智能电表在用户端的广泛应用，使得获取用户实际的用电负荷数据非常容易，能够方便的获取用户历史用电负荷数据，进而为用户的用电负荷数据进行概率预测提供了方便。现有的电力负荷预测只是简单的基于获取的用户历史用电负荷数据进行概率预测，并不考虑环境因素对用电负荷的影响，而电力预测中，气温不同程度的影响着预测的结果，对电力预测的结果的准确性有较大影响。这就导致使用传统方法对用户用电负荷进行概率预测取得的结果准确性较差。
技术实现思路
针对预测方法的不足，本专利技术的目的是提供一种基于同源异构神经网络的电力负荷概率预测方法，将环境因素带入预测方法中进行电力负荷进行概率预测，得到概率预测的结果，提高概率预测的结果的准确性。本专利技术的技术方案一种同源异构的电力负荷概率预测的方法，该方法包括以下步骤：获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对；将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集；构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数；将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正；基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果；将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。可选的，该预测方法还包括：将被预测的时间段实际发生的电力负荷值和该时间段内的环境因素组成后验数据对，将后验数据对输入模型进行运行，得到后验数据对结果，根据得到的后验数据对结果，进一步改进模型。可选的，多种所述模型的所述神经网络是基于卷积神经网络构造的。可选的，所述环境因素包括温度数值，多种所述模型的表达公式如下：fi(Tt)＝β5Tt+β6Tt2+β7Tt3+β8TtMt+β9Tt2Mt+β10Tt3Mt+β11TtHt+β12Tt2Ht+β13Tt3Ht+βiTtiHt公式中，代表需要预测的t时刻的用电负荷预测的数值；βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况；Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。可选的，获取历史用电负荷数据后，需要对获取的历史用电负荷数据进行预处理，所述预处理方法包括以下任意一种以及他们的组合：剔除冗余数据、噪声；把缺失的数据做数据补充。可选的，将取得的初步预测结果做统计学分析是将取得的初步预测结果做正态分布处理，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。可选的，所述正态分布处理方法是对多种初步预测结果构成的预测结果集合计算平均值和方差，计算平均值和方差的公式表达如下：其中，代表预测结果集合的平均值，是把预测结果集求平均值的数据；代表方差。本专利技术的有益效果：由于在进行概率预测的过程中考虑了当地的环境因素，使得预测的结果更加准确；由于使用同源异构神经网络进行不断训练、校验和检验，使得的进行预测的模型更加科学，取得的结果更加贴近实际情况；由于对不同模型取得的结果进行统计学分析，使得得到的预测结果更加精确。附图说明图1为本专利技术实施方式基于同源异构神经网络的电力负荷概率预测方法流程图；图2为本专利技术实施方式基于同源异构神经网络的电力负荷概率预测装置的模块图。具体实施方式下面结合附图对本专利技术实施方式结合实例作进一步详细的说明。但是应当指出，本专利技术的实施方式及实施案例是为了解释目的的优选方案，并不是对本专利技术的限制。本实施方式中采用的基于同源异构神经网络的电力负荷概率预测方法,如图1所示，该方法包括以下步骤：S1获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对。举例来说，每组数据对可以包含历史电负荷数据和环境因素两种相互配对的数据。后续使用时将数据对作为一个组合共同使用。举例来说，所述环境因素包括温度数值、湿度以及天气状况。一种实施方式中，获取历史用电负荷数据后，可以对获取的历史用电负荷数据进行预处理，这样，可以提高数据对中数据的准确性，消除离群数据的干扰。举例来说，所述预处理方法包括以下任意一种以及他们的组合：1、剔除冗余数据、噪声。2、将缺失的数据做数据补充。一种实施方式中，在预处理后的数据对中，可以设定未来任何一个时刻用电负荷作为预测的目标值。S2将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集。S3构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数。举例来说，多种所述模型的所述神经网络可以是基于卷积神经网络构造的。一种情况下，选定模型核心的公式如下：f(Tt)＝β5Tt+β6Tt2+β7Tt3+β8TtMt+β9Tt2Mt+β10Tt3Mt+β11TtHt+β12Tt2Ht+β13Tt3Ht公式中，代表需要预测的t时刻的用电负荷预测的数值。βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况。Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。本专利技术采用的模型核心都是基于前述两个公式的结构，通过调节参数以及选取的层数来调节模型。一种情况下，多种模型的表达公式如下：fi(Tt)＝β5Tt+β6Tt2+β7Tt3+β8TtMt+β9Tt2Mt+β10Tt3Mt+β11TtHt+β12Tt2Ht+β13Tt3Ht+βiTtiHt公式中，代表需要预测的t时刻的用电负荷预测的数值；βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况；Tt代表t时刻的气温，f(Tt)代表这个t时刻，气温的影响因子。我们可以动态设置模型个数i，根据i的情况进行预测不同的结果，即βi参数不同，会产生不同的预测模型。这样就应了本专利技术提出的同源异构的模型。S4将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正。S5基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果。S6将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结本文档来自技高网...

【技术保护点】
1.一种同源异构的电力负荷概率预测的方法，其特征在于：该方法包括以下步骤：/n获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对；/n将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集；/n构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数；/n将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正；/n基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果；/n将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。/n

【技术特征摘要】
1.一种同源异构的电力负荷概率预测的方法，其特征在于：该方法包括以下步骤：
获取历史用电负荷数据以及与历史电负荷数据对应时间段内的环境因素，将获得的历史电负荷数据与对应时间段内的环境因素相互配对，获得若干组数据对；
将数据对按照不同的组分占比分为三大类，分别为训练集、校验集以及测试集；
构造基于神经网络的多种模型，各个模型采用不同的网络结构以及不同的参数；
将训练集的数据对输入上述步骤构造的多种模型对模型进行训练，然后将校验集的数据对输入经过训练的模型进行验证，通过验证的数据对对模型进行修正；
基于经过修正后的多种网络模型对于输入测试集的数据对作训练，得到多种初步预测结果；
将取得的初步预测结果做统计学分析，计算出平均的值以及方差，根据得到的平均的值以及方差得到电力负荷值的预期结果和预期结果出现的概率。


2.根据权利要求书1所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，该预测方法还包括：将被预测的时间段实际发生的电力负荷值和该时间段内的环境因素组成后验数据对，将后验数据对输入模型进行运行，得到后验数据对结果，根据得到的后验数据对结果，进一步改进模型。


3.根据权利要求书1所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，多种所述模型的所述神经网络是基于卷积神经网络构造的。


4.根据权利要求书3所述的基于同源异构神经网络的电力负荷概率预测方法，其特征在于，所述环境因素包括温度数值，多种所述模型的表达公式如下：



fi(Tt)＝β5Tt+β6Tt2+β7Tt3+β8TtMt+β9Tt2Mt+β10Tt3Mt+β11TtHt+β12Tt2Ht+β13Tt3Ht+βiTtiHt
公式中，代表需要预测的t时刻的用电负荷预测的数值；βi是参数，Mt,Wt和Ht分别代表着月份、星期、小时在t时刻的用电情况；Tt代表t时刻的气温，f(Tt)代表这...

【专利技术属性】
技术研发人员：唐新忠，李天杰，赵大明，刘兰方，于志远，李雨，高立忠，冷曼，徐婷，李爽，
申请(专利权)人：北京国电通网络技术有限公司，国网江西省电力有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京;11