[发明专利]基于实时电价的短期负荷预测方法

权利要求书

1.一种基于实时电价的短期负荷预测方法，其特征在于，所述方法包括：

获取历史电价数据及对应的历史负荷数据，并获取当前电价数据；

基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据，所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系；

所述获取历史电价数据及对应的历史负荷数据，并获取当前电价数据之前，所述方法还包括：

构建由电价影响的神经网络模型，根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练；

所述由电价影响的神经网络模型为，

其中，为预测负荷数据，x_i为第i个输入数据，w_ij和w_jl均为权值，θ_j和θ_l均为阈值，r_i为第i个负荷与对应电价的相关系数，

c_v为第v个历史电价数据，为历史电价数据的均值，l_v为第v个历史负荷数据，为历史负荷数据的均值，N为历史电价数据或历史负载数据的数量，f(·)为隐含层的激励函数，g(·)为输出层的激励函数。

2.如权利要求1所述的方法，其特征在于，所述根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练，具体包括：

将所述历史电价数据及对应的历史负荷数据进行归一化处理；

将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中，获得所述由电价影响的神经网络模型的预测负荷；

计算所述预测负荷与实际负荷之间的预测误差，将预测误差与误差阈值进行比较；

若所述预测误差超过所述误差阈值，则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的各层间的权值和阈值，基于修正前的权重，附加使搜索快速收敛全局绩效的惯性项，并根据所述预测误差调整所述反馈负荷，返回所述将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中的步骤；

若所述预测误差未超过所述误差阈值，则将修正后的权值和阈值代入所述由电价影响的神经网络模型，并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。

3.如权利要求2所述的方法，其特征在于，根据所述预测误差通过下式调整所述反馈负荷，

u(t)＝u(t-1)+k_p·(e(t)-e(t-1))+k_i·e(t)+k_d(e(t)-2e(t-1)+e(t-2))

其中，u(t)为本次调整后的反馈负荷；u(t-1)为上一次调整后的反馈负荷；e(t)为本次的预测误差；e(t-1)为上次的预测误差；e(t-2)为上上次的预测误差；k_p为比例系数；k_i为积分系数；k_d为微分系数。