一种基于神经网络的负荷预测方法及装置制造方法及图纸

本发明专利技术涉及计算机技术领域，尤其涉及一种基于神经网络的负荷预测方法及装置，包括：根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数，确定输入参数修正误差，根据输入参数修正误差，修正当前时刻之后N个预测时刻的预测输入参数，得到修正后的N个预测输入参数，根据修正后的N个预测输入参数及神经网络模型，得到N个预测负荷，根据负荷修正误差，修正N个预测负荷，得到修正后的N个预测负荷。该方法对负荷预测的预测输入参数进行校正，将校正后的参数代入神经网络模型得到预测负荷，然后对预测负荷再做校正，得到校正后的预测负荷，使得预测负荷不会因预测输入参数选择的好坏而导致预测结果有较大波动，保证了预测结果的准确性。

【技术实现步骤摘要】

本专利技术涉及计算机
，尤其涉及一种基于神经网络的负荷预测方法及装置。
技术介绍
负荷预测指的是基于负荷历史数据，对未来的负荷能力做一个预测，以建筑负荷预测为例，指的是基于建筑负荷的历史数据，对建筑未来的负荷能力做预测，如预测建筑的承载能力等。目前负荷预测方法主要分为两种，一种是数学统计方法(也称经典负荷预测方法)，另一种是人工智能方法(也称现代负荷预测方法)，目前人工智能预测方法取得了较大突破，已经成功应用到建筑负荷的预测中。目前在使用神经网络模型来做负荷预测时，一般是先根据历史数据训练神经网络模型，在训练结束后，后续直接使用该神经网络模型来进行负荷预测。该方法存在的主要问题是：在做负荷预测时，预测结果与选择的数据关系比较大，具有一定的波动性，从而导致预测结果不是非常准确。综上所述，现有技术在使用神经网络模型做负荷预测时，预测结果不够准确。
技术实现思路
本专利技术提供一种基于神经网络的负荷预测方法及装置，用以解决现有技术中存在的使用神经网络模型做负荷预测时，预测结果不够准确的技术问题。一方面，本专利技术实施例提供一种基于神经网络的负荷预测方法，包括：根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数，确定输入参数修正误差，M为正整数；根据所述输入参数修正误差，修正所述当前时刻之后N个预测时刻的预测输入参数，得到修正后的N个预测输入参数，N为正整数；根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷；根据负荷修正误差，修正所述N个预测负荷，得到修正后的N个预测负荷，所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的，L为正整数。本专利技术实施例提供的方法，根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数，确定输入参数修正误差，根据所述输入参数修正误差，修正所述当前时刻之后N个预测时刻的预测输入参数，得到修正后的N个预测输入参数，根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷；以及根据负荷修正误差，修正所述N个预测负荷，得到修正后的N个预测负荷，所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的。该方法在做负荷预测时，一方面对负荷预测的预测输入参数进行校正，然后根据校正后的参数代入神经网络模型得到预测负荷，然后再对预测负荷再做校正，得到校正后的预测负荷，从而该方法根据历史数据来校正预测结果，使得得到的预测负荷具有一定的平滑性，不会因为预测输入参数选择的好坏而导致预测结果有较大的波动，从而保证了预测结果的准确性。可选地，根据下列公式确定所述输入参数修正误差： ϵ = 1 M Σ i = 1 M ( T r ( i ) - T p ( i ) ) , ]]>其中，ε为所述输入参数修正误差，Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数，Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。可选地，根据下列公式确定所述负荷修正误差： δ = 1 L Σ i = 1 L ( Q r ( i ) - Q p ( i ) ) , ]]>其中，δ为所述负荷修正误差，Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷，Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。可选地，所述神经网络模型为反向传播BP神经网络模型，所述实测输入参数为实测气象输入参数，所述预测输入参数为预测气象输入参数，所述实测负荷为实测建筑负荷，所述预测负荷为预测建筑负荷。可选地，所述神经网络模型为BP神经网络模型，所述神经网络模型输入层神经元为时刻，温度，湿度和辐照度，所述神经网络模型输出层神经元数为建筑负荷；所述根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷，包括：针对所述修正后的N个预测输入参数中的每个输入参数，将所述输入参数中的时刻，温度，湿度和辐照度作为所述神经网络模型的输入，通过所述神经网络模型得到所述输入参数对应的建筑负荷。另一方面，本专利技术实施例提供一种基于神经网络的负荷预测装置，包括：修正误差确定单元，用于根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数，确定输入参数修正误差，M为正整数；修正参数确定单元，用于根据所述输入参数修正误差，修正所述当前时刻之后N个预测时刻的预测输入参数，得到修正后的N个预测输入参数，N为正整数；预测负荷确定单元，用于根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷；修正预测负荷确定单元，用于根据负荷修正误差，修正所述N个预测负荷，得到修正后的N个预测负荷，所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的，L为正整数。可选地，所述修正误差确定单元，具体用于根据下列公式确定所述输入参数修正误差： ϵ = 1 M Σ i = 1 M ( T r ( i ) - T p ( i ) ) , ]]>其中，ε为所述输入参数修正误差，Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数，Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。可选地，所述修正误差确定单元，还用于根据下列公式确定所述负荷修正误差： δ = 1 L Σ i = 1 L ( Q r ( i ) - Q p ( i ) ) , ]]>其中，δ为所述负荷修正误差，Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷，Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。可选地，所述神经网络模型为反向传播BP神经网络模型，所述实测输入参数为实测气象输入参数，本文档来自技高网...

【技术保护点】
一种基于神经网络的负荷预测方法，其特征在于，包括：根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数，确定输入参数修正误差，M为正整数；根据所述输入参数修正误差，修正所述当前时刻之后N个预测时刻的预测输入参数，得到修正后的N个预测输入参数，N为正整数；根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷；根据负荷修正误差，修正所述N个预测负荷，得到修正后的N个预测负荷，所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的，L为正整数。

【技术特征摘要】
1.一种基于神经网络的负荷预测方法，其特征在于，包括：根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数，确定输入参数修正误差，M为正整数；根据所述输入参数修正误差，修正所述当前时刻之后N个预测时刻的预测输入参数，得到修正后的N个预测输入参数，N为正整数；根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷；根据负荷修正误差，修正所述N个预测负荷，得到修正后的N个预测负荷，所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的，L为正整数。2.如权利要求1所述的方法，其特征在于，根据下列公式确定所述输入参数修正误差： ϵ = 1 M Σ i = 1 M ( T r ( i ) - T p ( i ) ) , ]]>其中，ε为所述输入参数修正误差，Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数，Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。3.如权利要求1所述的方法，其特征在于，根据下列公式确定所述负荷修正误差： δ = 1 L Σ i = 1 L ( Q r ( i ) - Q p ( i ) ) , ]]>其中，δ为所述负荷修正误差，Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷，Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。4.如权利要求1-3中任一项所述的方法，其特征在于，所述神经网络模型为反向传播BP神经网络模型，所述实测输入参数为实测气象输入参数，所述预测输入参数为预测气象输入参数，所述实测负荷为实测建筑负荷，所述预测负荷为预测建筑负荷。5.如权利要求1-3中任一项所述的方法，其特征在于，所述神经网络模型为BP神经网络模型，所述神经网络模型输入层神经元为时刻，温度，湿度和辐照度，所述神经网络模型输出层神经元数为建筑负荷；所述根据所述修正后的N个预测输入参数及神经网络模型，得到N个预测负荷，包括：针对所述修正后的N个预测输入参数中的每个输入参数，将所述输入参数中的时刻，温度，湿度和辐照度作为所述神经网络模型的输入，通过所述神经网络模型得到所述输入参数对应的建筑负荷。6.一种基于神经网络的负荷预测装置，其特征在于，包括：...

【专利技术属性】
技术研发人员：王亚静，聂志华，宋志春，
申请(专利权)人：新奥泛能网络科技股份有限公司，
类型：发明
国别省市：河北;13