[发明专利]一种电力负荷的预测方法及装置

说明书

本发明公开了一种电力负荷的预测方法及装置，所述方法包括：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，有效提高训练效率，且提高预测精度。

技术领域

本发明涉及电网技术领域，特别是指一种电力负荷的预测方法及装置。

背景技术

目前，电力负荷主要采用动态神经网络的方法进行预测，动态神经网络一般采用批量学习的方法进行训练。批量学习的特点是在训练前收集所有数据后再进行学习，并且完成后不再重复进行。然而，在实际应用中，所有的训练样本不可能只通过一次学习就完全得到，学习过程必然需要经过时间的推移。

对于此问题，若再次进行学习，则会容纳所有的新旧数据，这样必然消耗大量的时间和资源。另外，这种方法会导致数据不断累积增加，从而导致学习的效率大大降低，同时消耗的时间和空间也会越来越多。

发明内容

有鉴于此，本发明的目的在于提出一种电力负荷的预测方法及装置，能够提高训练效率，且提高预测精度。

基于上述目的本发明提供的电力负荷的预测方法包括：

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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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：