[發明專利]一種多模型融合神經網絡的短期負荷預測方法

有效

• 申請號: 201811385455.4
• 申請日: 2018-11-20
• 公開（公告）號: CN109255505B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 許言路;鄧卓夫;武志鍇;朱冰;張建森
• 申請（專利權）人: 國網遼寧省電力有限公司經濟技術研究院;東北大學;沈陽電力勘測設計院有限責任公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 沈陽優普達知識產權代理事務所(特殊普通合伙) 21234
• 代理人: 李曉光

1.一種多模型融合神經網絡的短期負荷預測方法，其特征在于包括以下步驟：

1)數據獲取及預處理，得到數據集；

2)將數據集分割為訓練集和驗證集兩部分：訓練集用來訓練模型，驗證集用來驗證訓練結果；

3)單獨構造基于反向傳播算法的多種模型，使用訓練集的輸入向量序列訓練模型；

多種模型中不同模型分別單獨訓練并記錄預測結果，并滿足：

A被選擇的模型結構基于反向傳播算法；

B被選擇的模型之間具有結構上的差異，具有不同特點；

4)使用多種單獨模型的輸出作為輸入訓練一個頂層DNN模型；

5)將單獨訓練的模型和頂層DNN模型融合，并進行精調；

6)用驗證集驗證訓練好的模型，通過對比測試集和驗證集的精度和誤差，調整模型參數，通過多次訓練，選擇驗證集表現最好的模型作為訓練結果；

7)在實際環境中運行模型，當預測值和實際值出現較大偏差時，將最新數據加入訓練集再次訓練模型。

2.根據權利要求1所述的多模型融合神經網絡的短期負荷預測方法，其特征在于：步驟1)中，數據獲取及預處理為：

101)獲取電力系統負荷數據，同時采集對應的氣候、節假日數據；

102)對上述各類數據進行預處理，包括但不限于：缺失值均值插補、數據標準化、獨熱編碼、時間戳轉換；

103)預處理后的數據依時間先后順序形成輸入向量序列；

104)以任意時刻未來一段時間內的系統負荷作為預測目標。

3.根據權利要求1所述的多模型融合神經網絡的短期負荷預測方法，其特征在于：步驟4)中，頂層DNN模型具有三層結構，包括一層輸入層、一層隱層及一層輸入層，以單獨訓練的三個模型的訓練集輸出為輸入，以訓練集的實際值為回歸目標，進行訓練。

4.根據權利要求1所述的多模型融合神經網絡的短期負荷預測方法，其特征在于：步驟5)中，將單獨訓練的模型和頂層DNN模型融合，并進行精調為：

將已經訓練好的單獨模型并行排列，將各單獨模型的輸出結點作為頂層DNN模型的輸入連接到DNN隱層，縮小融合模型的學習率進行精調。