基于特征工程和多路深度学习的电力负荷预测方法与流程

技术特征：
1.一种基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：包括如下步骤：s1.采集电力负荷数据以及气温数据；s2.设置目标特征，并依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；s3.基于目标特征对数据集进行切分，得到n个数据子集；s4.将n个数据子集分别作为n个径向基函数网络的输入，对网络进行训练，得到n个训练后的径向基函数网络；其中，所述n个数据子集与n个径向基函数网络一一对应；s5.采集测试数据；所述测试数据包括电力负荷数据以及气温数据；s6.从n个已训练的径向基函数网络中选取k个径向基函数网络，并将测试数据分别输入到k个径向基函数网络，输出k个电力负荷预测结果，将k个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。2.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：所述目标特征包括η小时负荷量、ε点时间戳、星期、节假日、气温、φ天负荷平均值以及γ天负荷标准差。3.根据权利要求2所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤s2中，依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集，具体包括：s21.若η小时负荷量存在数据缺失，则将缺失数据的前后两点数据的加权平均值作为所述缺失数据；s22.对η小时负荷量按照时间先后顺序排列形成负荷量序列e：其中，为第m天的第i个时间戳的负荷量；m为采集的总天数；s23.对ε点时间戳进行独热编码形成时间戳编码向量序列t：其中，为第m天的第i个时间戳的时间戳编码向量，所述s24.对星期进行独热编码形成星期编码向量序列b：其中，为第n个星期周i的星期编码向量，所述s25.对节假日进行独热编码形成节假日编码向量序列u：u＝{u1,u2}；其中，u1,u2分别为是节假日和非节假日的编码向量，所述u1＝[0,1]
t
,u2＝[1,0]
t
；s26.对气温数据按照时间顺序排列形成气温序列v：v＝{v1,v2,
…
,v
m
,
…
}；其中，v
m
为第m天的气温数据；s27.计算目标天的前φ天负荷量的平均值，形成φ天负荷平均值序列ae：
ae＝[ae1,ae2,
…
,ae
m
,
…
,ae
m
]；其中，ae
m
为第m天的前φ天负荷量的平均值，所述s28.计算目标天的前γ天负荷量的标准差，形成γ天负荷标准差序列
△
e：
△
e＝[
△
e1,
△
e2,
…
,
△
e
m
,
…
,
△
e
m
]；其中，
△
e
m
为第m天前γ天负荷量的标准差，所述s29.分别对负荷量序列e、φ天负荷平均值序列ae和γ天负荷标准差序列
△
e进行归一化处理，得到如下表达式：化处理，得到如下表达式：化处理，得到如下表达式：其中，μ
e
,β
e
分别为负荷量序列e中所有m天数据的均值和方差；μ
ae
,β
ae
分别为φ天负荷平均值序列ae中所有m天数据的均值和方差；μ
△
e
,β
△
e
分别为γ天负荷标准差序列
△
e中所有m天数据的均值和方差；s210.生成如下形式的数据集x：x＝{x1,x2,
…
,x
m
,
…
,x
m
}；其中，x
m
为数据集x的第m个数据向量；所述为数据集x的第m个数据向量；所述为数据向量x
m
的第i个数据项，i为数据向量x
m
的维度。4.根据权利要求3所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤s21中，对于数据起点或数据终点的缺失数据，用所述缺失数据最近的数据作为所述缺失数据。5.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：所述步骤s3，具体包括：s31.统计目标特征，得到目标特征序列(λ1,λ2,
…
,λ
i
…
,λ
l
)；其中，λ
i
为第i个目标特征，l为目标特征个数；s32.从目标特征序列中选取特征λ1，计算数据集中所有数据向量关于特征λ1的中位数以中位数作为切分点对数据集进行切分，得到两个数据子集r1,r2；s33.从目标特征序列中选取特征λ2，分别计算两个数据子集r1,r2所有数据向量关于特征λ2的中位数以中位数作为切分点对数据子集r1进行切分，得到两个数据子集r
11
,r
12
，以中位数作为切分点对数据子集r2进行切分，得到两个数据子集r
21
,r
22
；s34.按照步骤s33类推，依次从目标特征序列中选取特征λ
i
，分别计算上一步若干数据子集所有数据向量关于特征λ
i
的中位数，以数据子集对应的中位数作为所述数据子集的切
分点对所述数据子集进行切分，最终切分获得的数据子集的数量为2
l
个。6.根据权利要求5所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：还包括步骤：s35.从相邻数据子集中选择位于分界面边缘的数据与原数据子集共同构成扩展数据子集s36.按照步骤s35类推，对所有相邻数据子集进行扩展处理，得到扩展数据子集的集合其中，所述n＝2
l
。7.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤s4中，根据如下步骤训练径向基函数网络：s41.确定径向基函数神经元的核函数θ
h
(x)：其中，c
h
,σ
h
分别为第h个径向基函数神经元的核函数中心和核函数宽度，所述c
h
＝[c
h,1
,
…
,c
h,i
]
t
，||
·
||表示执行欧几里得范数运算；s42.确定径向基函数网络的输出：其中，w
h
为第h个径向基函数神经元的权值，w0为隐含层的偏置；s43.计算径向基函数网络的输出与期望输出之间的误差e
p
：其中，为第p个训练数据向量的期望输出；为第p个训练数据向量；i为径向基函数网络输入层中输入节点的个数，与数据向量的维度相同；s44.利用训练数据集调整径向基函数神经元的权值、核函数中心以及核函数宽度，使得径向基函数网络的输出与期望输出之间的误差达到阈值范围，并将误差达到阈值范围时设置的权值、核函数中心以及核函数宽度作为径向基函数神经元的设定参数，完成径向基函数网络的训练。8.根据权利要求7所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：步骤s44中，根据如下步骤调整径向基函数神经元的权值、核函数中心以及核函数宽度：s441.将径向基函数网络中h个径向基函数神经元的权值向量w＝[w0,w1,
…
,w
h
]、核函数中心c＝[c1,
…
,c
h
,
…
,c
h
]和核函数宽度σ＝[σ1,
…
,σ
h
,
…
,σ
h
]构成行向量j
p
：
其中，h＝1,2,
…
,h；i＝1,2,
…
,i，s442.确定h个径向基函数神经元的权值向量w、核函数中心c和核函数宽度σ的调整规则：δ
p 1
＝δ
p
‑
(q
p
μ
p
i)
‑1g
p
；其中，μ
p
为组合系数；9.根据权利要求1所述的基于特征工程和多路深度学习的电力负荷预测方法，其特征在于：根据如下公式从n个径向基函数网络中选取k个径向基函数网络：其中，δ
k
为k个径向基函数网络的集合；s
n
为第n个数据子集；s为数据子集的集合；x
k
为第k个数据向量；为测试数据向量；x
p
为训练数据向量；为与x
p
之间最小的欧氏距离。

技术总结
本发明公开了一种基于特征工程和多路深度学习的电力负荷预测方法，包括步骤：S1.采集电力负荷数据以及气温数据；S2.依据目标特征对电力负荷数据以及气温数据进行处理，生成数据集；S3.对数据集进行切分得到N个数据子集；S4.将N个数据子集分别输入到N个径向基函数网络，进行训练，得到N个训练后的径向基函数网络；S5.采集测试数据；S6.从N个已训练的径向基函数网络中选取K个径向基函数网络，并将测试数据分别输入到K个径向基函数网络，输出K个电力负荷预测结果，将K个电力负荷预测结果的求和平均值作为最终的电力负荷预测结果。本发明能够减少神经网络中隐含层神经元的数量，学习效率高，泛化能力强，预测效果好。预测效果好。预测效果好。


技术研发人员：谢祿江 蒋荣 皮羽茜 吴维农 段立 卓灵 李柯沂 刘玮洁 邓灵莉 何轶 甘嵩 林秋平 赵聆汐
受保护的技术使用者：国网重庆市电力公司信息通信分公司
技术研发日：2021.08.30
技术公布日：2021/11/16