一種基于人工神經(jīng)網(wǎng)絡(luò)改進(jìn)訓(xùn)練策略的短期負(fù)荷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力系統(tǒng)負(fù)荷預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于人工神經(jīng)網(wǎng)絡(luò)改進(jìn)訓(xùn) 練策略的短期負(fù)荷預(yù)測方法。
【背景技術(shù)】
[0002] 隨著社會經(jīng)濟(jì)的不斷發(fā)展，城市電網(wǎng)負(fù)荷快速增長，現(xiàn)代生產(chǎn)生活對供電量和供 電質(zhì)量的要求顯著提高。另一方面，城市電網(wǎng)核心區(qū)負(fù)荷變化復(fù)雜，影響因素眾多，對電網(wǎng) 調(diào)度部門的安全運(yùn)行提出了挑戰(zhàn)。如何快速準(zhǔn)確的把握城市電網(wǎng)的短期負(fù)荷變化特征，進(jìn) 行精準(zhǔn)的負(fù)荷預(yù)測顯得極為重要。
[0003] 短期負(fù)荷預(yù)測是以未來幾分鐘、幾小時或者幾天內(nèi)的連續(xù)負(fù)荷變化趨勢作為研究 對象。隨著智能算法的興起，專家、學(xué)者相繼提出了許多關(guān)于短期負(fù)荷預(yù)測的方法，這些方 法主要包括專家系統(tǒng)法，遺傳算法，模糊理論，支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等。雖然上述方 法已被證明在短期負(fù)荷預(yù)測領(lǐng)域取得了豐碩成果，但存在以下缺點(diǎn)：由于城市核心區(qū)負(fù)荷 受相關(guān)因素影響大，不同地區(qū)負(fù)荷呈現(xiàn)不同的規(guī)律性，預(yù)測方法魯棒性差；目前多數(shù)研究都 針對單個區(qū)域電網(wǎng)進(jìn)行研究，未系統(tǒng)的就城市不同區(qū)域的負(fù)荷特性進(jìn)行對比研究，存在待 處理數(shù)據(jù)量大，負(fù)荷影響因素分析粗糙等問題，導(dǎo)致負(fù)荷預(yù)測耗時長，負(fù)荷預(yù)測精準(zhǔn)度差， 缺少實(shí)用性。
[0004] 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測是在訓(xùn)練得到模型后，通過模型一次性預(yù)測得到多個點(diǎn)數(shù)據(jù)。 但經(jīng)實(shí)際預(yù)測發(fā)現(xiàn)，所得預(yù)測結(jié)果集存在誤差兩邊大中間小，相鄰波動大的數(shù)據(jù)所得預(yù)測 結(jié)果誤差大等情況。其主要原因是模型固定后，模型的神經(jīng)元數(shù)目和權(quán)值閥值均固定，模型 適應(yīng)性降低，由于其變化規(guī)律與訓(xùn)練數(shù)據(jù)存在不同，遇到新數(shù)據(jù)后，易出現(xiàn)預(yù)測精度降低的 情況。若逐點(diǎn)進(jìn)行預(yù)測且結(jié)合每組訓(xùn)練數(shù)據(jù)特點(diǎn)分別建立預(yù)測模型，就能在一定程度上提 尚豐旲型的適應(yīng)性，提尚預(yù)測精度。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是為了解決上述問題，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)改進(jìn)訓(xùn)練策 略的短期負(fù)荷預(yù)測方法，該方法分析了負(fù)荷變化特性及各類影響負(fù)荷變化的因素，針對預(yù) 測方法中存在的邊緣效應(yīng)等問題，通過改進(jìn)訓(xùn)練策略，提出了一種新的人工神經(jīng)網(wǎng)絡(luò)短期 負(fù)荷預(yù)測模型。預(yù)測結(jié)果表明，基于該方法建立的預(yù)測模型適用性強(qiáng)且能獲得較高的預(yù)測 精度，可為城市核心區(qū)的短期負(fù)荷預(yù)測提供可行方案，具有較好的實(shí)用性。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下：
[0007] -種基于人工神經(jīng)網(wǎng)絡(luò)改進(jìn)訓(xùn)練策略的短期負(fù)荷預(yù)測方法，包括以下步驟：
[0008] 步驟（1):建立Elman人工神經(jīng)網(wǎng)絡(luò)，設(shè)定人工神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)、輸出 層神經(jīng)元個數(shù)、網(wǎng)絡(luò)迭代次數(shù)、神經(jīng)元激勵函數(shù)形式、動態(tài)參數(shù)、允許誤差預(yù)測參數(shù)；
[0009] 步驟（2):設(shè)定Elman人工神經(jīng)網(wǎng)絡(luò)的初始隱含層神經(jīng)元數(shù)；
[0010] 步驟（3):將待預(yù)測目標(biāo)數(shù)據(jù)的歷史數(shù)據(jù)作為原始數(shù)據(jù)，經(jīng)過數(shù)據(jù)縱向?qū)Ρ忍幚?和橫向?qū)Ρ忍幚硪约皻w一化后，把處理過的數(shù)據(jù)作為訓(xùn)練樣本輸入人工神經(jīng)網(wǎng)絡(luò)；
[0011] 步驟⑷：設(shè)置初始閥值和權(quán)值，利用訓(xùn)練樣本在網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，通過設(shè)置不同 的閥值和權(quán)值，獲得多組訓(xùn)練結(jié)果；
[0012] 步驟（5):對比獲得的多組訓(xùn)練結(jié)果，記錄誤差最小的預(yù)測數(shù)據(jù)組；
[0013] 返回步驟（2)，重新設(shè)置Elman人工神經(jīng)網(wǎng)絡(luò)的初始隱含層神經(jīng)元數(shù)，帶入訓(xùn)練樣 本進(jìn)入網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[0014] 步驟（6):對比通過設(shè)置不同的初始隱含層神經(jīng)元數(shù)獲得的不同組訓(xùn)練結(jié)果，選 擇與驗(yàn)證樣本誤差最小的一組對應(yīng)的人工神經(jīng)網(wǎng)絡(luò)模型作為預(yù)測模型；
[0015] 步驟（7):在所述預(yù)測模型中輸入待預(yù)測樣本進(jìn)行預(yù)測，選取預(yù)測值序列中的中 間值作為本次預(yù)測的目標(biāo)值，獲得系統(tǒng)短期負(fù)荷預(yù)測數(shù)據(jù)。
[0016] 輸入的待預(yù)測數(shù)據(jù)的歷史數(shù)據(jù)以待預(yù)測短期負(fù)荷前Μ天前/后N時刻負(fù)荷值為輸 入值，以待預(yù)測日前Μ天該時刻負(fù)荷為每組輸入的中心值輸入預(yù)測模型進(jìn)行預(yù)測。
[0017] 預(yù)測模型輸出為待預(yù)測日前/后Ν時刻的預(yù)測負(fù)荷值，該組數(shù)據(jù)中心值即為待預(yù) 測日待預(yù)測時刻的負(fù)荷值。
[0018] 所述數(shù)據(jù)縱向?qū)Ρ忍幚硎侵福?br>[0019] 設(shè)定閾值備，設(shè)定時間段內(nèi)每一天t時刻負(fù)荷值的平均值用表示，第i天第t 時刻的負(fù)荷值用y(i，t)表示；判斷y(i，t)與f(t)的差值的絕對值是否超過設(shè)定閾值?_， 如果超過設(shè)定閾值?(?)，則認(rèn)為數(shù)據(jù)y(i，t)存在異常，需要對其進(jìn)行處理。
[0020] 對數(shù)據(jù)進(jìn)行處理的具體方法是：
[0021] 如果負(fù)荷值y(i，t)大于平均值y~(t>，則負(fù)荷值y(i，t)取平均值y~(t)與閾值?(?)的 和；
[0022] 如果負(fù)荷值y(i，t)小于平均值則負(fù)荷值y(i，t)取平均值y·與閾值?(1)的 差。
[0023] 所述橫向?qū)Ρ忍幚硎侵福?br>[0024] 分別以t時刻的負(fù)荷值的前一個時刻和后一個時刻的負(fù)荷值做為基準(zhǔn)，并分別設(shè) 定t時刻的負(fù)荷值相對于前一個時刻和后一個時刻的負(fù)荷值允許變化的最大范圍a(t)和 β(t)；
[0025] 將t時刻的負(fù)荷值與其前一個時刻的負(fù)荷值的數(shù)據(jù)差的絕對值和允許變化的最 大范圍α⑴作對比；
[0026] 將t時刻的負(fù)荷值與其后一個時刻的負(fù)荷值的數(shù)據(jù)差的絕對值和允許變化的最 大范圍β⑴作對比；
[0027] 如果上述兩個絕對值均超過允許變化的最大范圍，則判斷該數(shù)據(jù)異常，需要對其 進(jìn)行處理。
[0028] 所述對數(shù)據(jù)進(jìn)行處理的方法為：
[0029] 判定數(shù)據(jù)異常后，t時刻的負(fù)荷值y(i，t)取其前一個時刻和后一個時刻的負(fù)荷值 的均值加上前一天t時刻的負(fù)荷值與前一天t時刻的前一個時刻和后一個時刻的負(fù)荷值的 均值之差。
[0030] 所述歸一化處理的方法為：將數(shù)據(jù)轉(zhuǎn)化到一個固定的區(qū)間內(nèi)，消除數(shù)量級差別。
[0031] 本發(fā)明的有益效果：
[0032] 1.本發(fā)明提出的改進(jìn)訓(xùn)練策略的短期負(fù)荷預(yù)測方法基于人工神經(jīng)網(wǎng)絡(luò)理論，通過 改進(jìn)訓(xùn)練策略，在不變動網(wǎng)絡(luò)結(jié)構(gòu)的前提下獲得更精確的預(yù)測結(jié)果，網(wǎng)絡(luò)選取靈活，預(yù)測精 度高等優(yōu)點(diǎn)。
[0033] 2.本發(fā)明提出的基于人工神經(jīng)網(wǎng)絡(luò)改進(jìn)訓(xùn)練策略的短期負(fù)荷預(yù)測方法魯棒性強(qiáng)， 能夠適應(yīng)不同地區(qū)所受影響因素不同的負(fù)荷輸入模型進(jìn)行預(yù)測，適用于普通省級電網(wǎng)，城 市電網(wǎng)、區(qū)域電網(wǎng)等不同短期負(fù)荷預(yù)測領(lǐng)域。
[0034] 3.本發(fā)明提出的基于人工神經(jīng)網(wǎng)絡(luò)改進(jìn)訓(xùn)練策略的短期負(fù)荷預(yù)測方法，運(yùn)行時間 短，負(fù)荷預(yù)測操作簡單，對于提高電網(wǎng)調(diào)度部門短期負(fù)荷預(yù)測精度和速度具有一定的研究 意義。
【附圖說明】
[0035] 圖1為本發(fā)明改進(jìn)訓(xùn)練策略流程示意圖；
[0036] 圖2為本發(fā)明模型訓(xùn)練及預(yù)測流程示意圖；
[0037] 圖3為本發(fā)明提出的方法與常用負(fù)荷預(yù)測方法所得預(yù)測結(jié)果對比曲線圖。
【具體實(shí)施方式】：
[0038] 下面結(jié)合附圖對本發(fā)明進(jìn)行詳細(xì)說明：
[0039] 如圖1所示，改進(jìn)后的Elman人工神經(jīng)網(wǎng)絡(luò)具體訓(xùn)練策略為：輸入的訓(xùn)練樣本以 待預(yù)測短期負(fù)荷前Μ天前/后N時刻負(fù)荷值為輸入值，以待預(yù)測日前Μ天該時刻負(fù)荷為每 組輸入的中心值輸入預(yù)測模型進(jìn)行預(yù)測。預(yù)測模型輸出為待預(yù)測日前/后Ν時刻預(yù)測負(fù)荷 值，該組數(shù)據(jù)中心值即為待預(yù)測日待預(yù)測時刻負(fù)荷。
[0040] 如圖2所示，本發(fā)明模型訓(xùn)練及預(yù)測流程步驟如下：
[0041] 步驟（1):建立Elman人工神經(jīng)網(wǎng)絡(luò)，設(shè)定人工神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)、輸出 層神經(jīng)元個數(shù)、網(wǎng)絡(luò)迭代次數(shù)、神經(jīng)元激勵函數(shù)形式、動態(tài)參數(shù)、允許誤差等預(yù)測參數(shù)。
[0042] 步驟（2):設(shè)定Elman人工神經(jīng)網(wǎng)絡(luò)的初始隱含層神經(jīng)元數(shù)；
[0043] 步驟（3):將待預(yù)測目標(biāo)數(shù)據(jù)的歷史數(shù)據(jù)作為原始數(shù)據(jù)，經(jīng)過數(shù)據(jù)縱向?qū)Ρ忍幚?和橫向?qū)Ρ忍幚硪约皻w一化后，把處理過的數(shù)據(jù)作為訓(xùn)練樣本輸入人工神經(jīng)網(wǎng)絡(luò)；
[0044] 其中，數(shù)據(jù)縱向?qū)Ρ忍幚硎侵福?br>[0045] 設(shè)定閾值?(?)，設(shè)定時間段內(nèi)每一天t時刻負(fù)荷值的平均值用y_(t)表示，第i天第t 時刻的負(fù)荷值用y(i，t)表示；判斷y(i，t)與yf)的差值的絕對值是否超過設(shè)定閾值?⑴，
[0047] 如果超過設(shè)定閾值:?(?)，則認(rèn)為數(shù)據(jù)y(i，t)存在異常，需要對其進(jìn)行處理。
[0048] 對數(shù)據(jù)進(jìn)行處理的具體方法是：
[0049] 如果負(fù)荷值y(i，t)大于平均值y~(t)，則負(fù)荷值y (i，t)取平均值ylt)與閾值?(?)的 和；
[0050] 如果負(fù)荷值y(i，t)小于平均值ylt)，則負(fù)荷值y(i，t)取平均值)Γ(〇與閾值?(?)的 差。
[0052] 其中，y_(i.)為設(shè)定時間段內(nèi)每一天t時刻負(fù)荷值的平均值；y(i，t)為第i天第t時 刻的負(fù)荷值；?(?)為設(shè)定閾值，?(0的大小可以結(jié)合實(shí)際人工設(shè)定。
[0053