一种基于模糊决策的神经网络模型电力系统负荷预测方法技术方案

本发明专利技术公开了一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，包括以下步骤,基于模糊决策的神经网络模型，得到所有历史负荷样本的隶属度μi，做出历史样本隶属度变化曲线；剔出隶属度μi小的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本；数据预处理后，通过选择适当的神经网络模型，在电力负荷的历史数据基础上找出其中的变化规律，建立电力负荷神经网络预测模型；本发明专利技术所述一种基于模糊决策的神经网络模型电力系统负荷预测方法结合模糊决策和神经网络的优势，使其在收敛精度和收敛速度上都有所提高，减少对初值的依赖，以此来提高预测的准确性。

【技术实现步骤摘要】

本专利技术涉及一种基于模糊决策的神经网络模型电力系统负荷预测方法。
技术介绍
目前，电力负荷的变化主要受人们生产、生活规律的支配而呈现规律性，并受气象等因素的影响。一个区域的总负荷是难以计数的个别负荷的总和，故负荷中必然有随机变化的分量。负荷变化的周期性和随机性是一对矛盾。两者之间的消长决定了负荷的可预报性，并且是影响负荷预报精度的重要因素。提高负荷预报的准确度，是所有从事负荷预报的研究者不断追求的目标，但捉摸不定的预报误差始终困扰着众多研究者，事实上，用于建模的负荷历史数据、模型本身的误差、所建立的预报模型和预报产生的误差之间都会存在一些内在的联系，甚至是相互依存的关系。不同地区、不同时段负荷规律性的差异将对负荷预报结果产生支配性的影响，而以往主要研究预报方法本身，缺少对负荷规律性及其对预报误差影响的研究，因此，将历史数据、建模方法和误差分析结合起来进行研究，才能更全面评价各相关因素的作用，了解预报误差的构成，使预报者可以清晰、透彻的把握预报过程。电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大.长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等.这些预测模型没有考虑影响电力负荷的各因素,仅作为一般时间序列问题来建模,因而其精确度并不令人满意,尤其对预测超短期和短期我国电力负荷的误差较大。
技术实现思路
本专利技术结合模糊决策和神经网络的优势建立一种基于模糊决策的神经网络模型电力系统负荷预测方法,具体地说是一种提取对预报有贡献的有用数据，除去“坏数据”,即对原始数据进行预处理，尽可能准确地预测未来数据。一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，包括以下步骤,步骤1:基于模糊决策的神经网络模型，得到所有历史负荷样本的隶属度μi，做出历史样本隶属度变化曲线。步骤2:剔出隶属度μi小的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本。步骤3:数据预处理后，通过选择适当的神经网络模型，在电力负荷的历史数据基础上找出其中的变化规律，建立电力负荷神经网络预测模型。其中步骤1包括以下步骤：步骤1.1:计算模糊正负理想将所给历史负荷数据化成三角形模糊数，得到矩阵和认定所有指标权重相等，在中对应有n个模糊指标值，记为x~i=(ai,bi,ci),(i=1,2,...,n),]]>将进行归一化的具体公式如下:设归一化后的模糊指标矩阵将归一化后的模糊指标矩阵进行加权处理可得到模糊决策矩阵其中：(i＝1,2,L,m；j＝1,2,L,n)设：M＝(M1％,M1％,L％,Mj％)，其中分量M~j+=max{r~1j,r~2j,Λ,r~nj本文档来自技高网...

【技术保护点】
一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，包括以下步骤,步骤1:基于模糊决策的神经网络模型，得到所有历史负荷样本的隶属度μi，做出历史样本隶属度变化曲线。步骤2:剔出隶属度μi小的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本。步骤3:数据预处理后，通过选择适当的神经网络模型，在电力负荷的历史数据基础上找出其中的变化规律，建立电力负荷神经网络预测模型。

【技术特征摘要】
1.一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，包括以下步骤,
步骤1:基于模糊决策的神经网络模型，得到所有历史负荷样本的隶属度μi，做出历史样本隶属度变化曲线。
步骤2:剔出隶属度μi小的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本。
步骤3:数据预处理后，通过选择适当的神经网络模型，在电力负荷的历史数据基础上找出其中的变化规律，建立电力负荷神经网络预测模型。
2.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，步骤1进一步包括以下步骤：
步骤1.1:计算模糊正负理想将所给历史负荷数据化成三角形模糊数，得到矩阵和认定所有指标权重相等，在中对应有n个模糊指标值，记为将进行归一化的具体公式如下:
设归一化后的模糊指标矩阵将归一化后的模糊指标矩阵进行加权处理可得到模糊决策矩阵其中：(i＝1,2,L,m；j＝1,2,L,n)设:M＝(M1％,M1％,L％,Mj％)，其中分量是模糊决策矩阵中指标j的模糊指标值所对应的模糊极大集；是模糊决策矩阵中指标j的模糊指标值所对应的模糊极小集，运用MATLAB软件进行求解。
步骤1.2:确定评价对象i与模糊正负理想之间的距离模糊优选决策，设评价对象i以隶属度μi从属于模糊正理想，则
按隶属度μi从大到小进行排序μi越大，表示评价对象i越优.即负荷数据的关联度越大，对预报更有用，从而对预测的贡献越大，求出相应的μi，(i＝1,2,Λ,16)，运用MATLAB软件进行求解，得到所有历史负荷样本的隶属度。
3.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，剔出隶属度μi小于0.65的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本。
4.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，对于预测日邻近的样本，若样本隶属度发生较大突变，不采用直接剔除的做法，而是选取与其相似日隶属度大的样本，经过加权运算替代原有的数据。
5.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，神经网络模型采用三层结构的BP神经网络模型。
6.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，步骤3进一步包括以下步骤：
步骤3.1：电力负荷神经网络预测模型建立100个输入单元和96个输出单元，采用滚动预测法。
步骤3.2：隐含层的节点设计隐含层的个数可参考式：...

【专利技术属性】
技术研发人员：李锐，李波，陆振威，王国梁，蒋伟毅，华寅飞，
申请(专利权)人：江苏省电力公司检修分公司，国家电网公司，
类型：发明
国别省市：江苏;32