[发明专利]基于主成分自适应BP神经网络的短期电力负荷预测方法

权利要求书

1.一种基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：

(1)确定神经网络的输入输出量；

(2)将电力系统历史负荷数据作为样本，并对样本进行预处理；

(3)建立主成分自适应BP神经网络：利用主成分分析对历史负荷数据进行处理，将原有的数据指标线性转换为一组新的互不相关的新变量，然后根据累积贡献率大于95％这一原则从新的变量中选取所需的主成分，结合BP神经网络，构成主成分自适应的BP神经网络；

(4)利用主成分自适应BP神经网络进行短期电力负荷预测：将训练数据送入BP神经网络进行训练，用训练好的改进的BP神经网络预测模型进行短期电力负荷预测，最终得到预测数据；将预测数据反归一化，从而得到实际的预测负荷值。

2.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述步骤(1)中神经网络的输入量为预测日对应的前一天24小时的负荷值、最高最低气温、天气状况以及日期类型；神经网络的输出量为预测日的24小时负荷值。

3.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述步骤(2)中的预处理包括对历史负荷数据中的异常数据进行修复处理，并将修复处理后的历史负荷数据进行归一化处理；其中，异常数据是指电力系统历史负荷数据由于干扰因素存在缺失的或错误的数据。

4.根据权利要求3所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述对历史负荷数据中的异常数据进行修复处理具体为：

对于缺失数据的处理：如果缺失数据的前后时间间隔小于或等于设定阈值，采用线性插值的方法将其补上；如果缺失数据的前后时间间隔大于设定阈值，采用相邻几天的数据来代替，此时一定要采用相同日期类型的数据；

对于错误数据的处理：将某一时刻的负荷和其前后负荷值进行比较，如果负荷数据的变化范围大于某一阈值，则取前后负荷值的平均值代替；对大事故日负荷或明显负荷曲线异常的日负荷用与其日类型相似的正常曲线置换。

5.根据权利要求3所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述将修复处理后的历史负荷数据进行归一化处理具体为：使用归一化公式将样本数据归一化为[0,1]之间，使负荷数据处于同一数量级别；对于历史负荷数值以及最高最低气温使用最大最小值进行标准化处理；对于天气状况，其归一化后对应状况为：晴为0.9、多云为0.8、阴为0.7、小雨为0.6、中雨为0.5、阵雨为0.4、雷阵雨为0.3、大雨为0.2、雾或霾为0.1；而对于日期类型，则将工作日赋值为1，休息日赋值为0。

6.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述步骤(3)中的BP神经网络包含三层，分别是输入层、隐含层和输出层，隐含层和输入层、以及隐含层和输出层之间分别有连接权值，传递函数为sigmoid函数。

7.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述步骤(3)包括利用主成分分析获得BP神经网络的输入数据，具体为：获得预测地区的历史数据，并通过预处理将历史数据进行归类；计算历史数据各变量间的相关系数矩阵；求解系数矩阵的特征方程，获得特征值；根据得到的特征值计算贡献率；根据累计贡献率来确定主成分；根据相关系数矩阵及特征值，得到关于相关系数矩阵的正交矩阵；根据正交矩阵计算新变量；新变量是原变量的线性组合，其中包含了原有数据的大部分信息，选取累计贡献率大于95％的变量，这些变量即为所需的主成分。

8.根据权利要求1所述的基于主成分自适应BP神经网络的短期电力负荷预测方法，其特征在于，所述步骤(4)中的训练数据为预测日前两个月的历史数据。