[發明專利]基于卷積神經網絡的電力企業發電量的預測方法及裝置

在審

• 申請號: 202011363422.7
• 申請日: 2020-11-27
• 公開（公告）號: CN112508734A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 趙健;朱炯;徐祥海;樊立波;孫智卿;方響;李粱;王億;彭雙武;徐漪;來益博;蔣建;李日超
• 申請（專利權）人: 國網浙江省電力有限公司杭州供電公司;浙江華云信息科技有限公司;上海電力大學;國網浙江省電力有限公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/04;G06N3/04
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

1.基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述預測方法包括：

通過電力傳感器獲取電力企業的歷史售電數據與歷史負荷，基于獲取到的數據建立訓練集，

基于電力企業的歷史企業收益數據建立測試集；

將訓練集輸入預設的卷積神經網絡，得到卷積神經網絡的訓練結果，基于訓練結果和測試集，對卷積神經網絡進行訓練；

將本年度的預期售電數據輸入訓練后的卷積神經網絡，通過卷積神經網絡確定預期負荷，基于預期負荷確定本年度的發電量。

2.根據權利要求1所述的基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述通過電力傳感器獲取電力企業的歷史售電數據與歷史負荷，基于獲取到的數據建立訓練集，包括：

通過電力傳感器獲取電力企業的歷史售電數據與歷史負荷，所述歷史售電數據包括電力企業在預設的單位時間內的歷史售電量，所述歷史負荷包括日間負荷密度和夜間負荷密度；

根據歷史售電量計算單位時間內的售電量增長率；

將售電量增長率、歷史售電數據與歷史負荷作為訓練數據，添加到訓練集中。

3.根據權利要求1所述的基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述基于電力企業的歷史企業收益數據建立測試集，包括：

獲取預先存儲的電力企業的歷史企業收益數據，所述歷史企業收益數據包括電力企業在預設的單位時間內的電費增長率以及發電量；

獲取在預設的單位時間內的國內生產總值與國內生產總值增長率；

計算電費增長率與國內生產總值增長率的比值，得到電力企業的電力消費彈性系數；

計算發電量與國內生產總值的比值，得到電力企業的度電產值；

將電力消費彈性系數與度電產值作為測試數據，添加到測試集中。

4.根據權利要求1所述的基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述將訓練集輸入預設的卷積神經網絡，得到卷積神經網絡的訓練結果，包括：

將訓練集中的訓練數據輸入卷積神經網絡；

通過卷積神經網絡的卷積層對輸入的訓練數據進行特征提取，輸出特征圖；

通過卷積神經網絡的池化層對特征圖進行降維處理，得到降維處理后的訓練矩陣；

將訓練矩陣輸入預設的分類器，通過分類器輸出訓練結果。

5.根據權利要求1所述的基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述基于訓練結果和測試集，對卷積神經網絡進行訓練，包括：

計算測試集中的數據的平均值；

計算卷積神經網絡的訓練結果相對于計算得到的平均值的誤差，若誤差不超過預設閾值，則結束對卷積神經網絡的訓練。

6.根據權利要求5所述的基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述計算卷積神經網絡的訓練結果相對于計算得到的平均值的誤差，包括：

基于公式一計算卷積神經網絡的訓練結果f(x)與計算得到的平均值y之間的誤差L，所述公式一為：

L＝(y-f(x))² 公式一；

其中，x為輸入卷積神經網絡的數據，x、y、f(x)的取值范圍均為正數。

7.根據權利要求1所述的基于卷積神經網絡的電力企業發電量的預測方法，其特征在于，所述對卷積神經網絡進行訓練還包括對卷積神經網絡進行優化的過程，所述優化的過程包括：

基于梯度下降算法調整卷積神經網絡中的各個參數，所述梯度下降算法包括公式：

其中，θ_j'為優化后的參數，θ_j為優化前的參數，j為參數的標號，α為預設的學習率，L(θ_j)為預設參數θ_j的目標函數；θ_j'、θ_j、α的取值范圍為實數，j的取值范圍為正整數。