一种优化的电力数据短期预测方法技术

本发明专利技术提供一种优化的电力数据短期预测方法，首先使用灰度模型对电力数据进行建模，再使用人工神经网络对实际值与预测的残差进行建模，最后叠加上述两个模型，有效地提高了电力数据短期预测的鲁棒性和准确性，提高了电力调配的可靠性，有效提高了城市电网的用电效率。

【技术实现步骤摘要】

本专利技术设及电力数据分析领域，尤其设及。
技术介绍
在城市电网中，短期电力预测是指W月为单位预测未来一个月的电力数据，还指 W周、天、小时为单位，预测未来一周、未来一天、未来一个小时的电力数据，短期电力预测 是电力系统日常运行中的一项重要工作，是制定发电计划和输电方案的主要依据，精确的 电力数据预测，对电力系统的生产安排、经济调度和安全分析都有着重要的作用，也直接影 响着电力企业的经济效益。但是，影响用电的因素众多，无法用确切的数学模型来表达电力 数据，目前，最常用的预测算法有灰度预测法、时间序列法、回归模型等，其中灰度预测法对 于单变量模型的预测有着良好的预测精度，但是由于影响电力数据的因素很多，单一的模 型无法做到对电力需求的精准预测，造成电力数据的预测出现误差，影响电力系统的正常 运行。
技术实现思路
本专利技术的目的在于提供，能够提高电力数据预 测的准确性，为制定发电计划和输电方案提供重要依据。 为实现上述目的，本专利技术采用如下技术方案：[000引，依次包括W下步骤： (1)将原始电力数据分为若干相同样本数的子集，记为{Cl，C2,……Ck，……Cn}，其 中C表示原始电力数据的子集，下标k=l，2,......η，n为自然数； (2)对原始电力数据的子集建立灰度模型GM(1，1)，对此灰度模型进行计算得到一 组灰度预测数列，此灰度预测数列组成灰度预测模型Pbp，求出灰度预测数列与原始数列之 间的残差序列ε W，ε表示灰度预测数列与原始数列之间的残差，上标0表示第0次迭加； (3)将步骤(2)得到的灰度预测模型的残差序列输入ΒΡ神经网络进行训练，得到ΒΡ 神经网络模型Pbp，求出ΒΡ神经网络模型的实际输出值与期望输出值之间的残差序列δ^，δ 表示ΒΡ神经网络实际输出值与期望输出值之间的残差，上标0表示第0次迭加； (4)根据步骤(2)和步骤(3)，得出灰度预测模型和ΒΡ神经网络模型之间的平均残 差序列eW， 下标e仅为区 分作用，并非变量，下标n = l，2,……； (5)用步骤(4)得到的平均残差序列eW来训练原始样本子集Ci，得到初始化的误 差神经网络Ebp; (6)初始化α，β，使两者满足：其中，α和β是两个假设计算权重，egi读示第k个样本第一次训练得到的灰度预测 模型的残差值，e表示残差，g表示灰度预测模型，ep化表示第j个样本第一次训练得到的BP神 经网络模型的残差值，P表示BP神经网络； (7)依次用步骤(4)得到的灰度预测模型和BP神经网络模型的平均残差序列eW来 训练原始样本的第k个子集，分别得到灰度预测模型的残差序列eW、B巧巾经网络的残差序 列δ W和平均残差序列eW. (8)更新Ebp网络，同时更新α和β，使α和的馬足 直至所有样本处理完毕，其中，egu表示第j个样本第i次训练得到的灰度预测模型 的残差值，e表示残差，g表示灰度预测模型，ep化表示第j个样本第i次训练得到的BP神经网 络模型的残差值，下标P表示BP神经网络； (9)利用步骤(2)得到的灰度模型GM和灰度预测模型Pbp，及步骤(8)得到的α、β值和 Ebp网络，得到电力数据短期预测模型： 地 M+胖 bp 巧 bp。 所述步骤(2)中，对原始电力数据的子集建立灰度模型及残差序列eW的计算方法 如下： 将原始电力数据序列记为XW， 贝 Ij[002引对xW累加计算，得到原始电力数据的生成数据序列x("，其中，表示原始电力数据的第i个子集，k=l， 2,......，n = l ,2,......，上标1表示第一次累加， zW为χω的紧邻均值生成序列，χω化)表示第k个子集第一次累加计算之后的值， zw化)表示xw化)的紧邻均值生成序列，X表示电力数据，上标(1)表示第一次累加； xW化)+azW化）=b称为灰度模型GM(1，1)，其中，xW化)表示原始电力数据的第k 个子集，k=l，2,……，a是发展系数，反映了第一次累加之后的预测值与原始数据之间的发 展态势，b是灰色作用量，用于区别灰色建模与一般建模， a和b的值通过建模求解，令a = (a，b) T，且 求出微分方程xW化)+azW化）=b的最小二乘估计系数列，此最小二乘估计系数 列满足α =作''"巧护Y的方程，3表示a的预测值，最小二乘法求解a和b的过程为现有技 术，不再寶述，灰度模型GM( 1，1)的建模过程为现有技术，不再寶述； 灰度模型GM(1，1)的微分方程为： 其中t表示时间，将a，b的值代入灰度模型GM(1，1)微分方程，求解得到灰度模型的 时间响府序列： 灰度模型实际值xW(n)与预测值fW(n)之间的差值即为残差eW，则有灰度模型 预测数列与原始数列之间的残差序列 即 下标g表示灰度模型GM，并 非变量，下标gin表示第η个子集的数据经第一次累加计算，下标n = 1，2，……。[004引所述步骤(3)中，利用BP神经网络来训练残差序列的过程如下： 指定BP神经网络只有一个输出y，任一节点i的输出为化，对某一输入xk，网络输出 为yk，节点i的输出为化k，下标k = 1，2，……，η，η为自然数，节点j的输入为： 则误差函数定义为 其中yk为网络实际输出，貂为网络的期望输出， 设BP网络有Μ层，其中第Μ层仅含输出节点，第一层为输入节点，贝化巧申经网络的计 算过程为： ①选取初始权值W; ②重复下述过程直至收敛； (a)对于 n = l 到 Ν; (b)计算Oik, net北和沉的值； (C)对各层从Μ菌J2反向计算； (d)对同一节点j,计算'▽典； ③修正权值通过W上计算过程可完成BP神经网络的训练， 求出BP神经网络的实际输出值与期望值之间的残差序列SW二{sW(i)，sW (2)，......，δ^(η)} = {epii，epi2,......，epin}，下标p表示BP神经网络模型，并非变量，下标n = 1,2,......〇 本专利技术利用灰度模型对单变量预测的优势及人工神经网络对非线性及模糊信息 的处理能力，使用灰度模型对电力数据进行建模，再使用人工神经网络对实际值与预测的 残差进行建模，最后叠加上述两个模型，有效地提高了电力数据短期预测的鲁棒性和准确 性，提高了电力调配的可靠性，有效提高了城市电网的用电效率。【附图说明】 图1为本专利技术的流程图； 图2为本专利技术所述实施例一中S种电力数据预测的结果示意图； 图3为本专利技术所述实施例一种Ξ种电力数据预测误差结果示意图。【具体实施方式】 如图1所示，本专利技术所述，具体包括W下步骤： (1)将原始电力数据分为若干相同样本数的子集，记为{Cl，C2，……Ck，……Cn}，其 中C表示原始电力数据的子集，下标k=l，2,......η，n为自然数； 若W月为单位预测下个月的电力数据，则原始电力数据为本月每一天的电力负荷 数据;若W周为单位预测下个月的电力数据，则原始电力数据为本周每一天的电力负荷数 据;若W天为单位预测第二天的电力数据，则原始电力数据为前一天每小时的电力负荷数 据。 (2)对原始电力数据的子集建立灰度模型GM(1，1)，对此灰度模型进行计算得到一 组灰度预测数列，此灰度预测数列组成灰度预测模型Pbp，求出灰度预测数列与原始数列之 间的残差序列ε W，ε表本文档来自技高网...

【技术保护点】
一种优化的电力数据短期预测方法，其特征在于，依次包括以下步骤：(1)将原始电力数据分为若干相同样本数的子集，记为{C1，C2，……Ck，……Cn}，其中C表示原始电力数据的子集，下标k＝1,2，……n，n为自然数；(2)对原始电力数据的子集建立灰度模型GM(1，1)，对此灰度模型进行计算得到一组灰度预测数列，此灰度预测数列组成灰度预测模型Pbp，求出灰度预测数列与原始数列之间的残差序列ε(0)，ε表示灰度预测数列与原始数列之间的残差，上标0表示第0次迭加；(3)将步骤(2)得到的灰度预测模型的残差序列输入BP神经网络进行训练，得到BP神经网络模型Pbp，求出BP神经网络模型的实际输出值与期望输出值之间的残差序列δ(0)，δ表示BP神经网络实际输出值与期望输出值之间的残差，上标0表示第0次迭加；(4)根据步骤(2)和步骤(3)，得出灰度预测模型和BP神经网络模型之间的平均残差序列e(0)，e(0)={e(0)(1),e(0)(2),......,e(0)(n)}={ϵ(0)(1)+δ(0)(1)2,ϵ(0)(2)+δ(0)(2)2,......,ϵ(0)(n)+δ(0)(n)2]={ee11,ee12,......ee1n},]]>下标e仅为区分作用，并非变量，下标n＝1,2，……；(5)用步骤(4)得到的平均残差序列e(0)来训练原始样本子集C1，得到初始化的误差神经网络Ebp；(6)初始化α，β，使两者满足：α+β=1.0α/β=Σkeg1k+α/Σkep1k+β;]]>其中，α和β是两个假设计算权重，eg1k表示第k个样本第一次训练得到的灰度预测模型的残差值，e表示残差，g表示灰度预测模型，ep1k表示第j个样本第一次训练得到的BP神经网络模型的残差值，p表示BP神经网络；(7)依次用步骤(4)得到的灰度预测模型和BP神经网络模型的平均残差序列e(0)来训练原始样本的第k个子集，分别得到灰度预测模型的残差序列ε(0)、BP神经网络的残差序列δ(0)和平均残差序列e(0)；(8)更新Ebp网络，同时更新α和β，使α和β满足α+β=1α/β=Σkegij+α/Σkepij+β;]]>直至所有样本处理完毕，其中，egij表示第j个样本第i次训练得到的灰度预测模型的残差值，e表示残差，g表示灰度预测模型，epik表示第j个样本第i次训练得到的BP神经网络模型的残差值，下标p表示BP神经网络；(9)利用步骤(2)得到的灰度模型GM和灰度预测模型Pbp，及步骤(8)得到的α、β值和Ebp网络，得到电力数据短期预测模型：αGM+βPbp+Ebp。...

【技术特征摘要】

【专利技术属性】
技术研发人员：马建伟，孙芊，李强，宋宁希，王磊，王鹏，
申请(专利权)人：国网河南省电力公司电力科学研究院，国网河南省电力公司，国家电网公司，
类型：发明
国别省市：河南;41