[發明專利]一種智能家電用電日負荷預測方法

在審

• 申請號: 202210916598.3
• 申請日: 2022-08-01
• 公開（公告）號: CN115358453A
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 李艷;鄭英剛;黃昌寶;王海生;余斌
• 申請（專利權）人: 中能瑞通（北京）科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/08;G06K9/62
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種智能家電用電日負荷預測方法，其特征在于，包括以下步驟：

S10、獲取智能家電用電96點歷史負荷數據、氣象數據、日期數據，并進行預處理；

S20、根據季節、日期數據依次對預處理后的歷史負荷數據聚類；

S30、基于聚類結果，采用Pearson相關分析法，定量地找出與智能家電用電日負荷相關性大的氣象因子作為數據樣本輸入預測前置參考數據；

S40、基于預處理后數據中部分數據作為第一訓練數據，構建LSSVM模型進行訓練，采用粒子群PSO算法對LSSVM模型的參數進行優化；

S50、基于預處理后數據中部分數據作為第二訓練數據，采用BP神經網絡對優化后的LSSVM模型進行殘差修正；

S60、根據優化后的LSSVM模型及BP神經網絡模型，對需要預測的智能家電用電日負荷進行預測。

2.根據權利要求1所述的一種智能家電用電日負荷預測方法，其特征在于，所述步驟S10中，智能家電用電96點歷史負荷數據的預處理，包括：

當日負荷曲線的第一個點非正時，用之后的第一個正值點代替；當日負荷曲線的其他點非正時，用該點的前一個正值點代替；

采用相鄰兩點的平均值來修正虛假數據點；所述虛假數據點是指：某一時刻的負荷和其前后負荷值進行比較，如果偏差在預設倍數以外；

對歷史負荷數據采用對數進行歸一化處理，使處理后的負荷在共同的數值特性范圍內。

3.根據權利要求1所述的一種智能家電用電日負荷預測方法，其特征在于，所述步驟S10中，智能家電用電96點歷史負荷數據對應的氣象數據預處理，包括：

對溫度、濕度、風力和降水量的數據序列進行歸一化處理，使處理后的所有數據序列均勻的分散在[0,1]范圍內。

4.根據權利要求1所述的一種智能家電用電日負荷預測方法，其特征在于，所述步驟S20包括：

根據春夏秋冬四個季節對預處理后的歷史負荷數據進行第一次聚類；

再根據日期分別對春秋、夏冬兩類的歷史負荷數據進行第二次聚類，得到工作日、休息日和節假日的類型聚類結果。

5.根據權利要求1所述的一種智能家電用電日負荷預測方法，其特征在于，所述步驟S30中，選取所述歷史負荷數據對應的氣象數據中最高溫度、最低溫度及對應的濕度，作為數據樣本輸入預測前置參考數據。

6.根據權利要求1所述的一種智能家電用電日負荷預測方法，其特征在于，所述步驟S40中，采用粒子群PSO算法對LSSVM模型的參數進行優化，包括：

1)初始化粒子群PSO算法的各種參數，包括：群體規模、學習因子、迭代的最大次數、粒子的初始位置和速度；

2)分別用每個粒子向量所對應的LSSVM模型對學習樣本進行預測，得到各粒子當前位置值的預測誤差，并將其作為各粒子的適應度值；再將各粒子的當前適應度值與該粒子自身的最優適應度值進行比較，如果后者更優，則將該粒子自身的最優適應度值對應的位置，作為該粒子的最優位置；

3)將各粒子的自身最優位置適應度值與群體最優位置的適應度值比較，如果更優，則將該粒子的最優位置作為群體的最優位置；

4)根據計算慣性權值，更新粒子的速度和位置；

5)檢查是否滿足尋優結束條件，若滿足則結束尋優，求出最優解；否則轉至步驟2)，繼續新一輪搜索；所述尋優結束條件為：達到預先設定的最大迭代次數或預設精度。

7.根據權利要求1所述的一種智能家電用電日負荷預測方法，其特征在于，所述步驟S50，包括：

基于預處理后數據中部分數據作為第二訓練數據，將所述第二訓練數據中的最高溫度、最低溫度及對應的濕度作為輸入值；

以所述第二訓練數據的歷史負荷數據實測值與優化后的LSSVM模型預測值之間的偏差作為輸出值；

以所述輸入值、輸出值組建訓練樣本，建立3層前饋行BP神經網絡模型。

8.根據權利要求7所述的一種智能家電用電日負荷預測方法，其特征在于，所述BP神經網絡模型的建立過程，包括：

①神經網絡初始化：給出輸入層和隱含層間的初始權值W_ij、初始閾值b_j，以及隱含層和輸出層間的初始權值W_jk、初始閾值b_m，并設置初始學習速率η、終止誤差e及最大迭代次數λ；

②信號的正向傳遞：隱含層第j個神經元的輸出：

式中，f為隱含層的激勵函數，隱層神經元映射函數采用Sigmoid函數；x_i為第i個輸入節點的輸入值，n為輸入值總數；l為隱含層神經元總數；

輸出層第k個神經元的輸出：

式中，f為輸出層的激勵函數，為Purelin函數；m為輸出層神經元總數；

學習誤差函數：

式中，y_k為樣本的實際輸出；

③誤差反向傳播與權值閾值訓練及更新：從隱含層第j個神經元到輸出層第k個神經元的連接權值有如下更新增量計算公式：

同理可得閾值更新增量：

對輸入層第i個神經元至隱含層第j個神經元之間的連接權值及閾值的更新增量的計算公式：

根據求得的各層神經元連接權值及閾值的變化增量來迭代更新用于下一輪的網絡學習與訓練的神經元連接權值及閾值，t為當前迭代次數，即：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)

w_jk(t+1)＝w_jk(t)+Δw_jk(t)

b_j(t+1)＝b_j(t)+Δb_j(t)

b_k(t+1)＝b_k(t)+Δb_k(t)

④判斷學習是否結束：若誤差小于等于e或迭代次數達到指定值λ，則學習結束并輸出學習樣本的預測值及預測值和實際值之間的相對誤差APE；

反之返回至步驟③繼續訓練；

⑤建立BP神經網絡殘差模型，得出最高氣溫、最低氣溫、濕度和PSO—LSSVM模型預測誤差的映射關系模型，即BP神經網絡殘差模型。