The invention discloses a method for load forecasting of power system based on neural network, which includes: S1: constructing training set according to periodic load data; S2: constructing locally connected neural network according to the dependence relationship between load data; S3: inputting the training set constructed in 2 to construct. Locally connected neural network trains the parameters of locally connected neural network and obtains the prediction model. A device for load forecasting of power system based on neural network is also disclosed. The device includes: building sample module, constructing network module and training model module. The method not only considers the local dependence, but also considers the influence of shared weights. The local dependence does not share weights, so that the weights of different dependencies are not correlated with the weights of different local connections, so that the accuracy of load forecasting can be effectively improved.
【技术实现步骤摘要】
一种基于神经网络进行电力系统负荷预测的方法和装置
本专利技术涉及计算机
,特别涉及一种基于神经网络进行电力系统负荷预测的方法和装置。
技术介绍
电力系统的负荷预测是电力系统进行调度运行和生产计划的基础工作,负荷预测关系到电力系统的安全和稳定运行,对于实际生产生活有着不可估量的作用。负荷预测是通过考虑到相关因素的影响,对未来用电量或者发电量进行预测,电力生产部门和管理部门以此为依据制定生产计划和发展规划。负荷预测按时间期限分为长期、中期、短期和超短期。电力负荷虽然是不确定的、随机的,易受到气候、意外事故等各种条件的干扰,但在一定条件下,仍存在明显的变化趋势。当前,作为人工智能学科理论,人工神经网络预测方法逐渐得到了成功应用。目前用于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)、卷积神经网络(CNN)等。但是,传统BP神经网络负荷预测的不足是对没有考虑负荷历史数据之间的局部依赖性,并且BP神经网络存在容易陷入局部最小等问题;除此之外,虽然CNN神经网络负荷预测在一定程度上考虑了局部依赖性,但是采用共享权值,从而造成影响预测的准确性。
技术实现思路
本专利技术实施例提供了一种基于神经网络进行电力系统负荷预测的方法和装置,局部依赖不共享权值,局部连接的权重之间互不相关,从而能够有效提高负荷预测的准确性。第一方面,本专利技术实施例提供了一种基于神经网络进行电力系统负荷预测的方法,该方法包括:S1:根据周期性负荷数据构造训练集;S2:根据负荷数据之间的依赖关系构造局部连接的神经网络;S3:将步骤S1中构造的训练集输入到步骤S2中构造 ...
【技术保护点】
1.一种基于神经网络进行电力系统负荷预测的方法,其特征在于,包括:S1:根据周期性负荷数据构造训练集;S2:根据负荷数据之间的依赖关系构造局部连接的神经网络;S3:将步骤S1中构造的训练集输入到步骤S2中构造的局部连接的神经网络,训练局部连接的神经网络的参数,得到预测模型。
【技术特征摘要】
1.一种基于神经网络进行电力系统负荷预测的方法,其特征在于,包括:S1:根据周期性负荷数据构造训练集;S2:根据负荷数据之间的依赖关系构造局部连接的神经网络;S3:将步骤S1中构造的训练集输入到步骤S2中构造的局部连接的神经网络,训练局部连接的神经网络的参数,得到预测模型。2.根据权利要求1所述的基于神经网络进行电力系统负荷预测的方法,其特征在于,步骤S1的具体过程包括:S11:根据数据的周期性构造n×m的矩阵,其中,n为电力系统历史数据的周期数,以天为周期;m为电力系统历史数据中每个周期内的数据量,以小时为数量级;S12:根据构造的矩阵构造训练集。3.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法,其特征在于,步骤S12的具体过程包括:将电力系统历史数据的按照距离当前时间的长短,从长到短一次排列,将距离最长的一天记为第一天,将第i天当做X,第i+1天当做Y,构造训练集(X,Y),i+1≤n。4.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法,其特征在于,步骤S12的具体过程包括:将电力系统历史数据的按照距离当前时间的长短,从长到短一次排列,将距离最长的一天记为第一天,将前i天的加权平均当作X,第i+1天当做Y,构造训练集(X,Y),i+1≤n。5.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法,其特征在于,步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个、第k+1个数据,j≤n,k≤m。6.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法,其特征在于,步骤S2中所述依赖关系为电力系统历史数据中当前周期按时间顺序排列的第k个数据依赖于电力系统历史数据中前一周期按相同时间顺序排列的第k-1个、第k个数据,j≤n,k≤m。7.根据权利要求2所述的基于神经网络进行电力系统负荷预测的方法,其特征在于,步骤S2中所述依赖关系为电力系统历史数据中...
【专利技术属性】
技术研发人员:宋英豪,
申请(专利权)人:新智数字科技有限公司,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。