本發(fā)明涉及一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法及裝置，屬于人工神經(jīng)網(wǎng)絡(luò)在電力數(shù)據(jù)處理領(lǐng)域。

背景技術(shù)：

隨著國民經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，人們對電能質(zhì)量的要求也越來越高，電力負(fù)荷預(yù)測作為保證電能質(zhì)量的一個基本工具，其重要性也越來越受到人們重視。電力系統(tǒng)由電力網(wǎng)和電力用戶共同組成，其任務(wù)是給廣大用不間斷地提供經(jīng)濟(jì)、可靠、符合質(zhì)量標(biāo)準(zhǔn)的電能，滿足各類負(fù)荷需求，為社會發(fā)展提供動力。如何運用可靠的方法和手段，對未來某時段內(nèi)電網(wǎng)負(fù)荷的發(fā)展趨勢做出科學(xué)合理的估計和預(yù)測。電力系統(tǒng)負(fù)荷預(yù)測的核心是根據(jù)預(yù)測對象的歷史資料，建立數(shù)學(xué)模型來表述其發(fā)展變化的規(guī)律，從而得到合理的預(yù)測結(jié)果，對電力系統(tǒng)管理部門做出正確決策提供依據(jù)和保障。

在借鑒該領(lǐng)域研究成果的基礎(chǔ)上,國內(nèi)外出現(xiàn)了很多電力負(fù)荷預(yù)警的方法及裝置，并提出了較為合理的預(yù)測策略:數(shù)據(jù)的預(yù)處理、歷史數(shù)據(jù)源的選取、最優(yōu)模型的確定等一系列的方法。在電力負(fù)荷預(yù)警裝置中,合理利用現(xiàn)有指標(biāo),建立可以對電力供需形勢進(jìn)行監(jiān)測和識別的預(yù)警指標(biāo)體系和標(biāo)準(zhǔn)平衡值,通過計算機(jī)的處理以簡單明了、形象直觀的方式顯示給用戶是電力負(fù)荷預(yù)警的關(guān)鍵。負(fù)荷預(yù)測的核心問題是預(yù)測的技術(shù)問題，即如何構(gòu)造預(yù)測的數(shù)學(xué)模型，傳統(tǒng)的數(shù)學(xué)模型具有計算量小，速度快的優(yōu)點，但也存在諸如不具備自學(xué)習(xí)性、自適應(yīng)性能力，預(yù)測系統(tǒng)的魯棒性得不到保證等缺點和局限性。隨著電力系統(tǒng)的結(jié)構(gòu)日趨復(fù)雜，電力負(fù)荷在變化的非線性、時變性、不確定性方面更加的明顯，很難建立一個合適的數(shù)學(xué)模型來清晰的表達(dá)負(fù)荷與影響負(fù)荷的變量之間的關(guān)系。因此，尋求合適的電力負(fù)荷預(yù)測方法來最大限度的提高預(yù)測精度意義重大。

基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法及裝置主要需考慮兩個方面的問題：(1)如何運用可靠的方法和手段，對未來某時段內(nèi)電網(wǎng)負(fù)荷的發(fā)展趨勢做出科學(xué)合理的估計和預(yù)測。(2)由于影響電力負(fù)荷因素之間存在著非線性，因素之間存在冗余信息，如何提高電力負(fù)荷預(yù)測的精度。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是利用elman神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任一非線性函數(shù)的特性及通過學(xué)習(xí)歷史數(shù)據(jù)建模的優(yōu)點，提供一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法及裝置，反映電力負(fù)荷運行規(guī)律，實現(xiàn)電力負(fù)荷的準(zhǔn)確預(yù)警，從而為電力系統(tǒng)的控制和調(diào)度奠定基礎(chǔ)，服務(wù)電力系統(tǒng)現(xiàn)代化和科學(xué)化管理的需求。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

一方面，本發(fā)明提供一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法，具體步驟如下：

步驟1，采集電力系統(tǒng)的歷史電力負(fù)荷數(shù)據(jù)，并對歷史電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理以剔除異常數(shù)據(jù)，形成預(yù)處理樣本；

步驟2，采用蟻群聚類方法，對步驟1中的預(yù)處理樣本進(jìn)行聚類，將聚類結(jié)果作為elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；

步驟3，利用步驟2中的訓(xùn)練樣本對elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；

步驟4，將步驟6中訓(xùn)練好的elman神經(jīng)網(wǎng)絡(luò)作為電力負(fù)荷預(yù)警器，從而實現(xiàn)電力負(fù)荷預(yù)警。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟1中的歷史電力負(fù)荷數(shù)據(jù)用序列y(x,n)表示，其中，y(x,n)表示第n年第x月的電力負(fù)荷數(shù)據(jù)，x＝0,1,...,11，n＝1,2,...,n，n表示采集的歷史電力負(fù)荷數(shù)據(jù)的年份數(shù)。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，對電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理的方法為：

1.1)根據(jù)均值函數(shù)計算歷史電力負(fù)荷數(shù)據(jù)的均值；

1.2)根據(jù)方差函數(shù)計算歷史電力負(fù)荷數(shù)據(jù)的方差；

1.3)根據(jù)反常函數(shù)對歷史電力負(fù)荷數(shù)據(jù)進(jìn)行判斷，若p(x,n)＜1.2則判定該電力負(fù)荷數(shù)據(jù)為正常數(shù)據(jù)，否則判定為異常值數(shù)據(jù)并剔除；

1.4)根據(jù)平滑函數(shù)對剔除異常數(shù)據(jù)后的歷史電力負(fù)荷數(shù)據(jù)進(jìn)行平滑處理，形成預(yù)處理樣本。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟3中對elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，具體為：首先，根據(jù)訓(xùn)練樣本對elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；其次，根據(jù)全局誤差函數(shù)計算訓(xùn)練完成的elman神經(jīng)網(wǎng)絡(luò)的誤差，若e(x)＜ε則網(wǎng)絡(luò)收斂，elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；否則動態(tài)調(diào)節(jié)elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值后繼續(xù)進(jìn)行訓(xùn)練學(xué)習(xí)，直至網(wǎng)絡(luò)收斂；其中，為隱層誤差，為輸出層各神經(jīng)元的誤差，ε為一個極小值。

另一方面，本發(fā)明提供一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警裝置，包括：

數(shù)據(jù)采集器，用于對電力系統(tǒng)的歷史電力負(fù)荷數(shù)據(jù)進(jìn)行采集；

數(shù)據(jù)處理器，用于對采集到的電力系統(tǒng)的歷史電力負(fù)荷數(shù)據(jù)進(jìn)行異常剔除和平滑處理，得到預(yù)處理樣本；

數(shù)據(jù)聚類器，用于根據(jù)蟻群聚類方法對預(yù)處理樣本進(jìn)行聚類，得到elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；

網(wǎng)絡(luò)訓(xùn)練器，用于根據(jù)訓(xùn)練樣本以及預(yù)設(shè)全局誤差閾值，對elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；

預(yù)警器，用于訓(xùn)練完成的elman神經(jīng)網(wǎng)絡(luò)對電力負(fù)荷進(jìn)行在線預(yù)警。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法及裝置，相對于其他預(yù)測手段，具有自組織、自適應(yīng)和自學(xué)習(xí)功能，能分析較為復(fù)雜的非線性系統(tǒng)。通過分析各個指標(biāo)，建立其內(nèi)在聯(lián)系，能有效避免采用單一指標(biāo)進(jìn)行預(yù)測的片面性，大大提高預(yù)測的精度。同時，本發(fā)明提供了神經(jīng)網(wǎng)絡(luò)參數(shù)的靈活設(shè)置方式，如果觸發(fā)預(yù)警器，預(yù)警器將全局誤差信息傳遞給神經(jīng)網(wǎng)絡(luò)不斷對神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行調(diào)整，直到得出精確的預(yù)測結(jié)果，大大提高了電力負(fù)荷預(yù)測的精確度。

附圖說明

圖1是基于elman神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)警系統(tǒng)結(jié)構(gòu)圖。

圖2是異常數(shù)據(jù)判斷及修正處理流程圖。

圖3是本方法及裝置的基本流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：

本發(fā)明的目的就是提供一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法及裝置，來解決電力系統(tǒng)環(huán)境下電力負(fù)荷及時準(zhǔn)確預(yù)警問題，本機(jī)制是一種策略性方法，通過使用本方法可以使得電力系統(tǒng)能隨時根據(jù)系統(tǒng)負(fù)荷變化保持動態(tài)平衡，使整個系統(tǒng)保持穩(wěn)定、高效地運行。

本發(fā)明的方法是一種策略性的方法，通過使用elman神經(jīng)網(wǎng)絡(luò)并采用蟻群聚類的思想將電力系統(tǒng)供需形勢下的電力負(fù)荷進(jìn)行預(yù)測，從而解決了電力系統(tǒng)環(huán)境下電力負(fù)荷的及時預(yù)警，提高了電力負(fù)荷預(yù)測的精度。

一、體系結(jié)構(gòu)

圖1給出了基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警裝置結(jié)構(gòu)圖，它主要包括四個部分：數(shù)據(jù)處理器、數(shù)據(jù)聚類器、網(wǎng)絡(luò)訓(xùn)練器、預(yù)警器。圖1中的數(shù)據(jù)處理器主要通過計算負(fù)荷樣本數(shù)據(jù)的偏離值，剔除異常值的負(fù)荷點，形成預(yù)處理樣本數(shù)據(jù)；數(shù)據(jù)聚類器主要用來將不同屬性的數(shù)據(jù)聚類處理，將聚類后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；網(wǎng)絡(luò)訓(xùn)練器主要功能是對全局誤差做出合理的判斷，利用神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，以不斷提高電力負(fù)荷的預(yù)測精度；預(yù)警器主要用于通過訓(xùn)練完成的elman神經(jīng)網(wǎng)絡(luò)對電力負(fù)荷進(jìn)行在線預(yù)警。

下面給出具體介紹：

數(shù)據(jù)處理器：數(shù)據(jù)處理器主要用來計算電力負(fù)荷樣本數(shù)據(jù)的偏差值，剔除異常值的負(fù)荷點。本發(fā)明中采用均值函數(shù)、誤差函數(shù)計算負(fù)荷樣本數(shù)據(jù)的均值和誤差，并采反常函數(shù)計算電力負(fù)荷樣本數(shù)據(jù)的偏離值，通過對電力負(fù)荷數(shù)據(jù)偏離值的判斷，將異常點的負(fù)荷值剔除。通過上述方法能有效的處理電力負(fù)荷樣本數(shù)據(jù)存在的冗余、共線性信息，降低了神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。

數(shù)據(jù)聚類器：數(shù)據(jù)聚類器主要用來對預(yù)處理樣本數(shù)據(jù)采用蟻群聚類的思想進(jìn)行預(yù)處理，利用聚類公式rij，類概率公式pij(t)，偏離誤差σj對剔除異常點的負(fù)荷數(shù)據(jù)進(jìn)行聚類處理，將聚類后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，操作的目的是使elman神經(jīng)網(wǎng)絡(luò)輸入樣本具有代表性，從而改善elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間和收斂速度，提高預(yù)測精度的目的。

網(wǎng)絡(luò)訓(xùn)練器：網(wǎng)絡(luò)訓(xùn)練器主要用來根據(jù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，并通過對網(wǎng)絡(luò)的全局誤差做出合理的判斷，當(dāng)全局誤差小于給定的極小值時，神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束，將得到精確的電力負(fù)荷的預(yù)警。否則，不斷地調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，對神經(jīng)網(wǎng)絡(luò)繼續(xù)訓(xùn)練學(xué)習(xí)，直至滿足結(jié)束訓(xùn)練的條件。。

預(yù)警器：預(yù)警器主要通過訓(xùn)練完成的elman神經(jīng)網(wǎng)絡(luò)對電力負(fù)荷進(jìn)行在線預(yù)警。

二、方法流程

1、數(shù)據(jù)處理

電力負(fù)荷預(yù)測是依賴于大量歷史資料及相關(guān)因素的被動型預(yù)測，因此原始數(shù)據(jù)的完善程度與負(fù)荷預(yù)測的精度聯(lián)系緊密。由于任何負(fù)荷預(yù)測都是基于原始數(shù)據(jù)的，所以數(shù)據(jù)預(yù)測結(jié)果的準(zhǔn)確度直接由原始數(shù)據(jù)的正確與否決定。然而，原始數(shù)據(jù)的收集的預(yù)處理不僅瑣碎而且十分困難，一些異常數(shù)據(jù)則會導(dǎo)致觀測數(shù)據(jù)違背常規(guī)，如果這些異常值得不到及時的校正，他們就會以偽信息和偽變化規(guī)律的方式提供給負(fù)荷預(yù)測作為參考，將會導(dǎo)致負(fù)荷預(yù)測的建立發(fā)生錯誤，直接影響預(yù)測結(jié)果的可靠性。由于elman神經(jīng)網(wǎng)絡(luò)是基于類似輸入產(chǎn)生類似輸出的原理，所以學(xué)習(xí)樣本的數(shù)量和質(zhì)量是影響神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效果和學(xué)習(xí)速度的重要因素。

本發(fā)明中采用均值函數(shù)和方差函數(shù)判斷負(fù)荷異常數(shù)據(jù)，并利用平滑處理函數(shù)對異常負(fù)荷數(shù)據(jù)進(jìn)行剔除修正。

(1)判斷負(fù)荷異常數(shù)據(jù)。

假設(shè)電力負(fù)荷樣本用序列y(x,n)表示，其中，y(x,n)表示第n年第x月的電力負(fù)荷數(shù)據(jù)，x＝0,1,...,11，n＝1,2,...,n，n表示采集的歷史電力負(fù)荷數(shù)據(jù)的年份數(shù)。采用均值函數(shù)

和方差函數(shù)定義

為電力負(fù)荷的反常函數(shù)。在對負(fù)荷數(shù)據(jù)實際處理時，我們做出如下判斷：當(dāng)p(x,n)≥1.2時，負(fù)荷點為異常點，當(dāng)p(x,n)＜1.2時，負(fù)荷點為正常點。當(dāng)負(fù)荷點為異常值時，需要剔除。

(2)對異常負(fù)荷數(shù)據(jù)進(jìn)行剔除修正。

電力系統(tǒng)相鄰的負(fù)荷具有粘性，一般不會發(fā)生特別大的變化，具有平滑性，因此我們利用平滑函數(shù)進(jìn)行修正，經(jīng)過剔除異常數(shù)據(jù)和修正后的數(shù)據(jù)形成預(yù)處理樣本序列。

2、數(shù)據(jù)聚類

數(shù)據(jù)聚類器采用蟻群聚類的思想，假設(shè)預(yù)處理樣本序列用yi＝y(tǒng)(xi,ni)表示，其中，xi＝0,1,...,11表示一年中的12個月，ni＝1,2,...,n表示取n年的負(fù)荷數(shù)據(jù)，設(shè)預(yù)處理序列個數(shù)為m,yi＝1,...j...,m。y(xi,ni)表示第ni年第xi個月的預(yù)處理樣本序列，聚類過程如下表示：

1)初始化預(yù)處理樣本序列的基本參數(shù)。

設(shè)預(yù)處理樣本序列屬性為w，聚類半徑為r，允許誤差值為ε1，螞蟻所積累的信息及啟發(fā)因子在螞蟻選擇路徑中所起的不同作用的參數(shù)為a、d，參數(shù)概率值為p。

2)計算任意兩個預(yù)處理樣本序列之間的距離，本專利中采用聚類公式即：

式中，p＝(p1,p2,...,pm)為權(quán)衡因子。

3)計算各路徑上的信息量，如下式所示：

式中，q為正常數(shù)，δτij(t)為各序列路徑上的信息量，rij為任意兩個預(yù)處理樣本序列之間的距離，并作出如下判斷：

4)利用類概率公式計算序列yi聚類到y(tǒng)j的概率pij(t)，yi表示第i個預(yù)處理樣本序列，yj表示第j個預(yù)處理樣本序列，類概率公式如下所示：

式中，δτij(t)為在序列循環(huán)t路線上的信息量，μij為預(yù)處理樣本序列的可視度，并令同時作出如下判斷：如果pij(t)≥p，則yi歸屬于yj類，否則分為兩類。

5)計算偏離誤差和總體誤差。利用偏離誤差公式計算偏離誤差σj即：

式中，yi表示第i個預(yù)處理樣本序列yj表示第j個預(yù)處理樣本序列。預(yù)處理樣本序列的總體誤差為當(dāng)總體誤差值小于允許誤差值ε1時。聚類過程結(jié)束，否則繼續(xù)聚類。

3、網(wǎng)絡(luò)訓(xùn)練

預(yù)先設(shè)定一個極小值ε，誤差判斷器通過構(gòu)造全局誤差函數(shù)對神經(jīng)網(wǎng)絡(luò)的全局誤差做出合理的判斷，即：

式中，為隱層誤差，為輸出層各神經(jīng)元的誤差。若e(x)＜ε則網(wǎng)絡(luò)收斂，訓(xùn)練達(dá)到精度要求；否則對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整和選擇，繼續(xù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，直至網(wǎng)絡(luò)收斂，訓(xùn)練達(dá)到精度要求。

本發(fā)明一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法，主要工作流程如下：

(1)假設(shè)電力負(fù)荷樣本數(shù)據(jù)序列用y(x,n)表示，并作為歷史數(shù)據(jù)，采用均值函數(shù)即e(x)和方差函數(shù)v(x)計算電力負(fù)荷樣本數(shù)據(jù)的均值和方差。將計算得到的樣本數(shù)據(jù)的均值和方差e(x)、σx帶入電力負(fù)荷的反常函數(shù)p(x,n)，得到負(fù)荷預(yù)測樣本數(shù)據(jù)的偏離值。

(2)對電力負(fù)荷預(yù)測樣本的偏離值做出如下判斷：當(dāng)p(x,n)≥1.2時，負(fù)荷點為異常點，當(dāng)p(x,n)＜1.2時，負(fù)荷點為正常點。當(dāng)負(fù)荷點為異常值時，需要剔除，并用平滑函數(shù)進(jìn)行修正，經(jīng)過剔除異常數(shù)據(jù)和修正后的數(shù)據(jù)形成預(yù)處理樣本序列，并將預(yù)處理樣本序列用yi＝y(tǒng)(xi,ni)表示。

(3)將預(yù)處理樣本數(shù)據(jù)輸入數(shù)據(jù)聚類器，采用聚類公式rij計算任意兩個樣本之間的距離，利用公式δτij(t)計算各序列路徑上的信息量，再利用類概率公式計算yi聚類到y(tǒng)j的概率pij(t)，如果pij(t)≥p，則yi歸屬于yj類，否則分為兩類，利用偏離誤差公式即計算偏離誤差σj，并計算樣本數(shù)據(jù)總體誤差當(dāng)總體誤差值小于允許誤差值ε1時。聚類過程結(jié)束，并得到神經(jīng)網(wǎng)絡(luò)的輸入樣本，否則繼續(xù)聚類。由此得到神經(jīng)網(wǎng)絡(luò)的輸入樣本序列，并用序列表示。

(4)將輸入樣本序列輸入神經(jīng)網(wǎng)絡(luò)，采用網(wǎng)絡(luò)的誤差函數(shù)為e(x)＜ε，并預(yù)先設(shè)定一個極小值ε，通過動態(tài)調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值，計算網(wǎng)絡(luò)的誤差，若e(x)＜ε網(wǎng)絡(luò)收斂，訓(xùn)練達(dá)到精度要求；否則對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整后，重新進(jìn)行訓(xùn)練學(xué)習(xí)。

本發(fā)明的一種基于elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)警方法，如圖3所示，包含的步驟為：

步驟1：假設(shè)電力負(fù)荷樣本數(shù)據(jù)序列用y(x,n)表示，并作為歷史數(shù)據(jù)，采用均值函數(shù)即：式中x＝0,1,...,11表示一年中的12個月，n＝1,2,...,n表示取n年的負(fù)荷數(shù)據(jù)，利用方差函數(shù)即：計算電力負(fù)荷預(yù)測樣本數(shù)據(jù)的均值和方差。進(jìn)入步驟2；

步驟2：將步驟1計算得到的預(yù)測樣本數(shù)據(jù)的均值和方差e(x)、σx帶入電力負(fù)荷的反常函數(shù)式中x＝0,1,...,11，n＝1,2,...,n。得到負(fù)荷預(yù)測樣本數(shù)據(jù)的偏離值。進(jìn)入步驟3；

步驟3：對步驟2計算得到電力負(fù)荷預(yù)測樣本的偏離值做出如下判斷：當(dāng)p(x,n)≥1.2時，負(fù)荷點為異常點，當(dāng)p(x,n)＜1.2時，負(fù)荷點為正常點。當(dāng)負(fù)荷點為異常值時，需要剔除。由此得到預(yù)處理樣本數(shù)據(jù)，并將預(yù)處理樣本序列表示預(yù)處理樣本序列為yi＝y(tǒng)(xi,ni)，其中xi＝0,1,...,11表示一年中的12個月，yi＝1,2,...j...,n表示取n年的負(fù)荷數(shù)據(jù)，i＝1,...,m。y(xi,ni)表示第ni年第xi個月的預(yù)處理樣本序列。進(jìn)入步驟4；

步驟4：將預(yù)處理樣本數(shù)據(jù)輸入數(shù)據(jù)聚類器，采用聚類公式(w為樣本屬性)計算任意兩個樣本序列之間的距離，利用公式δτij(t)計算各序列路徑上的信息量，再利用類概率公式計算yi聚類到y(tǒng)j的概率pij(t)，如果pij(t)≥p，則yi歸屬于yj類，否則分為兩類。進(jìn)入步驟5；

步驟5：利用偏離誤差公式計算偏離誤差σj，樣本數(shù)據(jù)總體誤差為當(dāng)總體誤差值小于允許誤差值ε1時。聚類過程結(jié)束，由此得到神經(jīng)網(wǎng)絡(luò)的輸入樣本序列進(jìn)入步驟6；否則返回步驟4繼續(xù)聚類；

步驟6：設(shè)網(wǎng)絡(luò)的每個連接權(quán)值為wab、fbc，閾值為αb、βc，并將連接權(quán)值和閾值賦予(-1,1)區(qū)間內(nèi)的隨機(jī)值。進(jìn)入步驟7；

步驟7：將wab、fbc、yx帶入公式中得到神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的輸入mb，其中θb為神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元間的角常量，p為隱層神經(jīng)元個數(shù)，n為神經(jīng)網(wǎng)絡(luò)連接權(quán)值個數(shù)。進(jìn)入步驟8；

步驟8：將步驟7計算得到的mb帶入隱層傳遞函數(shù)nb＝f(mb)(此處傳遞函數(shù)取為sigmoid函數(shù)，)，計算各個神經(jīng)元的輸出nb；進(jìn)入步驟9；

步驟9：將隱含層各神經(jīng)元的連接權(quán)值fbc、閾值βc和神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的輸入nb帶入公式得到輸出層各神經(jīng)元的輸出，其中q為輸出層神經(jīng)元個數(shù)，并利用傳遞函數(shù)得到輸出層的實際輸出pc＝f(rc)。進(jìn)入步驟10；

步驟10：利用網(wǎng)絡(luò)終極向量得到輸出層各神經(jīng)元的誤差其中代表輸出層第一個神經(jīng)元的終極向量，進(jìn)入步驟11；

步驟11：將連接權(quán)值fbc，輸出層誤差uc和隱層輸出nb帶入公式中得到隱層誤差進(jìn)入步驟12；

步驟12：采用公式(其中b＝1,2,...,p。c＝1,2,...q)和(其中1＜η＜1)，并根據(jù)輸出層各神經(jīng)元的誤差與隱層輸出nb來修正連接權(quán)值fbc和閾值βc。進(jìn)入步驟13；

步驟13：采用公式(其中x＝0,1,...,11。b＝1,2,...,p)和(其中0＜ξ＜1)，并輸入輸入層各單元的輸入來修正連接權(quán)值fbc和閾值αb。進(jìn)入步驟14；

步驟14：設(shè)網(wǎng)絡(luò)的誤差函數(shù)為并預(yù)先設(shè)定一個極小值ε，若e＜ε網(wǎng)絡(luò)收斂，訓(xùn)練達(dá)到精度要求；否則需要對神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整，重新進(jìn)行訓(xùn)練學(xué)習(xí)，直至網(wǎng)絡(luò)收斂，訓(xùn)練達(dá)到精度要求；進(jìn)入步驟15；

步驟15：將訓(xùn)練好的elman神經(jīng)網(wǎng)絡(luò)作為電力負(fù)荷預(yù)警器，從而實現(xiàn)電力負(fù)荷預(yù)警。

根據(jù)需要，該預(yù)警結(jié)果可以通過多種顯示設(shè)備(如pc機(jī)、移動設(shè)備等)提以多種顯示方式(如文字、圖表等)提供給電力系統(tǒng)管理部門作為決策參考。當(dāng)預(yù)測結(jié)果觸發(fā)預(yù)警時，提供文字、聲音或圖像預(yù)警信息，并向不同權(quán)限的管理人員傳送不同的相應(yīng)預(yù)警信息。

為方便描述，我們假設(shè)有如下應(yīng)用實例：

電力局提交最近10年電力系統(tǒng)的負(fù)荷負(fù)荷原始數(shù)據(jù)，首先要對著10年的原始數(shù)據(jù)進(jìn)行預(yù)處理，將異常負(fù)荷數(shù)據(jù)進(jìn)行剔除修正，以提高負(fù)荷的預(yù)測精度，然后對采用蟻群聚類的思想對剔除過異常數(shù)據(jù)的樣本數(shù)據(jù)進(jìn)行聚類，以此來達(dá)到神經(jīng)網(wǎng)絡(luò)的輸入樣本更具有代表性，從而改善網(wǎng)絡(luò)訓(xùn)練時間和收斂速度，有效提高預(yù)測精度，將聚類后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)，當(dāng)網(wǎng)絡(luò)全局誤差大于給定的極小值時，通過計算網(wǎng)絡(luò)的整體誤差來不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，直到網(wǎng)絡(luò)的總體誤差小于給定的極小值。

其具體的實施方案為：

(1)將電力局提供的電力系統(tǒng)10年的原始數(shù)據(jù)進(jìn)行預(yù)處理，首先通過數(shù)據(jù)處理器，采用均值函數(shù)和方差函數(shù)來計算原始數(shù)據(jù)的均值和方差，并利用為電力負(fù)荷的反常函數(shù)p(x,n)計算原始數(shù)據(jù)的偏離值，將異常負(fù)荷點進(jìn)行剔除。

(2)將剔除異常負(fù)荷點的數(shù)據(jù)輸入數(shù)據(jù)聚類器進(jìn)行聚類處理，采用聚類公式rij計算任意兩個樣本之間的距離，利用公式δτij(t)計算各序列路徑上的信息量，再利用類概率公式計算yi聚類到y(tǒng)j的概率pij(t)，如果pij(t)≥p，則yi歸屬于yj類，否則分為兩類，由此得到神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)利用偏離誤差公式計算偏離誤差σj，并計算樣本數(shù)據(jù)總體誤差當(dāng)總體誤差值小于允許誤差值ε1時。聚類過程結(jié)束，否則繼續(xù)聚類。

(3)將聚類后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)，采用網(wǎng)絡(luò)的誤差函數(shù)為并預(yù)先設(shè)定一個極小值ε，通過動態(tài)調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值，計算網(wǎng)絡(luò)的誤差，若e(x)＜ε網(wǎng)絡(luò)收斂，訓(xùn)練達(dá)到精度要求；否則對神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整，重新進(jìn)行訓(xùn)練學(xué)習(xí)。

(4)將通過訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)作為電力負(fù)荷預(yù)警器，從而實現(xiàn)電力負(fù)荷預(yù)警。

以上所述，僅為本發(fā)明中的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。