[发明专利]一种基于ELMAN神经网络的短期负荷的预测方法

说明书

本发明提供一种基于ELMAN神经网络的短期负荷的预测方法，属于冷热电负荷测领域，S1、采集一段时间的综合能源系统、气象数据系统、教务系统中数据；S2、将数据归一化处理；S3、将数据划分为训练样本和测试样本，输入Elman神经网络模型；S4、建立Elman神经网络模型，设置模型参数；S5、设置Elman神经网络模型中隐藏层和承接层神经元的数量；S6、获得Elman神经网络模型最优参数。通过分析影响需求侧冷、热、电负荷的主要因素确定模型结构，通过训练确定模型参数，并用模型精确预测出短期负荷，为电力控制提供依据，通过ELMAN神经网络算法提高预测结果的准确率，减小预测误差。

技术领域

本发明涉及冷热电负荷预测领域，尤其涉及一种基于ELMAN神经网络的短期负荷的预测方法。

背景技术

按照负荷预测周期分类，电力系统负荷预测可分为中长期负荷预测、短期负荷预测和超短期负荷预测；其中，短期负荷预测是指针对未来一天到一周时间内每天各时段的负荷预测的研宄；短期负荷预测是电力系统负荷预测研宄中的一项研究重点；短期负荷预测的精度直接影响到电力系统安全经济稳定运行、实现电网科学管理和调度，提高短期负荷预测精度具有重大意义。

影响短期电力系统负荷的因素有很多，比如天气因素、季节因素等，其中气象因素对负荷的影响至关重要；目前，随着气象部门技术的不断改进和完善，可以向电力相关部门提供实时气象信息，这为提高电力系统负荷预测精度工作带来了很大的帮助。

现有技术中主要利用神经网络进行短期电力负荷预测的方法，往往使用单一的神经网络(例如BP神经网络)，由于单一神经网络在不同预测环境下的预测效果不同，并且单一的神经网络容易陷入局部最优值而导致预测精度不理想，从而造成预测结果与实际偏差较大，因此，现有的利用神经网络进行短期电力负荷预测的方法的预测精度往往得不到保证。

发明内容

本发明所要解决的技术问题是：通过分析影响冷、热、电负荷的主要因素，建立ELMAN神经网络模型，通过训练样本确定模型参数，并用模型精确预测出短期负荷，为电力控制提供依据；通过ELMAN神经网络算法提高预测结果的准确率，减小预测误差。

本发明解决其技术问题所采用的技术方案是：一种基于ELMAN神经网络的短期负荷的预测方法，包括以下步骤：

S1、分别采集一段时间的综合能源系统电负荷、冷负荷、热负荷等数据；气象数据系统的温度值、湿度值数据；教务系统中理论课程数、实践课程数、校历数据作为输入数据；

输入数据为需要预测时刻的数据，包括：通过校园综合能源平台系统获得上周同一时刻电负荷、上周同一时刻热负荷(或上周同一时刻冷负荷)、昨天同一时刻电负荷，昨天同一时刻热负荷(或昨天同一时刻冷负荷)、上一时刻电负荷、上一时刻热负荷(或上一时刻冷负荷)；通过气象数据系统获得室外温度值、湿度值；通过学校教务系统获取工作安排数据，包括理论课程数、实践课程数、校历数据作为分析输入数据；

预测时刻的预测电负荷、预测热负荷(或预测冷负荷)作为输出数据；

采集一段时间定义为：例如按小时连续采集N小时的校园综合能源平台系统、气象数据系统、学校教务系统的输入数据。

S2、将S1采样到的输入数据归一化处理，映射到-1到1之间；

归一化处理公式为：

其中，表示归一化后的样本数据，i为样本数，j为样本的分量，x_ij表示第i个样本的第j个分量，为第j个样本分量的均值，δ_j为第j个样本分量的标准差；

由于数据的单位不一样，有些数据的范围比较大，例如工作安排数据非周末和周末数据波动较大，导致的结果是神经网络收敛慢、训练时间长；数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。