(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (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)
(54)发明名称
(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
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。权利要求书2页 说明书5页 附图2页CN 110110915 A 2019.08.09
C N 110110915
A
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，a i 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，x min 为输入数据最小值，x max 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；
权 利 要 求 书1/2页2CN 110110915 A
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议