[发明专利]基于组合神经网络的电力系统短期负荷预测方法

说明书

技术领域

本发明涉及电力系统短期负荷预测技术领域，尤其涉及基于组合神经网络的电力系统短期负荷预测方法。

背景技术

随着电力系统规模和复杂性不断提高，电力系统短期负荷预测的准确与否对有效降低发电资费、实施各地区电力系统优化控制具有关键作用。与长期负荷预测相比，短期负荷预测主要用于安排发电计划，时效性最高。其负荷变动速度快，受温差、湿度等突变因素影响大，属于动态非线性时间序列。由于短期负荷的此类特征，若想达到精准预测较为困难。随着新电改的实施，售电市场竞争不断深化，对预测精度提出新的要求。因此，提供一种精确度高的电力系统短期负荷预测方法是很有必要的。

BP-NN预测模型——反向传播神经网络预测模型；

AM-NN预测模型——附加动量算法神经网络预测模型；

QN-NN预测模型——拟牛顿算法神经网络预测模型。

发明内容

本发明的目的在于针对上述技术问题，提供一种基于组合神经网络的电力系统短期负荷预测方法。

步骤一：收集汇总历史地区电网负荷数据、气象数据等数据的采集与汇总，并导入Excel数据库中。

步骤二：数据预处理，为避免神经元饱和情况的发生，需要对原始负荷数据进行预处理，这样做将有利于训练过程的收敛，提高预测精度。主要的预处理方式是，对训练样本集中的历史负荷数据，统计其最大值和最小值，将负荷数据归一到[1，1]区间，可使数据处于同一数量级别，加快神经网络收敛。

步骤三：确定模型结构。

单一NN在不同的样本输入空间内泛化性能不同，这将影响NN预测模型的预测精度。对NN模型进行组合，即通过建立多个单一NN，选择合适的组合权重，构造组合NN预测模型，提高预测精度。

设有n个独立的预测模型，第i个预测模型g_i(x)的绝对误差为ε_i＝g(x)-g_i(x)，其中g(x)是真实模型，则第i个预测模型的预测均方误差可表示如下：

则所有n个预测模型的预测均方误差的平均值可表示如下：

设n个预测模型只是通过简单平均组合在一起，则组合预测模型可以表示如下：

假设各ε_i(x)之间相互独立，且均值为0，则组合预测模型g_AV(x)的预测均方误差可表示如下：

通过组合n个不相关的预测模型得到的组合预测模型，其预测均方误差可以减少到原来预测均方误差的1/n，即将多种不同的预测模型进行适当的组合，充分利用各种模型提供的信息，能够有效提高预测精度。

组合神经网络预测模型由AM-NN子模型和QN-NN子模型构成，通过时变综合权系数将两个模型融合在一起。

用a₁(t)和a₂(t)表示组合神经网络中附加动量算法神经网络和拟牛顿算法神经网络预测模型的综合权系数，可采用固定综合权系数或时变综合权系数两种，固定综合权系数不随时间变化，而时变综合权系数随时间变化，更接近实际负荷预测系统的特点，所以本文采用时变综合权系数。

若组合预测模型中含有n个子模型，一个预测日包含N个时刻的负荷，a_i(t)为第i个(其中i＝1，2，…，n)子模型在t时刻的时变权系数且满足：

则具有时变综合权系数的组合NN预测模型可以表示为

式(6)中，y_i(t)表示第i个子模型在t时刻的预测负荷值；y(t)表示组合NN预测模型t时刻的预测负荷值(其中t＝1，2，…，N)。

时变综合权系数a_i(t)采用历史负荷数据构成样本数据集确定，以误差平方和最小为目标函数，采用最小二乘法计算。目标函数如式(7)所示。

式(7)中，Y(t)表示t时刻的实际负荷值。

步骤四：采用历史数据对基于IPSO算法的DRNN预测模型进行训练，确定模型参数及权值。

A：AM-NN子模型采用前馈NN拓扑结构，包括输入层、隐含层和输出层等三层，采用AM算法作为NN的学习算法。前馈NN常采用BP算法作为学习算法，它实质上是一种简单的最速下降寻优算法，它的权值修正是沿着当前时刻负梯度方向进行的，权值修正如式(8)所示。