[发明专利]一种电供暖负荷预测方法、系统、设备和介质

权利要求书

1.一种电供暖负荷预测方法，其特征在于，包括：

获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；

将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；

其中，所述灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。

2.如权利要求1所述的方法，其特征在于，所述灰色径向基函数神经网络组合预测模型的构建，包括：

获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；

以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；

以所述历史时段内的居民用电影响因素数据为输入，以所述历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；

分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据所述方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；

以所述灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。

3.如权利要求2所述的方法，其特征在于，所述分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：

基于所述历史时段内用户的电供暖负荷数据，采用所述灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；

基于所述历史时段内的居民用电影响因素数据，采用所述负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。

4.如权利要求2所述的方法，其特征在于，所述灰色预测模型的权系数的计算式如下：

式中，为灰色预测模型的权系数，为灰色预测模型的方差，为负荷径向基函数神经网络的方差；

所述负荷径向基函数神经网络的权系数的计算式如下：

式中，为负荷径向基函数神经网络的权系数。

5.如权利要求2所述的方法，其特征在于，所述以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：

以所述历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；

求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；

将所述离散响应函数映射到神经网络中，并以所述历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对所述神经网络进行训练，提取完成训练的所述神经网络中的方程系数，得到白化方程；

基于所述历史时段内用户的电供暖负荷数据，采用所述白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算所述白化预测数据与对应未来时刻的电供暖负荷数据间的残差；

根据所述残差判断所述白化方程是否达到预设精度要求：若是，则将所述白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对所述白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；

其中，所述残差径向基函数神经网络是以历史时段内采用所述白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。

6.如权利要求5所述的方法，其特征在于，所述采用残差径向基函数神经网络对所述白化方程进行残差修正，包括：

将采用所述白化方程预测得到的白化预测数据输入残差径向基函数神经网络，得到残差预测值；

将所述残差预测值加上白化预测数据得到新的白化预测数据；

将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修正后的白化方程。