【CN110110915A】一种基于CNNSVR模型的负荷集成预测方法【专利】

(12)发明专利申请

(10)申请公布号 CN 110110915 A(43)申请公布日 2019.08.09

(21)申请号 201910350144.2(22)申请日 2019.04.28

(71)申请人 上海电力学院

地址 200090 上海市杨浦区平凉路2103号(72)发明人 袁三男　沈兆轩　

(74)专利代理机构 上海科盛知识产权代理有限

公司 31225

代理人 叶敏华(51)Int.Cl.

G06Q 10/04(2012.01)G06Q 50/06(2012.01)G06N 3/04(2006.01)G06N 3/08(2006.01)

权利要求书2页 说明书5页 附图2页

()发明名称

一种基于CNN-SVR模型的负荷集成预测方法(57)摘要

本发明涉及一种基于CNN-SVR模型的负荷集成预测方法，该方法首先对某地区影响负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化，计算皮尔逊相关系数，然后将数据进行极值归一化及聚类，获取不同类别的用户数据标签，根据步分组标签，将用户数据进行合并，作为训练输入数据；其次构建CNN-SVR负荷预测模型后进行模型训练并对输入数据预处理，数据输入到训练后的CNN-SVR模型中进行预测，获取预测结果，将结果反归一化，获取最终的多组预测负荷；最后将多组负荷求和，得到某地区每日最终预测负荷，若预测某地月负荷，则将负荷按月求和。与现有技术相比，本发明能够对某地区的大量用户进行集成分类、具有自主提取数据特征、预测精度高等优点。

CN 110110915 ACN 110110915 A

权　利　要　求　书

1/2页

1.一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，该方法包括下列步骤：1)对某地区影响电力系统负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化；

2)计算每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数；

3)将步骤1)与步骤2)中的数据进行极值归一化处理，并将归一化后的数据进行聚类，获取不同类别的用户数据标签；

4)根据步骤3)中的分组标签，将步骤1)中用户的数据进行合并，作为训练输入数据；5)构建CNN-SVR负荷预测模型，并根据步骤3)中的分组数据，分组训练CNN-SVR负荷预测模型；

6)建预测输入数据，构建虚拟变量，并进行矩阵化；

7)将步骤6)中的数据输入到训练后的CNN-SVR模型中进行预测，获取预测结果并保存；8)、将步骤7)中的结果进行反归一化，获取最终的多组预测负荷；9)将多组负荷求和，得到某地区每日最终预测负荷，若预测某地月负荷，则将负荷按月求和。

2.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤2)中，每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数的表达式为：

式中，γm为不同的影响因素的皮尔逊相关系数，ai为某用户在第i天的负荷数据，为

气温、气候、日期类型等m个影响因素。

3.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤3)中，极值归一化处理的表达式为：

式中，x′为归一化后的数据，x为输入数据，xmin为输入数据最小值，xmax为输入数据最大值。

4.根据权利要求3所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤3)中，采用ward连接的层次聚类法对归一化后的数据进行聚类。

5.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，所述的CNN-SVR负荷预测模型由两层卷积层与两层全连接层组成。

6.根据权利要求5所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，CNN-SVR负荷预测模型的训练过程具体包括以下步骤：

a1)对步骤4)中的训练数据构建虚拟变量；a2)将虚拟变量数据进行矩阵化处理；

a3)将步骤a2)的数据依次通过CNN-SVR负荷预测模型的两层卷积层与两层全连接层进行卷积运算；

2

CN 110110915 A

权　利　要　求　书

2/2页

a4)对CNN模型进行训练，训练次数不小于十次，训练结束后，将第一全连接层的数据输入到SVR模型中进行训练。

7.根据权利要求1所述的一种基于CNN-SVR模型的负荷集成预测方法，其特征在于，步骤8)中，反归一化的计算式为：

yre＝ypre(rmax-rmin)+rmin式中：yre为反归一化所得预测负荷，ypre为模型预测结果，rmin为输入数据中的最小值，rmax为输入数据的最大值。

3

CN 110110915 A

说　明　书

一种基于CNN-SVR模型的负荷集成预测方法

1/5页

技术领域

[0001]本发明涉及电力系统负荷预测领域，尤其是涉及一种基于CNN-SVR模型的负荷集成预测方法。

背景技术

[0002]传统的电力负荷预测方法有回归分析法、小波分析法、决策树、随机森林、支持向量机、神经网络等算法，其中支持向量回归机作为支持向量机算法的变种经常被用于对时间序列数据的预测，是一种具有较好准预测精度的常用算法，但由于其预测精度受自身参数和输入特征数据的影响较大，因此输入数据经常需要经过特征提取的步骤。神经网络算法是近几年的热门算法，具有很好的自主提取非线性特征的能力，可以很好的进行非线性拟合。但是，神经网络算法的超参数很多，模型训练过程复杂繁琐。[0003]随着我国经济水平的飞速发展，我国对用电的需求水涨船高，用电量持续快速增长。在这种情况下，加强需求侧管理，分析用户的用电行为，提高负荷预测的准确性，对增强电力系统的经济、稳定、智能运行具有现实意义。用电量持续增长的背后是巨量的用电用户，在进行地区负荷预测时，面对大量的用电用户，大多数方法仅仅是将用户集群进行分类，但未分析用户分类后如何对其进行负荷预测；或提出仅针对某一个用户或某一整体的负荷预测方法，而未分析大量不同用电行为的用户的负荷预测情况。因此，急需一种能够针对某一地区具有大量用户的情况下对地区负荷进行预测的方法。

发明内容

[0004]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够对某地区的大量用户进行集成分类、能自主提取数据特征且具有较好的预测精度的基于CNN-SVR模型的负荷集成预测方法。

[0005]本发明的目的可以通过以下技术方案来实现：[0006]一种基于CNN-SVR模型的负荷集成预测方法，包括以下步骤：[0007]步骤一、对某地区影响电力系统负荷的影响因素、某地区内所有用户的每日负荷数据进行初始化。[0008]步骤二、计算每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数，计算公式如下：

[0009][0010]

式中，γm表示不同的影响因素的皮尔逊相关系数，ai表示某用户在第i天的负荷数步骤三、将步骤一与步骤二中的数据按照下式进行极值归一化处理：

据，表示气温、气候、日期类型等m个影响因素。

[0011]

4

CN 110110915 A[0012][0013]

说　明　书

2/5页

式中，x′是归一化后的数据，x是输入数据，xmin是输入数据最小值，xmax是输入数据

最大值。

[0014]步骤四、将归一化后的数据进行聚类，并获取不同类别的用户数据标签。[0015]步骤五、根据步骤四中的分组标签，将步骤一中用户的数据进行合并，作为训练输入数据。

[0016]步骤六、构建CNN-SVR负荷预测模型(卷积神经网络-支持向量回归机负荷预测模型)，该模型由两层卷积层与两层全连接层组成。[0017]步骤七、根据步骤四的分组数据，分组训练CNN-SVR负荷预测模型，具体训练过程为：

[0018]1)对步骤五中的训练数据构建虚拟变量。[0019]2)将虚拟变量数据进行矩阵化处理。

[0020]

矩阵化是将原始输入的m个1×n的一维向量转换成m个矩阵形式。若

不是整数，则对原向量数据补零，直到n可以被整数开方。

[0021]3)将步骤2)的数据依次通过两层卷积层与两层全连接层进行卷积运算。[0022]4)对CNN(Convolutional Neural Networks，卷积神经网络)模型进行训练，训练次数不小于十次，训练结束后，将第一全连接层的数据输入到SVR(Support Vector Machine，支持向量回归机)模型中进行训练。[0023]优选地，CNN模型训练次数为10次，学习率设为0.01，SVR模型中选用RBF核函数(Radial Basis Function，径向基函数)作为全连接层和ReLU层的主要函数，超参数惩罚系数C取50，γ取0.01。[0024]步骤八、构建预测输入数据，即将需要预测日期的天气、气温和日期类型归一化，构建虚拟变量，并进行矩阵化。[0025]步骤九、将步骤八中的数据输入到训练好的CNN-SVR模型中进行预测，得出预测结果并保存。

[0026]步骤十、将步骤九中的结果进行反归一化，得到最终的多组预测负荷。反归一化公式为：

[0027]yre＝ypre(rmax-rmin)+rmin[0028]式中：yre是反归一化所得预测负荷，ypre是模型预测结果，rmin为输入数据中的最小值，rmax为输入数据的最大值。[0029]步骤十一、将多组负荷求和，得到某地区每日最终预测负荷。若预测某地月负荷，则将负荷按月求和即可。[0030]与现有技术相比，本发明具有以下优点：

[0031]1)本发明方法创建了卷积神经网络-支持向量回归机负荷聚类集成预测模型，对数据进行聚类集成后再使用cnn-svr模型进行预测，可以有效对用户分组，分组集成用户数据后，用户数据大大减少，因此模型可以快速的对有大量用户的地区进行负荷预测，快速高效；

[0032]2)本发明创建的CNN-SVR模型综合了CNN与SVR模型的优点，卷积神经网络训练时

5

CN 110110915 A

说　明　书

3/5页

间长、难度大，支持向量回归机对原始数据和超参数要求高，本发明使用浅层卷积神经网络作为数据特征提取器满足了支持向量回归机对数据的要求并且浅层模型训练速度快，使用RBF核函数的支持向量回归机对负荷预测，训练简单、预测速度快，提升了模型的总体负荷预测精度；

[0033]3)基于CNN-SVR模型的聚类集成负荷预测方法相对于传统方法的决策树模型、支持向量机模型、卷积神经网络模型、长短期记忆模型具有更高的负荷预测精度，可靠性高。附图说明

[0034]图1为本发明方法的流程示意图；

[0035]图2为本发明方法中CNN-SVR模型的训练流程图。

具体实施方式

[0036]下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。[0037]如图1所示，本发明涉及一种基于CNN-SVR模型的负荷集成预测方法，具体包括下列步骤：

[0038]S1.初始化每日高低气温、气候、日期类型等影响因素和某地内所有用户的每日负荷数据，设某地区的用户数量为K位。

[0039]S2.计算每个用户数据的月负荷、月负荷均值、中位数、标准差和影响因素与负荷数据的皮尔逊相关系数。皮尔逊相关系数的公式如下：

[0040][0041]

式中，γm表示不同的影响因素的皮尔逊相关系数。ai表示某用户在第i天的负荷数S3.将步骤S1与S2中的数据进行极值归一化处理，归一化公式如下：

据，表示气温、气候、日期类型等m个影响因素。

[0042][0043]

式中，x′是归一化后的数据，x是输入数据，xmin是输入数据最小值，xmax是输入数据最大值。

[0045]S4.将归一化后的数据进行聚类，设置聚类方法为使用ward连接的层次聚类法，聚类组别范围为22～26，本实施例选定的聚类组别为24，聚类结束，获得24组不同类别的用户数据标签。

[0046]S5.根据S4中的分组标签，将S1中原本K组用户的数据集成合并为24组数据作为训练输入数据。

[0047]S6.构建卷积神经网络-支持向量回归机负荷预测模型，模型由2层卷积层与2层全连接层组成。

[0048]S7.对S5中的训练数据构建虚拟变量。

6

[0044]

CN 110110915 A[0049]

说　明　书

4/5页

S8.将S7中的数据进行矩阵化处理。将某个用户的某日的负荷数据作为一条训练

样本，数据为1×n的一维向量形式。矩阵化就是将原始输入的m个1×n的一维向量转换成m

矩阵形式。若

不是整数，则对原向量数据补零，直到n可以被整数开方。

个

[0050]

S9.分组训练CNN-SVR负荷预测模型，训练流程见图2。其中CNN模型训练次数为10次，学习率设为0.01，SVR模型中选用RBF核函数(Radial Basis Function，径向基函数)，超参数惩罚系数C取50，γ取0.01。[0051]S10.构建预测输入数据，即将需要预测日期的天气、气温和日期类型归一化，构建虚拟变量，并进行矩阵化。[0052]S11.进行负荷预测，将S10中的数据输入到训练好24组CNN-SVR模型中进行预测，得出24组预测结果并保存。

[0053]S12.将S11中的结果进行反归一化，得到最终的24组预测负荷。反归一化公式如下：

[00]yre＝ypre(rmax-rmin)+rmin[0055]式中：yre是反归一化所得预测负荷，ypre是模型预测结果，rmin为输入数据中的最小值，rmax为输入数据的最大值。[0056]S13.将24组负荷求和，得到某地区每日最终预测负荷。若预测某地月负荷，则将负荷按月求和即可。

[0057]为证明本发明方法中CNN-SVR模型的有效性和可靠性，本实施例采取实际数据对决策树模型、支持向量机模型(Support Vector Machine，SVM)、卷积神经网络模型(Convolutional Neural Networks，CNN)、长短期记忆模型(Long Short Term Memory，LSTM)与本发明方法中CNN-SVR模型的预测进行了对比，测试结果如表1所示。[0058]表1采用不同方法的测试结果

[0059]

[0060]

通过表1可知，相对于传统方法的决策树模型、支持向量机模型、卷积神经网络模

型、长短期记忆模型，基于CNN-SVR模型的聚类集成负荷预测方法预测速度快，快速高效，具有更高的负荷预测精度，可靠性高。[0061]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利

7

CN 110110915 A

说　明　书

5/5页

要求的保护范围为准。

8

CN 110110915 A

说　明　书　附　图

1/2页

图1

9

CN 110110915 A

说　明　书　附　图

2/2页

图2

10