一種基于bp網絡模型的負荷預測的模型輸入變量優(yōu)化方法
【專利摘要】本發(fā)明公開了一種基于BP網絡模型的負荷預測的模型輸入變量優(yōu)化方法，包括如下步驟：通過方差貢獻法選擇預測器的輸入變量；對步驟S1所得的輸入變量的相關因素的方差貢獻進行F檢驗，剔除負荷的影響作用不顯著的輸入變量；檢查已選擇的輸入變量，去除對負荷作用變得不顯著的輸入變量；建立BP人工神經網絡模型，引入步驟S3所得的輸入變量；進行負荷預測。本發(fā)明提高了負荷預測的精度。
【專利說明】一種基于BP網絡模型的負荷預測的模型輸入變量優(yōu)化方 法

【技術領域】
[0001] 本發(fā)明涉及符合預測領域，具體涉及一種基于BP網絡模型的負荷預測的模型輸 入變量優(yōu)化方法。

【背景技術】
[0002] 負荷預測是城網規(guī)劃的基礎，對規(guī)劃的質量起關鍵作用[1]。目前，關于中長期負荷 預測有多種方法，新的預測方法仍在不斷的研宄中。由于城市建設發(fā)展的過程是變化的，經 濟預測數(shù)據及經濟的增長也是變化的，未來發(fā)展的不確定性影響著負荷預測的準確性。盡 管目前已有多種預測方法，但各種方法都有局限性，不管采用何種算法和模型，都無法保證 負荷預測的絕對準確。
[0003] 為提高負荷預測的準確性，在進行負荷預測時我們總希望凡是影響負荷的所有因 素都能作為輸入變量，特別是那些作用顯著的因素不能漏掉。但是如果選擇的相關因素太 多，意味著在資料收集上要全面準確，在實際中有些資料的收集是很困難的，并且用人工神 經網絡進行預測時，選擇的輸入變量越多，預測的模型就越復雜，預測的精度也難以保證。


【發(fā)明內容】

[0004] 為解決上述問題，本發(fā)明提供了一種基于BP網絡模型的負荷預測的模型輸入變 量優(yōu)化方法，提高負荷預測的精度。
[0005] 為實現(xiàn)上述目的，本發(fā)明采取的技術方案為：
[0006] 一種基于BP網絡模型的負荷預測的模型輸入變量優(yōu)化方法，包括如下步驟：
[0007]S1、通過方差貢獻法選擇預測器的輸入變量；
[0008]S2、對步驟Sl所得的輸入變量的相關因素的方差貢獻進行F檢驗，剔除負荷的影 響作用不顯著的輸入變量；
[0009]S3、檢查已選擇的輸入變量，去除對負荷作用變得不顯著的輸入變量；
[0010]S4、建立BP人工神經網絡模型，引入步驟S3所得的輸入變量；
[0011]S5、進行負荷預測。
[0012] 其中，所述BP人工神經網絡模型采用一個隱含層的BP網絡模型。
[0013] 本發(fā)明基于人工神經網絡原理，設計了一個由輸入層、隱含層和輸出層組成的三 層BP網絡模型，利用神經網絡高度非線性建模能力，選取影響電力負荷的一些經濟因素作 為BP人工神經網絡的輸入變量，采用新定義的方差貢獻法對輸入變量進行優(yōu)化選擇，提高 了負荷預測的精度。

【專利附圖】

【附圖說明】
[0014] 圖1為本發(fā)明實施例一種基于BP網絡模型的負荷預測方法中BP網絡模型的結構 圖。

【具體實施方式】
[0015] 為了使本發(fā)明的目的及優(yōu)點更加清楚明白，以下結合實施例對本發(fā)明進行進一步 詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā) 明。
[0016] 一種基于BP網絡模型的負荷預測的模型輸入變量優(yōu)化方法，包括如下步驟：
[0017] S1、通過方差貢獻法選擇預測器的輸入變量；
[0018] 方差貢獻法就是用來分析各類影響因素對負荷的影響程度。假設當輸入變量為 X1,x2,...，Xn，負荷的預測值為^真實值為y時，我們可以根據
[0019]

【權利要求】
1. 一種基于BP網絡模型的負荷預測的模型輸入變量優(yōu)化方法，其特征在于，包括如下 步驟： 51、 通過方差貢獻法選擇預測器的輸入變量； 52、 對步驟S1所得的輸入變量的相關因素的方差貢獻進行F檢驗，剔除負荷的影響作 用不顯著的輸入變量； 53、 檢查已選擇的輸入變量，去除對負荷作用變得不顯著的輸入變量； 54、 建立BP人工神經網絡模型，引入步驟S3所得的輸入變量； 55、 進行負荷預測。
2. 根據權利要求1所述的一種基于BP網絡模型的負荷預測的模型輸入變量優(yōu)化方法， 其特征在于，所述BP人工神經網絡模型采用一個隱含層的BP網絡模型。
【文檔編號】G06N3/02GK104484700SQ201410659476
【公開日】2015年4月1日 申請日期:2014年11月7日 優(yōu)先權日:2014年11月7日
【發(fā)明者】朱繼萍, 劉霞, 劉密歌, 張偉 申請人:西安文理學院