一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測(cè)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(cè)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(fù)荷預(yù)測(cè)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(guó) 民經(jīng)濟(jì)的快速發(fā)展，全社會(huì)用電量以及各個(gè)產(chǎn)業(yè)用電量也穩(wěn)定增長(zhǎng)，因此用電量的使用趨 勢(shì)不但影響電網(wǎng)經(jīng)營(yíng)企業(yè)的生產(chǎn)經(jīng)營(yíng)決策及經(jīng)濟(jì)效益，還會(huì)影響到社會(huì)經(jīng)濟(jì)的趨勢(shì)分析。 合理地進(jìn)行電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)對(duì)電力資源進(jìn)行調(diào)度、規(guī)劃的前提條件。
[0003] 電力負(fù)荷一般可以分為工業(yè)負(fù)荷、商業(yè)負(fù)荷、居民負(fù)荷等，其中工業(yè)負(fù)荷和商業(yè)負(fù) 荷在電力負(fù)荷中的比重較高，電網(wǎng)企業(yè)歷來(lái)對(duì)這塊的負(fù)荷預(yù)測(cè)比較重視，并陸續(xù)建成了負(fù) 荷控制系統(tǒng)和用電信息采集系統(tǒng)以完成對(duì)工商業(yè)負(fù)荷的數(shù)據(jù)采集和負(fù)荷預(yù)測(cè)；居民用戶負(fù) 荷由于分布分散、規(guī)模偏小的特點(diǎn)，一直采取的都是集中預(yù)測(cè)的方法，即以臺(tái)區(qū)或饋線負(fù)荷 為單位進(jìn)行預(yù)測(cè)，這種預(yù)測(cè)方法的缺點(diǎn)就是精度不高，尤其隨著居民家用電器的逐年增多、 電動(dòng)自行車(chē)的普及和電動(dòng)汽車(chē)的逐步推廣，居民用戶的用電負(fù)荷呈現(xiàn)穩(wěn)步增長(zhǎng)趨勢(shì)和明顯 的季節(jié)性波動(dòng)，通過(guò)集中預(yù)測(cè)的方法對(duì)居民用戶負(fù)荷預(yù)測(cè)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(wèn)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(fù)荷預(yù)測(cè)方法。
[0005] 本發(fā)明解決其技術(shù)問(wèn)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(fù)荷預(yù)測(cè)方法，包括：
[0007] S1、獲取上一年度的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)，同時(shí)對(duì)該 年度中的有效天數(shù)進(jìn)行日期類(lèi)型劃分；
[0008] S2、根據(jù)獲取的居民負(fù)荷歷史數(shù)據(jù)，計(jì)算各個(gè)月份的居民負(fù)荷的同期平均數(shù)，進(jìn)而 計(jì)算所有同期平均數(shù)的總平均值后，將每個(gè)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(duì)居民負(fù)荷歷史數(shù)據(jù)進(jìn)行修正，將各個(gè)月份的居民負(fù)荷歷史數(shù) 據(jù)除以對(duì)應(yīng)的季節(jié)指數(shù)后，獲得修正后的居民負(fù)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(gè)數(shù)，從而建立 基于elman的神經(jīng)網(wǎng)絡(luò)；
[0011] S5、對(duì)修正后的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進(jìn)行歸一化處 理，進(jìn)而根據(jù)歸一化處理后的數(shù)據(jù)對(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差控 制在預(yù)設(shè)范圍內(nèi)；
[0012] S6、獲取預(yù)測(cè)日前一周的居民負(fù)荷歷史數(shù)據(jù)、預(yù)測(cè)日的天氣參數(shù)數(shù)據(jù)和日期類(lèi)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(duì)預(yù)測(cè)日的居民負(fù)荷進(jìn)行預(yù)測(cè)，進(jìn)而將獲得 的預(yù)測(cè)數(shù)據(jù)乘以季節(jié)指數(shù)后得到居民負(fù)荷預(yù)測(cè)數(shù)據(jù)；
[0013] 所述日期類(lèi)型劃分為休息日和工作日兩種類(lèi)型。
[0014] 進(jìn)一步，所述步驟S5中所述預(yù)設(shè)范圍為5%~10%。
[0015] 進(jìn)一步，所述居民負(fù)荷歷史數(shù)據(jù)包括每個(gè)小時(shí)的居民負(fù)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(shí)間和天氣類(lèi)型。
[0016] 進(jìn)一步，所述步驟S4,包括：
[0017] S41、統(tǒng)計(jì)獲取的居民負(fù)荷歷史數(shù)據(jù)、歷史天氣參數(shù)數(shù)據(jù)和日期類(lèi)型，將任一日的 居民負(fù)荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，同時(shí)將該日之前一周內(nèi)的每個(gè)小時(shí)的居民負(fù)荷數(shù) 據(jù)以及該日的天氣參數(shù)數(shù)據(jù)和日期類(lèi)型作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)；
[0018] S42、對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，根據(jù)輸入輸出序列確定輸入結(jié)點(diǎn)單元向量、隱含層 結(jié)點(diǎn)單元向量、反饋狀態(tài)向量和輸出結(jié)點(diǎn)向量，從而建立起基于elman的神經(jīng)網(wǎng)絡(luò)。
[0019] 進(jìn)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(dá)式為：
[0020]
【主權(quán)項(xiàng)】
1. 一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測(cè)方法，其特征在于，包括： 51、 獲取上一年度的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)，同時(shí)對(duì)該年度 中的有效天數(shù)進(jìn)行日期類(lèi)型劃分； 52、 根據(jù)獲取的居民負(fù)荷歷史數(shù)據(jù)，計(jì)算各個(gè)月份的居民負(fù)荷的同期平均數(shù)，進(jìn)而計(jì)算 所有同期平均數(shù)的總平均值后，將每個(gè)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(duì)居民負(fù)荷歷史數(shù)據(jù)進(jìn)行修正，將各個(gè)月份的居民負(fù)荷歷史數(shù)據(jù)除 以對(duì)應(yīng)的季節(jié)指數(shù)后，獲得修正后的居民負(fù)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(gè)數(shù)，從而建立基于 elman的神經(jīng)網(wǎng)絡(luò)； 55、 對(duì)修正后的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進(jìn)行歸一化處理，進(jìn) 而根據(jù)歸一化處理后的數(shù)據(jù)對(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差控制在預(yù) 設(shè)范圍內(nèi)； 56、 獲取預(yù)測(cè)日前一周的居民負(fù)荷歷史數(shù)據(jù)、預(yù)測(cè)日的天氣參數(shù)數(shù)據(jù)和日期類(lèi)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(duì)預(yù)測(cè)日的居民負(fù)荷進(jìn)行預(yù)測(cè)，進(jìn)而將獲得的預(yù) 測(cè)數(shù)據(jù)乘以季節(jié)指數(shù)后得到居民負(fù)荷預(yù)測(cè)數(shù)據(jù)； 所述日期類(lèi)型劃分為休息日和工作日兩種類(lèi)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(fù)荷預(yù)測(cè)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(fù)荷預(yù)測(cè)方法，其特征在于， 所述居民負(fù)荷歷史數(shù)據(jù)包括每個(gè)小時(shí)的居民負(fù)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(shí)間和天氣類(lèi)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(fù)荷預(yù)測(cè)方法，其特征在于， 所述步驟S4,包括： 541、 統(tǒng)計(jì)獲取的居民負(fù)荷歷史數(shù)據(jù)、歷史天氣參數(shù)數(shù)據(jù)和日期類(lèi)型，將任一日的居民 負(fù)荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，同時(shí)將該日之前一周內(nèi)的每個(gè)小時(shí)的居民負(fù)荷數(shù)據(jù)以 及該日的天氣參數(shù)數(shù)據(jù)和日期類(lèi)型作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)； 542、 對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，根據(jù)輸入輸出序列確定輸入結(jié)點(diǎn)單元向量、隱含層結(jié)點(diǎn) 單元向量、反饋狀態(tài)向量和輸出結(jié)點(diǎn)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(fù)荷預(yù)測(cè)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(dá)式為：
其中，y(k)表示m維輸出節(jié)點(diǎn)向量，l(k)表示m維隱含層節(jié)點(diǎn)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(fù)荷預(yù)測(cè)方法，其特征在于， 所述步驟S5,包括： 551、 根據(jù)下式對(duì)修正后的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進(jìn)行歸一 化處理：
其中，Xk表示居民負(fù)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(gè)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(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差計(jì)算、權(quán)值更新和閥值更 新，進(jìn)而將基于elman的神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)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(fù)荷預(yù)測(cè)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(jìn)行權(quán)值修正更新，并采用誤差平方和函數(shù)進(jìn)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(fù)荷預(yù)測(cè)方法，其特征在于， 所述步驟S6,包括： 561、 獲取預(yù)測(cè)日前一周的居民負(fù)荷歷史數(shù)據(jù)、預(yù)測(cè)日的天氣參數(shù)數(shù)據(jù)和日期類(lèi)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(duì)預(yù)測(cè)日的居民負(fù)荷進(jìn)行預(yù)測(cè)，進(jìn)而獲得預(yù)測(cè)日 當(dāng)天每小時(shí)的預(yù)測(cè)數(shù)據(jù)； 562、 將獲得的預(yù)測(cè)數(shù)據(jù)乘以季節(jié)指數(shù)后，獲得每小時(shí)的居民負(fù)荷預(yù)測(cè)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(fù)荷預(yù)測(cè)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(cè)日當(dāng)天的實(shí)際負(fù)荷數(shù)據(jù)后，計(jì)算獲得的居民負(fù)荷預(yù)測(cè)數(shù)據(jù)與實(shí)際負(fù)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(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于elman神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測(cè)方法，包括：獲取上一年度的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)；計(jì)算各個(gè)月份的居民負(fù)荷的季節(jié)指數(shù)；采用季節(jié)指數(shù)對(duì)居民負(fù)荷歷史數(shù)據(jù)進(jìn)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(gè)數(shù)，從而建立基于elman的神經(jīng)網(wǎng)絡(luò)；對(duì)修正后的居民負(fù)荷歷史數(shù)據(jù)以及對(duì)應(yīng)的歷史天氣參數(shù)數(shù)據(jù)進(jìn)行歸一化處理，進(jìn)而對(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將預(yù)測(cè)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(duì)居民負(fù)荷進(jìn)行預(yù)測(cè)。本發(fā)明具有適應(yīng)時(shí)變特性和居民負(fù)荷的季節(jié)波動(dòng)性的能力，能直接預(yù)測(cè)并反映居民負(fù)荷的動(dòng)態(tài)特性，預(yù)測(cè)精度較高，可廣泛應(yīng)用于電力系統(tǒng)的負(fù)荷預(yù)測(cè)領(lǐng)域中。
【IPC分類(lèi)】G06Q50-06, G06Q10-04
【公開(kāi)號(hào)】CN104636822
【申請(qǐng)?zhí)枴緾N201510031651
【發(fā)明人】呂洲, 楊林, 劉兵, 姚科, 高福榮
【申請(qǐng)人】廣州市香港科大霍英東研究院
【公開(kāi)日】2015年5月20日
【申請(qǐng)日】2015年1月21日