基于组合神经网络的电力系统短期负荷预测方法技术方案

本发明专利技术属于电力系统短期负荷预测技术领域，公开了基于组合神经网络的电力系统短期负荷预测方法，步骤为：（1）收集汇总历史电网负荷和气象数据，建库备用；（2）去除步骤（1）所得异常数据，对剩余数据归一化处理；（3）确定具有前馈和反馈功能的模型结构；（4）采用历史数据对预测模型进行训练，确定模型参数及权值；（5）将预测模型用于实际负荷的预测中，得出预测负荷值。本技术方案的组合神经网络预测方法由基于附加动量算法的AM‑NN子模型和基于拟牛顿算法的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，将气象因素数据引入到模型中，采用滚动优化策略，使模型具有较好的泛化性和收敛性，更精确的满足实际调度预测要求。

【技术实现步骤摘要】
基于组合神经网络的电力系统短期负荷预测方法
本专利技术涉及电力系统短期负荷预测
，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。
技术介绍
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。
技术实现思路
本专利技术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gi(x)的绝对误差为εi＝g(x)-gi(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εi(x)之间相互独立，且均值为0，则组合预测模型gAV(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，ai(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，yi(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ai(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。wji(t+1)＝wji(t)+ηδjOki(8)式(8)中，wji(t)和wji(t+1)分别表示第t+1次迭代修正前后的权值，ηδjOki为权值修正量，其中η为学习速率，Oki为第k个样本第i个节点的输出量，δj为样本训练误差。从式(8)可以看出，BP算法并没有考虑以前积累的经验，即历史时刻的负梯度方向，从而使学习过程容易发生震荡，收敛速度慢。AM算法在传统BP算法的基础上将上一次权值调整量的一部分迭加到本次误差计算所得的权值调整量上，作为本次的实际权值调整组成部分。AM算法如下式所示：wji(t+1)＝wji(t)+αΔwji(t)+ηδjOki(9)式(9)中Δwji(t)为第t次迭代的权值修正量。αΔwij(t)为动量项；α为动量因子(0＜α＜1)；其余参数与式(8)参数相同。从式(9)可以看出，AM算法在权值修正过程中，不仅考虑了误差在梯度上的作用，而且考虑了在误差曲面上变化趋势的影响，降低了网络对于误差曲面局部细节的敏感性，减小了学习过程中的振荡趋势，有效的抑制了网络陷入局部极小，从而改善了算法的收敛性。B：QN-NN子模型也为前馈NN拓扑结构，包括输入层、隐含层和输出层等三层，采用QN算法作为NN的学习算法。牛顿法是一种基于二阶泰勒级数的快速优化算法，在搜索方向上比梯度法有改进，它不仅利用了准则函数在搜索点的梯度，而且还利用了它的二次导数，就是利用了搜索点所能提供的更多信息，使搜索方向能更好地指向最优点。牛顿法迭代公式如下式所示：式(10)中，k表示迭代步骤，wk和wk+1分别表示第k和k+1代的NN权值，Hk表示第k代Hessian矩阵(二阶导数矩阵)，表示第k代Hessian矩阵的逆矩阵，gk为第k代梯度信息。从式(10)可以看出，牛顿法在每个迭代步中都需要求解Hessian矩阵，这使得计算复杂性大大增加。QN算法是在牛顿算法的基础上，利用近似值来修正Hessian矩阵，修正值被看成梯度的函数，从而无需计算二阶导数矩阵及其求逆计算，从而使计算复杂性降低。对于Hessian矩阵的修正，QN算法采用BFGS拟牛顿公式，如式(11)所示：式(11)中，Hk和Hk+1分别表示第k和k+1代的Hessian矩阵，sk和yk可通过式(12)和式(13)求得，和分别表示sk和yk的转置。sk＝wk+1-wk(12)式(12)和(13)中，wk和wk+1分别表示第k和k+1代的NN权值，和分别表示第k和k+1代NN目标函数的梯度向量。步骤五：将基于IPSO算法的DRNN预测模型用于实际负荷的预测中，得出预测负荷值。本技术方案的组合神经网络预测方法由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的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，将气象因素数据引入到模型中，采用滚动优化策略，使模型具有较好的泛化性和收敛性，更精确的满足实际调度预测要求。附图说明图1：本专利技术组合神经网络预测模型结构图。具体实施方式结合附图，对本技术方案做进一步的说明。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本文档来自技高网...

【技术保护点】
基于组合神经网络的电力系统短期负荷预测方法，其特征在于，包括以下步骤：(1)收集汇总历史电网负荷和气象数据，建库备用；(2)去除步骤(1)所得异常数据，对剩余数据归一化处理；(3)确定具有前馈和反馈功能的模型结构；(4)采用历史数据对基于组合神经网络的电力系统短期负荷预测模型进行训练，确定模型参数及权值；(5)将基于组合神经网络的电力系统短期负荷预测模型用于实际负荷的预测中，得出预测负荷值。

【技术特征摘要】
1.基于组合神经网络的电力系统短期负荷预测方法，其特征在于，包括以下步骤：(1)收集汇总历史电网负荷和气象数据，建库备用；(2)去除步骤(1)所得异常数据，对剩余数据归一化处理；(3)确定具有前馈和反馈功能的模型结构；(4)采用历史数据对基于组合神经网络的电力系统短期负荷预测模型进行训练，确定模型参数及权值；(5)将基于组合神经网络的电力系统短期负荷预测模型用于实际负荷的预测中，得出预测负荷值。2.根据权利要求1所述的基于组合神经网络的电力系统短期负荷预测方法，其特征在于：步骤(3)确定的模型为yi(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)。3.根据权利要求2所述的基于组合神经网络的电力系统短期负荷预测方法，其特征在于：时变综合权系数ai(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。4.根据权利要求1所述的基于组合神经网络的电力系统短期负荷预测方法，其特征在于...

【专利技术属性】
技术研发人员：薛会，胥晓晖，张健，王群，李瑶，朱新颖，张英彬，张智晟，
申请(专利权)人：国网山东省电力公司枣庄供电公司，青岛大学，
类型：发明
国别省市：山东,37