一种基于人工智能的电网负荷预测方法与流程

技术特征：
1.一种基于人工智能的电网负荷预测方法，其特征在于，包括如下步骤：(s1)获取自然单位的历史电力负荷数据，记录历史电力负荷峰值对应自然单位的时间区段；(s2)将用电负荷峰值、用电负荷峰值时间区段及对应的气象环境数据相关联；(s3)选择初始训练模型基于机器学习对关联的数据组进行训练；(s4)根据数据训练获得的数据模型，建立电力负荷预测模型；(s5)将气象环境预测数据输入电力负荷预测模型，获得电网负荷预测结果。2.根据权利要求1所述的一种基于人工智能的电网负荷预测方法，其特征在于，在所述步骤(s1)中，所述自然单位为一个自然月或一个自然日。3.根据权利要求2所述的一种基于人工智能的电网负荷预测方法，其特征在于，在所述步骤(s2)中，数据关联的具体方法包括如下步骤：(s21)对自然单位中的电力负荷峰值数据进行预处理，得到所述电力负荷映射数据；(s22)确定所述电力负荷映射数据与所述气象环境数据的分布特征；(s23)预设电力负荷映射数据与气象环境数据关系系数，设定关联标准差；(s24)选择满足关联标准差的数据组作为初始训练模型的训练集。4.根据权利要求3所述的一种基于人工智能的电网负荷预测方法，其特征在于，在所述步骤(s3)中，关联后的数据组的训练方法包括如下步骤：(s31)初始训练模型接收待训练数据组；(s32)联合数据组中的待训练数据，确定每个数据组在不同影响因子下的关联特征值；其中，所述关联特征值为对异常数据与正常数据进行区分的特征；(s33)根据所述关联特征值，构建得到影响因子相关性数据模型。5.根据权利要求4所述的一种基于人工智能的电网负荷预测方法，其特征在于，所述关联特征值包括关联特征维度和关联特征系数；联合各个数据组的待训练数据，确定所述待训练数据在不同影响因子下的关联特征值，包括：根据所述待训练数据在不同影响因子下的关联特征值的特征维度，确定不同影响因子下的关联特征系数；将不同影响因子下的数据组的关联特征维度下发给初始训练模型，所述初始训练模型基于不同影响因子下的数据组的关联特征系数；确定所述待训练数据在不同影响因子下的关联特征系数；接收初始训练模型上报的不同影响因子下的关联特征系数，并根据不同影响因子下的关联特征系数确定每个数据组的关联特征值。6.根据权利要求5所述的一种基于人工智能的电网负荷预测方法，其特征在于，建立所述电力负荷预测模型的步骤如下：(s41)确定预测模型的拓扑结构，其中，所述拓扑结构包括：输入层，变换层，输出层；(s42)在输入层输入关联数据组，利用傅里叶系数分解方法对电力负荷数据进行奇异值的剥离及插值估算；(s43)在变换层利用卡洛变换对分解后数据及数据训练获得的数据模型进行归一化、随机化；
(s44)通过输出层输出得到的预测模型。

技术总结
本发明公开了一种基于人工智能的电网负荷预测方法，主要解决现有电网负荷预测方法预测算法复杂、预测结果不准确的问题。该预测方法通过获取历史电力负荷数据，确定历史电力负荷峰值时间区段，并对历史电力负荷峰值数据进行预处理，得到处理后的电力负荷峰值数据的映射数据与气象环境数据的分布特征，同时通过数据预处理，最终确定初始训练模型的训练集。通过对训练集的数据组训练获得数据模型，建立电力负荷预测模型。从而可通过输入预测的气象环境数据对相应时间区段的电力负荷进行预测，无需进行拟合计算，同时也有效避免了现有技术中存在的过拟合现象，也避免了过拟合现象对模型精度的影响，有利于实现对未来的电力负荷的精确预测。确预测。确预测。


技术研发人员：张书波
受保护的技术使用者：重庆科创职业学院
技术研发日：2021.12.10
技术公布日：2022/3/4