一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力系統(tǒng)負荷預(yù)測技術(shù)領(lǐng)域，特別是涉及一種基于elman神經(jīng)網(wǎng)絡(luò)的 居民負荷預(yù)測方法。
【背景技術(shù)】
[0002] 電力作為一種重要能源，在日常生活以及工作中都起著舉足輕重的作用，隨著國 民經(jīng)濟的快速發(fā)展，全社會用電量以及各個產(chǎn)業(yè)用電量也穩(wěn)定增長，因此用電量的使用趨 勢不但影響電網(wǎng)經(jīng)營企業(yè)的生產(chǎn)經(jīng)營決策及經(jīng)濟效益，還會影響到社會經(jīng)濟的趨勢分析。 合理地進行電力負荷預(yù)測是電力系統(tǒng)對電力資源進行調(diào)度、規(guī)劃的前提條件。
[0003] 電力負荷一般可以分為工業(yè)負荷、商業(yè)負荷、居民負荷等，其中工業(yè)負荷和商業(yè)負 荷在電力負荷中的比重較高，電網(wǎng)企業(yè)歷來對這塊的負荷預(yù)測比較重視，并陸續(xù)建成了負 荷控制系統(tǒng)和用電信息采集系統(tǒng)以完成對工商業(yè)負荷的數(shù)據(jù)采集和負荷預(yù)測；居民用戶負 荷由于分布分散、規(guī)模偏小的特點，一直采取的都是集中預(yù)測的方法，即以臺區(qū)或饋線負荷 為單位進行預(yù)測，這種預(yù)測方法的缺點就是精度不高，尤其隨著居民家用電器的逐年增多、 電動自行車的普及和電動汽車的逐步推廣，居民用戶的用電負荷呈現(xiàn)穩(wěn)步增長趨勢和明顯 的季節(jié)性波動，通過集中預(yù)測的方法對居民用戶負荷預(yù)測的弊病愈發(fā)顯現(xiàn)。

【發(fā)明內(nèi)容】

[0004] 為了解決上述的技術(shù)問題，本發(fā)明的目的是提供一種基于elman神經(jīng)網(wǎng)絡(luò)的居民 負荷預(yù)測方法。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0006] 一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，包括：
[0007] S1、獲取上一年度的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)，同時對該 年度中的有效天數(shù)進行日期類型劃分；
[0008] S2、根據(jù)獲取的居民負荷歷史數(shù)據(jù)，計算各個月份的居民負荷的同期平均數(shù)，進而 計算所有同期平均數(shù)的總平均值后，將每個同期平均數(shù)與總平均值相除獲得季節(jié)指數(shù)；
[0009] S3、采用季節(jié)指數(shù)對居民負荷歷史數(shù)據(jù)進行修正，將各個月份的居民負荷歷史數(shù) 據(jù)除以對應(yīng)的季節(jié)指數(shù)后，獲得修正后的居民負荷歷史數(shù)據(jù)；
[0010] S4、確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，并確定最優(yōu)的隱含層神經(jīng)元個數(shù)，從而建立 基于elman的神經(jīng)網(wǎng)絡(luò)；
[0011] S5、對修正后的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進行歸一化處 理，進而根據(jù)歸一化處理后的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控 制在預(yù)設(shè)范圍內(nèi)；
[0012] S6、獲取預(yù)測日前一周的居民負荷歷史數(shù)據(jù)、預(yù)測日的天氣參數(shù)數(shù)據(jù)和日期類型 作為神經(jīng)網(wǎng)絡(luò)的輸入，采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的居民負荷進行預(yù)測，進而將獲得 的預(yù)測數(shù)據(jù)乘以季節(jié)指數(shù)后得到居民負荷預(yù)測數(shù)據(jù)；
[0013] 所述日期類型劃分為休息日和工作日兩種類型。
[0014] 進一步，所述步驟S5中所述預(yù)設(shè)范圍為5%~10%。
[0015] 進一步，所述居民負荷歷史數(shù)據(jù)包括每個小時的居民負荷數(shù)據(jù)，所述歷史天氣參 數(shù)數(shù)據(jù)包括氣溫、日照時間和天氣類型。
[0016] 進一步，所述步驟S4,包括：
[0017] S41、統(tǒng)計獲取的居民負荷歷史數(shù)據(jù)、歷史天氣參數(shù)數(shù)據(jù)和日期類型，將任一日的 居民負荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，同時將該日之前一周內(nèi)的每個小時的居民負荷數(shù) 據(jù)以及該日的天氣參數(shù)數(shù)據(jù)和日期類型作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)；
[0018] S42、對神經(jīng)網(wǎng)絡(luò)進行初始化，根據(jù)輸入輸出序列確定輸入結(jié)點單元向量、隱含層 結(jié)點單元向量、反饋狀態(tài)向量和輸出結(jié)點向量，從而建立起基于elman的神經(jīng)網(wǎng)絡(luò)。
[0019] 進一步，所述基于elman的神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：
[0020]
【主權(quán)項】
1. 一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于，包括： 51、 獲取上一年度的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)，同時對該年度 中的有效天數(shù)進行日期類型劃分； 52、 根據(jù)獲取的居民負荷歷史數(shù)據(jù)，計算各個月份的居民負荷的同期平均數(shù)，進而計算 所有同期平均數(shù)的總平均值后，將每個同期平均數(shù)與總平均值相除獲得季節(jié)指數(shù)； 53、 采用季節(jié)指數(shù)對居民負荷歷史數(shù)據(jù)進行修正，將各個月份的居民負荷歷史數(shù)據(jù)除 以對應(yīng)的季節(jié)指數(shù)后，獲得修正后的居民負荷歷史數(shù)據(jù)； 54、 確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，并確定最優(yōu)的隱含層神經(jīng)元個數(shù)，從而建立基于 elman的神經(jīng)網(wǎng)絡(luò)； 55、 對修正后的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進行歸一化處理，進 而根據(jù)歸一化處理后的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控制在預(yù) 設(shè)范圍內(nèi)； 56、 獲取預(yù)測日前一周的居民負荷歷史數(shù)據(jù)、預(yù)測日的天氣參數(shù)數(shù)據(jù)和日期類型作為 神經(jīng)網(wǎng)絡(luò)的輸入，采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的居民負荷進行預(yù)測，進而將獲得的預(yù) 測數(shù)據(jù)乘以季節(jié)指數(shù)后得到居民負荷預(yù)測數(shù)據(jù)； 所述日期類型劃分為休息日和工作日兩種類型。
2. 根據(jù)權(quán)利要求1所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述步驟S5中所述預(yù)設(shè)范圍為5%~10%。
3. 根據(jù)權(quán)利要求1所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述居民負荷歷史數(shù)據(jù)包括每個小時的居民負荷數(shù)據(jù)，所述歷史天氣參數(shù)數(shù)據(jù)包括氣溫、 日照時間和天氣類型。
4. 根據(jù)權(quán)利要求3所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述步驟S4,包括： 541、 統(tǒng)計獲取的居民負荷歷史數(shù)據(jù)、歷史天氣參數(shù)數(shù)據(jù)和日期類型，將任一日的居民 負荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，同時將該日之前一周內(nèi)的每個小時的居民負荷數(shù)據(jù)以 及該日的天氣參數(shù)數(shù)據(jù)和日期類型作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)； 542、 對神經(jīng)網(wǎng)絡(luò)進行初始化，根據(jù)輸入輸出序列確定輸入結(jié)點單元向量、隱含層結(jié)點 單元向量、反饋狀態(tài)向量和輸出結(jié)點向量，從而建立起基于elman的神經(jīng)網(wǎng)絡(luò)。
5. 根據(jù)權(quán)利要求4所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述基于elman的神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：
其中，y(k)表示m維輸出節(jié)點向量，l(k)表示m維隱含層節(jié)點單元向量，x(k)表示u 維輸入向量，c (k)表示η維反饋狀態(tài)向量，W3表示隱含層到輸出層的連接權(quán)值，w 2表示輸入 層到隱含層的連接權(quán)值，W1表示承接層到隱含層的連接權(quán)值，g(*)表示輸出神經(jīng)元的傳遞 函數(shù)，f(*)表示隱含層神經(jīng)元的傳遞函數(shù)。
6. 根據(jù)權(quán)利要求4所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述步驟S5,包括： 551、 根據(jù)下式對修正后的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進行歸一 化處理：
其中，Xk表示居民負荷歷史數(shù)據(jù)序列或歷史天氣參數(shù)數(shù)據(jù)數(shù)列中的第k個參數(shù)值，k為 自然數(shù)，Xnlax表示X k所在數(shù)據(jù)序列中的最大值，X _表示X k所在數(shù)據(jù)序列中的最小值； 552、 根據(jù)歸一化處理后的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行誤差計算、權(quán)值更新和閥值更 新，進而將基于elman的神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控制在預(yù)設(shè)范圍內(nèi)。
7. 根據(jù)權(quán)利要求6所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述基于elman的神經(jīng)網(wǎng)絡(luò)采用BP算法進行權(quán)值修正更新，并采用誤差平方和函數(shù)進行指 標(biāo)函數(shù)學(xué)習(xí)，所述指標(biāo)函數(shù)學(xué)習(xí)的公式為：
上式中E(x)表示指標(biāo)函數(shù)，;表示目標(biāo)輸入向量。
8. 根據(jù)權(quán)利要求7所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述步驟S6,包括： 561、 獲取預(yù)測日前一周的居民負荷歷史數(shù)據(jù)、預(yù)測日的天氣參數(shù)數(shù)據(jù)和日期類型作為 神經(jīng)網(wǎng)絡(luò)的輸入，采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的居民負荷進行預(yù)測，進而獲得預(yù)測日 當(dāng)天每小時的預(yù)測數(shù)據(jù)； 562、 將獲得的預(yù)測數(shù)據(jù)乘以季節(jié)指數(shù)后，獲得每小時的居民負荷預(yù)測數(shù)據(jù)。
9. 根據(jù)權(quán)利要求8所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，其特征在于， 所述步驟S62之后還包括以下步驟： 563、 獲取預(yù)測日當(dāng)天的實際負荷數(shù)據(jù)后，計算獲得的居民負荷預(yù)測數(shù)據(jù)與實際負荷數(shù) 據(jù)之間的誤差值，并將誤差值反饋至神經(jīng)網(wǎng)絡(luò)。
【專利摘要】本發(fā)明公開了一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負荷預(yù)測方法，包括：獲取上一年度的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)；計算各個月份的居民負荷的季節(jié)指數(shù)；采用季節(jié)指數(shù)對居民負荷歷史數(shù)據(jù)進行修正；確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，并確定最優(yōu)的隱含層神經(jīng)元個數(shù)，從而建立基于elman的神經(jīng)網(wǎng)絡(luò)；對修正后的居民負荷歷史數(shù)據(jù)以及對應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進行歸一化處理，進而對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將預(yù)測誤差控制在預(yù)設(shè)范圍內(nèi)；采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對居民負荷進行預(yù)測。本發(fā)明具有適應(yīng)時變特性和居民負荷的季節(jié)波動性的能力，能直接預(yù)測并反映居民負荷的動態(tài)特性，預(yù)測精度較高，可廣泛應(yīng)用于電力系統(tǒng)的負荷預(yù)測領(lǐng)域中。
【IPC分類】G06Q50-06, G06Q10-04
【公開號】CN104636822
【申請?zhí)枴緾N201510031651
【發(fā)明人】呂洲, 楊林, 劉兵, 姚科, 高福榮
【申請人】廣州市香港科大霍英東研究院
【公開日】2015年5月20日
【申請日】2015年1月21日