[发明专利]一种基于多种影响因素的极限学习机月度电量预测方法

说明书

本发明公开了一种基于多种影响因素的极限学习机月度电量预测方法，包括以下步骤：收集近4‑6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；获得季度电量；将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本；设置极限学习机预测模型的参数，隐含层节点数设置为3‑13，输出维数设置为1，激励函数设置为sig函数；将训练样本和测试样本输入极限学习机预测模型，对极限学习机预测模型进行训练，获得月度预测电量；本发明预测方法进行了用电特性分析，深度挖掘历史数据，引入多种影响因素至预测模型，提高预测精度。

技术领域

本发明属于电量预测技术领域，具体涉及一种基于多种影响因素的极限学习机月度电量预测方法。

背景技术

随着全球能源互联网、泛在电力物联网建设的发展，电力规划、智能调度对电量预测的精度提出了更高的要求。同时，厂网分开、售电放开等电力体制改革使精确的电量预测成为电力企业经济效益的保证。月度电量预测的准确性对供电企业和售电企业合理配置电力资源，制定销售计划，减少电力公司因偏差考核产生的费用具有重要意义。

目前，电量预测的方法主要有传统预测方法：时间序列法、回归分析法等以及新型预测方法：神经网络法、支持向量机、极限学习机、遗传算法等。当前对于电量预测的研究，大多致力于研究预测算法的复杂性，忽略了用电负荷的用电特性的差异，从而也没有深入研究用户用电特性的主导影响因素，没有从特性本质上深度挖掘历史数据。

为了提高电力系统月度电量预测精度，需要从用电特性的本质上挖掘历史数据，综合考虑多种影响因素，搭建基于多种影响因素的极限学习机预测模型，从而提高月度电量预测精度。

发明内容

本发明的目的是提供一种基于多种影响因素的极限学习机月度电量预测方法，从用电特性本质出发，进行用电特性分析，引入季度GDP、最高气温和最低气温进行市用电量自适应预测，预测精度高。

本发明所采用的技术方案是，一种基于多种影响因素的极限学习机月度电量预测方法，具体按照以下步骤实施：

步骤1、收集近4-6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；

步骤2、通过月度电量数据获得季度电量；

步骤3、将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本，并进行数据归一化处理；

步骤4、设置极限学习机预测模型的参数，隐含层节点数设置为3-13，输出维数设置为1，激励函数设置为sig函数；

步骤5、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练，向训练后的极限学习机预测模型输入测试样本，得到优化的极限学习机预测模型；

步骤6、通过优化的极限学习机预测模型预测月度电量。

训练样本包括训练样本输入、训练样本输出，测试样本包括预测样本输入、预测样本输出。

步骤3具体过程为：

假设收集的是近n年的数据，其中n＝4-6；

选取第1年至第n-2年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为训练样本的输入，第n-1年的季度电量作为训练样本输出，第2年至第n-1年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为预测样本的输入，第n年的季度电量作为预测样本输出；将训练样本和测试样本进行数据归一化处理。

步骤5具体过程为：

步骤5.1、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练；

步骤5.2、将测试样本输入极限学习机预测模型，预测最近一年季度电量；