[发明专利]一种电力负荷的预测方法及装置

权利要求书

1.一种电力负荷的预测方法，其特征在于，包括：

获取电力新增数据和电力测试数据；所述电力新增数据为所述电力测试数据所在时间段之前的预设时间段内的电力数据；

采用所述电力新增数据对预先训练的BP神经网络进行训练，获得网络结构更新的增量BP神经网络；

将所述电力测试数据输入至所述增量BP神经网络，以预测电力负荷。

2.根据权利要求1所述的电力负荷的预测方法，其特征在于，在所述采用所述电力新增数据对预先训练的BP神经网络进行训练之前，还包括：

获取电力原始数据；所述电力原始数据为所述电力新增数据所在时间段之前的电力数据；

采用所述电力原始数据对建立的BP神经网络进行训练，获得所述BP神经网络中的每个隐节点的权值及权值有效区间。

3.根据权利要求2所述的电力负荷的预测方法，其特征在于，所述电力数据包括负荷数据和气象数据；

所述方法还包括：

在获取电力数据之后，对所述电力数据进行预处理和归一化处理。

4.根据权利要求2所述的电力负荷的预测方法，其特征在于，所述采用所述电力新增数据对预先训练的BP神经网络进行训练，获得网络结构更新的增量BP神经网络，具体包括：

在检测到所述BP神经网络的预测精度低于预设阈值时，在所述BP神经网络中添加隐节点；

采用所述电力新增数据对添加隐节点后的BP神经网络进行训练，获得所述增量BP神经网络。

5.根据权利要求4所述的电力负荷的预测方法，其特征在于，所述在所述BP神经网络中添加隐节点，具体包括：

根据所述BP神经网络中的输入层节点数计算隐节点的个数范围；

在所述BP神经网络中添加至少一个隐节点，以使添加后的隐节点的总数位于所述个数范围内；

将添加的每个隐节点的初始权值设置在所述权值有效区间内。

6.根据权利要求5所述的电力负荷的预测方法，其特征在于，所述隐节点的个数范围的计算公式为：

H＝2I+1；

H＝log₂I；

其中，H为隐节点的个数阈值，I为输入层节点数。

7.根据权利要求2所述的电力负荷的预测方法，其特征在于，所述采用所述电力新增数据对添加隐节点后的BP神经网络进行训练，获得所述增量BP神经网络，具体包括：

采用所述电力新增数据对添加隐节点后的BP神经网络进行训练；

每次训练时，对所述BP神经网络中的每个隐节点的权值进行更新；

将更新后的权值低于所述权值有效区间的隐节点进行删除，获得所述增量BP神经网络。

8.根据权利要求7所述的电力负荷的预测方法，其特征在于，所述每次训练时，对所述BP神经网络中的每个隐节点的权值进行更新，具体包括：

每次训练时，对所述BP神经网络中的每个隐节点的权值进行评估，并根据评估结果将所述隐节点分为新节点、稳定节点和抑制节点；

分别设置所述新节点、所述稳定节点和抑制节点的学习速率；

根据所述学习速率和时间影响因子，并基于权值修改公式，分别对所述新节点、所述稳定节点和抑制节点的权值进行更新。

9.根据权利要求8所述的电力负荷的预测方法，其特征在于，所述权值修改公式为：

Δω_ij(k)＝α·η·δ_j(k)·O_i(k)；

其中，Δω_ij(k)为权值的增量，α为时间影响因子，η是学习速率，δ_j(k)是指示函数，O_i(k)为输出层输出数据。

10.一种电力负荷的预测装置，能够实现如权利要求1至9任一项所述的电力负荷的预测方法，其特征在于，所述装置包括：

数据获取模块，用于获取电力新增数据和电力测试数据；所述电力新增数据为所述电力测试数据所在时间段之前的预设时间段内的电力数据；

训练模块，用于采用所述电力新增数据对预先训练的BP神经网络进行训练，获得网络结构更新的增量BP神经网络；

预测模块，用于将所述电力测试数据输入至所述增量BP神经网络，以预测电力负荷。