[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

说明书

本发明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。

技术领域

本发明涉及电力负荷预测技术领域，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。

背景技术

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。

发明内容

针对预测方法的不足，本发明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。

本发明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：