买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种计及行业关联性的中长期负荷预测方法。本发明方法为：首先，针对行业负荷数据缺失和数据量级差别较大的问题，对行业负荷数据进行预处理，提出基于迭代插补的行业月度负荷数据修复方法，对典型行业的月度负荷缺失数据进行恢复，并采用min‑max标准化方法对负荷数据进行归一化处理。在此基础之上，基于Shapiro‑Wilk检验和皮尔逊相关系数对行业关联性进行分析量化，并根据关联性指标筛选强相关行业。最后，以行业负荷数据、气温数据和行业关联性为基础，利用长短期记忆LongShortTermMemory,LSTM神经网络，对行业中长期负荷进行预测。本发明方法通过引入行业关联性分析，可以实现高精度的中长期负荷预测。

主权项：1.一种计及行业关联性的中长期负荷预测方法，其特征在于，包括以下步骤：1基于迭代插补的行业月度负荷数据修复方法对月度负荷缺失数据进行恢复，并采用min-max标准化方法对负荷数据进行归一化处理；2基于Shapiro-Wilk检验和皮尔逊相关系数对行业间的关联性进行分析量化，并根据关联性指标筛选出强相关行业；3以行业负荷数据、气温数据和行业关联性为基础，利用长短期记忆神经网络对行业中长期负荷进行预测；所述的步骤2具体为：采用皮尔逊相关系数分析随机变量间的相关性需满足样本数据正态分布的条件，基于Shapiro-Wilk检验对各行业负荷数据进行正态性检验；假设H0：样本数据服从正态分布；H1：样本数据不服从正态分布；通过计算统计量W，以判断待测样本分布和正态分布的相似程度： 式中，W为Shapiro-Wilk检验返还的统计量，W的值越接近1，数据和标准正态分布越接近；xi表示样本中第i个数据；表示样本数据的平均值；ai为Shapiro-Wilk检验用系数，可以通过查表获得；基于统计量W，设定一显著性水平α，然后获得它的分位数Wα；若W＜Wα，则拒绝H0，反之接受H0；并采用Shapiro-Wilk检验计算数据样本的P值，若P值小于显著性水平α，则拒绝H0；皮尔逊相关系数r用于分析行业X与行业Y之间的关联性，对于待预测行业X和相关行业Y，皮尔逊相关系数计算公式如下: 式中，r表示行业X和行业Y之间的相关系数；Xi和Yi分别代表行业X和行业Y第i月度的用电负荷数据，和分别表示行业X和Y的月用电负荷均值；相关系数r的取值范围在-1和+1之间，即|r|≤1；|r|越接近1，则表明X与Y线性相关程度越高；r＝-1，表明X与Y之间为完全负线性相关；r＝+1，表明X与Y之间为完全正线性相关；r＝0，表明两者不存在线性相关关系；所述的步骤3具体为：1将来自前一时刻的负荷预测值ht-1和当前输入的特征xt同时传入sigmoid函数，sigmoid函数输出ft作为状态记忆单元的遗忘系数；ft可以表示为：ft＝σWf[ht-1,xt]+bf式中，Wf为遗忘门前一时刻输出ht-1和当前输入特征xt相乘的权重矩阵；bf为遗忘门偏置项；σ表示sigmoid函数；ht-1表示前一时刻的负荷预测值；xt表示当前输入的负荷预测特征因子，包括行业关联性特征、气温特征；2将前一时刻的预测输出值ht-1和新输入的xt共同传入sigmoid函数，输出it作为输入节点状态gt的更新系数；输出it表达式如下：it＝σWi[ht-1,xt]+bi式中，Wi为输入门传入sigmoid函数的ht-1和输入特征xt相乘的权重矩阵；bi为输入门sigmoid函数偏置项；输入节点状态gt表达式如下：gt＝tanhWg[ht-1,xt]+bg式中，Wg为输入门传入tanh函数的ht-1和输入特征xt相乘的权重矩阵；bg为输入门tanh函数偏置项；3更新状态记忆单元Ct：首先将前一时刻状态记忆单元的状态与遗忘门输出ft相乘，输出选择性记忆结果；然后再将选择性记忆结果与状态记忆单元中间值逐点相加，共同更新状态记忆单元Ct，Ct表达式如下： 式中，为Hadamard积；4确定当前时刻负荷预测值ht，首先将前一时刻负荷预测值ht-1和输入特征xt传入sigmoid函数，输出ot；其次，将更新的状态记忆单元Ct传递给tanh函数，将输出与ot相乘，得到当前时刻负荷预测值ht；其中，ot的表达式如下：ot＝σWo[ht-1,xt]+bo式中，Wo为前一时刻负荷预测值ht-1和输入特征xt相乘的权重矩阵；bo为输出门偏置项；当前时刻负荷预测值ht表达式如下：

全文数据：

权利要求：

百度查询： 江苏方天电力技术有限公司 浙江大学 一种计及行业关联性的中长期负荷预测方法