[發明專利]一種基于多種影響因素的極限學習機月度電量預測方法

在審

• 申請號: 202010038771.5
• 申請日: 2020-01-14
• 公開（公告）號: CN111275247A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 呼夢穎;段建東;侯澤權;侯佩佳;付超遠
• 申請（專利權）人: 西安理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 張皎

本發明公開了一種基于多種影響因素的極限學習機月度電量預測方法，包括以下步驟：收集近4?6年的市月度電量數據、季度GDP數據、季度平均最高氣溫和季度平均最低氣溫數據；獲得季度電量；將季度電量、季度GDP、季度平均最高氣溫、季度平均最低氣溫數據劃分為訓練樣本和測試樣本；設置極限學習機預測模型的參數，隱含層節點數設置為3?13，輸出維數設置為1，激勵函數設置為sig函數；將訓練樣本和測試樣本輸入極限學習機預測模型，對極限學習機預測模型進行訓練，獲得月度預測電量；本發明預測方法進行了用電特性分析，深度挖掘歷史數據，引入多種影響因素至預測模型，提高預測精度。

技術領域

本發明屬于電量預測技術領域，具體涉及一種基于多種影響因素的極限學習機月度電量預測方法。

背景技術

隨著全球能源互聯網、泛在電力物聯網建設的發展，電力規劃、智能調度對電量預測的精度提出了更高的要求。同時，廠網分開、售電放開等電力體制改革使精確的電量預測成為電力企業經濟效益的保證。月度電量預測的準確性對供電企業和售電企業合理配置電力資源，制定銷售計劃，減少電力公司因偏差考核產生的費用具有重要意義。

目前，電量預測的方法主要有傳統預測方法：時間序列法、回歸分析法等以及新型預測方法：神經網絡法、支持向量機、極限學習機、遺傳算法等。當前對于電量預測的研究，大多致力于研究預測算法的復雜性，忽略了用電負荷的用電特性的差異，從而也沒有深入研究用戶用電特性的主導影響因素，沒有從特性本質上深度挖掘歷史數據。

為了提高電力系統月度電量預測精度，需要從用電特性的本質上挖掘歷史數據，綜合考慮多種影響因素，搭建基于多種影響因素的極限學習機預測模型，從而提高月度電量預測精度。

發明內容

本發明的目的是提供一種基于多種影響因素的極限學習機月度電量預測方法，從用電特性本質出發，進行用電特性分析，引入季度GDP、最高氣溫和最低氣溫進行市用電量自適應預測，預測精度高。

本發明所采用的技術方案是，一種基于多種影響因素的極限學習機月度電量預測方法，具體按照以下步驟實施：

步驟1、收集近4-6年的市月度電量數據、季度GDP數據、季度平均最高氣溫和季度平均最低氣溫數據；

步驟2、通過月度電量數據獲得季度電量；

步驟3、將季度電量、季度GDP、季度平均最高氣溫、季度平均最低氣溫數據劃分為訓練樣本和測試樣本，并進行數據歸一化處理；

步驟4、設置極限學習機預測模型的參數，隱含層節點數設置為3-13，輸出維數設置為1，激勵函數設置為sig函數；

步驟5、將訓練樣本輸入極限學習機預測模型，對極限學習機預測模型進行訓練，向訓練后的極限學習機預測模型輸入測試樣本，得到優化的極限學習機預測模型；

步驟6、通過優化的極限學習機預測模型預測月度電量。

訓練樣本包括訓練樣本輸入、訓練樣本輸出，測試樣本包括預測樣本輸入、預測樣本輸出。

步驟3具體過程為：

假設收集的是近n年的數據，其中n＝4-6；

選取第1年至第n-2年的季度電量、季度GDP、季度平均最高氣溫和季度平均最低氣溫數據作為訓練樣本的輸入，第n-1年的季度電量作為訓練樣本輸出，第2年至第n-1年的季度電量、季度GDP、季度平均最高氣溫和季度平均最低氣溫數據作為預測樣本的輸入，第n年的季度電量作為預測樣本輸出；將訓練樣本和測試樣本進行數據歸一化處理。

步驟5具體過程為：

步驟5.1、將訓練樣本輸入極限學習機預測模型，對極限學習機預測模型進行訓練；

步驟5.2、將測試樣本輸入極限學習機預測模型，預測最近一年季度電量；