一种基于神经网络进行电力系统负荷预测的方法和装置制造方法及图纸

本发明专利技术公开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。还公开了一种基于神经网络进行电力系统负荷预测的装置，该装置包括：构造样本模块、构造网络模块和训练模型模块。本发明专利技术中不仅考虑了局部依赖性，并且考虑了共享权值的影响，局部依赖不共享权值，从而使各依赖关系的权值不同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。

A Method and Device for Power System Load Forecasting Based on Neural Network

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。优选地，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。优选地，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。优选地，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。优选地，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。优选地，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。优选地，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个、第k+1个数据，j≤n，k≤m。第二方面，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装置，该装置包括：构造样本模块、构造网络模块和训练模型模块，其中，所述构造样本模块，用于根据周期性负荷数据构造训练集；所述构造网络模块，用于根据负荷数据之间的依赖关系构造局部连接的神经网络；所述训练模型模块，用于将所述构造样本模块构造的训练集输入到构造网络模块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。优选地，所述构造样本模块具体用于根据数据的周期性构造n×m的矩阵，并根据构造的矩阵构造训练集；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。优选地，根据构造的矩阵构造训练集(X，Y)具体为：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。优选地，根据构造的矩阵构造训练集(X，Y)具体为：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。优选地，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。优选地，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。优选地，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个、第k+1个数据，j≤n，k≤m。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术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。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例提供的一种基于神经网络进行电力系统负荷预测的方法的流程图；图2是本专利技术一个实施例提供的一种传统全连接神经网络的连接示意图；图3是本专利技术一个实施例提供的一种卷积神经网络的连接示意图；图4是本专利技术一个实施例提供的一种局部连接的神经网络的连接示意图；图5是本专利技术一个实施例提供的一种依赖于历史数据的局部连接的神经网络的连接示意图；图6是本专利技术一个实施例提供的另一种依赖于历史数据的局部连接的神经网络的连接示意图；图7是本专利技术一个实施例提供的又一种依赖于历史数据的局部连接的神经网络的连接示意图；图8是本专利技术一个实施例提供的一种基于神经网络进行电力系统负荷预测的装置的框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，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。如图2所示BP预测模型没有考虑负荷历史数据之间的局部依赖性，从而对预测结果造成严重的影响。比如今天11:00的负荷值，最有可能和昨天11:00的数据关系比较大，也有可能和昨天10:00，12:00关系比较大，但是和凌晨00:00和晚上23:00的关系比较小，也就是说，周期性数据对于历史本文档来自技高网...

【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