[发明专利]基于同源异构神经网络的电力负荷概率预测方法及装置

权利要求书

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：

f_i(T_t)＝β₅T_t+β₆T_t²+β₇T_t³+β₈T_tM_t+β₉T_t²M_t+β₁₀T_t³M_t+β₁₁T_tH_t+β₁₂T_t²H_t+β₁₃T_t³H_t+β_iT_tⁱH_t

公式中，代表需要预测的t时刻的用电负荷预测的数值；β_i是参数，M_t,W_t和H_t分别代表着月份、星期、小时在t时刻的用电情况；T_t代表t时刻的气温，f(T_t)代表这个t时刻，气温的影响因子。

5.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，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。

6.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，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。

7.根据权利要求书6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：

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。

8.一种同源异构的电力负荷概率预测的装置，其特征在于：该装置包括以下模块：

数据对整理模块：将获取的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相互配对，获得若干组数据对；

数据对分类模块：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；

模型构造模块：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；

训练模块：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；

修正模块：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；

分析模块：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。