一种考虑重大社会活动影响的地区中期用电量预测方法技术

本发明专利技术公开了一种考虑重大社会活动影响的地区中期用电量预测方法。现有的预测方法聚焦因素在于时间、天气、周期等，未考虑或无法适应重大社会活动发生时的用电量极度反常的情况。本发明专利技术采用Elman神经网络与离散小波分解结合的方法，先对地区逐月用电量进行二维分解，即对用电量变化趋势进行波的量化分层，再对逐层分解后的用电量波进行预测，最后将得到的分层预测结果重构得到预测总结果。本发明专利技术合理提取用电量特征，解决了重大社会活动因素背景下用电量趋势模糊、量化难的情况，能对重大社会活动期间进行合理用电量预测。本发明专利技术的方法经验证，结果拟合度较好，精度符合工程需求。

A method of medium-term electricity consumption prediction considering the impact of major social activities

The invention discloses a medium-term electricity consumption prediction method considering the influence of major social activities. Existing forecasting methods focus on factors such as time, weather, cycle, etc., and do not consider or can not adapt to the extremely abnormal electricity consumption during the occurrence of major social activities. The invention adopts the method of combining Elman neural network with discrete wavelet decomposition, the monthly power consumption area of two-dimensional decomposition, namely the quantized wave consumption trends, then the layer decomposition after the electricity wave forecast, finally the hierarchical prediction results reconstructed prediction results. The invention reasonably extracts the power consumption characteristics, solves the situation that the power consumption trend is fuzzy and difficult to quantify under the background of major social activity factors, and can predict the reasonable electricity consumption during the major social activities. The method of the invention is proved to have good fitting result and the accuracy meets the requirement of the project.

【技术实现步骤摘要】
一种考虑重大社会活动影响的地区中期用电量预测方法
本专利技术涉及用电量预测领域，具体地说是一种考虑重大社会活动影响的地区中期用电量预测方法。
技术介绍
目前，用电量预测的方法主要分两大类：传统预测方法和智能预测方法。传统方法主要包括：弹性系数法、回归分析法、时间序列预测法、产值单耗法及它们的衍化方法。智能方法主要包括神经网络、模糊逻辑、专家系统等。现有的预测方法聚焦因素在于时间、天气、周期等，未考虑或无法适应重大社会活动发生(例如G20峰会、2008年奥运会等国际活动)时的用电量极度反常的情况。
技术实现思路
为解决上述现有技术存在的问题，本专利技术提供一种能对重大社会活动期间进行合理用电量预测的地区中期用电量预测方法。本专利技术采用的技术方案如下：一种考虑重大社会活动影响的地区中期用电量预测方法，其采用Elman神经网络预测模型与离散小波分解结合的方法，先对地区逐月用电量进行二维分解，再对逐层分解后的用电量波进行预测，最后将得到的分层预测结果重构得到预测总结果。进一步地，所述地区逐月用电量的原始波为sj,m，分解为低频部分sa及高频部分sa’，然后对sa’进行进一步分解为s1和s1’，再对s1’进行分解得到s2和s3，其中一次分解的低频部分sa为基波，代表整体波形趋势，s1～s3是时域上各次谐波；对于sa和s1波段采用下面各式计算修正权值：对于s2和s3波段，采用以下方法计算修正权值：上述各式中，k表示计算序列号，i、j表示矩阵的第i行第j列；为输入层至隐含层第k、k+1次计算得到的连接权值，为输入层至隐含层的修正权值；为承接层至隐含层第k、k+1次计算得到的连接权值，为承接层至隐含层的修正权值；为隐含层至输出层第k、k+1次计算得到的连接权值，为隐含层至输出层的修正权值；ηh、ηc、ηout分别为隐含层、承接层、输出层的学习速率因子；为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得值，即样本值，Ep为误差目标函数，a、b、c、d为敏感性控制系数，按照搜索灵敏性调整；Xh、分别为隐含层的输出值、第i个样本隐含层的输出值、第j个样本隐含层的输出值；Xc、分别为承接层的输出值、第i个样本承接层的输出值、第j个样本承接层的输出值；为第j个样本第k-1次计算获得值；计算得到的修正权值对连接权值进行更新，得到预测计算的连接权值。进一步地，所述Elman神经网络的计算逻辑如下：对于该神经网络，输入向量为n维向量，隐含层及承接层输出向量及为n+1维向量，输出为单一值；考虑以上情况，Wh为输入层至隐含层的连接权值,维度为(n+1)×n，Wc为承接层至隐含层的连接权值，维度为(n+1)×(n+1)，Wout为隐含层至输出层的连接权值，维度为n+1，Elman神经网络的运算公式如下：Xh(k)＝f[Wh·Xc(k)+Wc·Sin(k-1)]Xc(k)＝Xh(k-1)Sout(k)＝g(Wout·Xh(k))式中，k表示计算序列号，f[Wh·Xc(k)+Wc·Sin(k-1)]为隐含层单元激励函数，g(Wout·Xh(k))为输出层单元的激励函数；样本训练时，误差目标函数如下：为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得。进一步地，每月用电量Si采用二维分解：第一个维度，按照产业分解为分别代表第一、二、三产业及居民用电量当月值，其分解方法按照下式：其中，表示第j个产业第i个月的用电量，γj％表示第j个产业当月的地区生产值占总产值占比；第二个维度，在产业分解后，采用离散小波分解的方法对每个产业的逐月用电量序列进行分解，按照下面公式：式中，j为分解尺度，k,m为平移系数，sj,m为原始波，sj+1,k为分解后低频成分尺度系数；s'j+1,k为高频成分小波系数；h(m-2k)＝{ψ,φj-1,i}，g(m-2k)＝{φj,φj-1,i}，上式中，φj、φj-1,i为尺度函数，其对应关系为：第j-1层尺度函数的排列通过高通滤波h(k)后，得到第j层尺度函数φj；ψ为小波函数，n为采样点数量。进一步地，将地区负荷二维分解后采用Elman神经网络进行计算，在得到预测点后采用重构方式对分解电量值进行重构，重构推导如下：式中，j为分解尺度，k,m为平移系数，sj-1,m为上级整合波，sj,k为低频成分尺度系数，s'j,k为高频成分小波系数。进一步地，训练及计算时，采用以下输入输出格式：其中，代表输入向量，q为控制字，若有重大事件发生，则值为1，若无值为0；Esty为社会活动形式，1为会议，2为经济活动，3为节庆；ELV∈[0,5]为事件重要性，对人民生活影响越大取值越高；ET为时间节点，表示事件发生时间，本月发生其值为0，上月发生其值为1，以此类推；EST∈[0,5]为生产限制等级，对于生产限制条件越高取值越大；代表小波分解后波形p的第i年，第j-1月的用电量情况，等以此类推，输出向量采用本专利技术充分分析重大社会活动造成的用电量变化的分层差异性，采用二维分解思想，对产业进行用电量分层，再采用小波变换方法离散化处理，在不同层级通过Elman神经网络方式进行预测，最终通过去离散化得到综合用电量预测结果。本专利技术合理提取用电量特征，解决了重大社会活动因素背景下用电量趋势模糊、量化难的情况，能对重大社会活动期间进行合理用电量预测。本专利技术的方法经验证，结果拟合度较好，精度符合工程需求。附图说明图1为本专利技术改进的Elman神经网络结构形式图；图2为某地区2013年至2016年用电量经过产业分层后得到的分产业曲线图；图3为某地区第一产业波形进行小波分解后得到的各频段曲线图；图4为某地区第二产业波形进行小波分解后得到的各频段曲线图；图5为某地区第三产业波形进行小波分解后得到的各频段曲线图；图6为某地区居民用电波形进行小波分解后得到的各频段曲线图；图7为本专利技术的步骤构成及计算关系图。具体实施方式下面结合说明书附图及具体实施方式对本专利技术进一步说明。1.用电量分层第一个维度，按照产业分解，分解为分别代表第一、二、三产业及居民用电量当月值，其分解方法按照下式：其中，表示第j个产业第i个月的用电量，γj％表示第j个产业当月的地区生产值占总产值占比。2.离散小波分析第二个维度，在产业分解后，对于每个产业的曲线，采用离散小波分解的方法对每个产业的逐月用电量序列进行分解，按照下式：式中，j为分解尺度，k、m为平移系数，sj,m为原始波，sj+1,k为分解后低频成分尺度系数；s'j+1,k为高频成分小波系数；h(m-2k)＝{ψ,φj-1,i}，g(m-2k)＝{φj,φj-1,i}，上式中，φj、φj-1,i为尺度函数，其对应关系为：第j-1层尺度函数的排列通过高通滤波h(k)后，得到第j层尺度函数φj；ψ为小波函数，n为采样点数量。本专利技术涉及离散小波分解共进行三次分解，分解为4层，本专利技术将sj,m分解为低频部分sa及高频部分sa’，然后对sa’进行进一步分解为s1和s1’，再对s1’进行分解得到s2和s3。其中一次分解的低频部分sa为基波，代表整体波形趋势，s1～s3是时域上各次谐波。3.Elman神经网络模型由输入层、隐含层、承接层、输出层组成，其隐含层采用非线性激励函数，承接层获取隐含层第n次输出，反馈作用于隐含层第n+1次计算。结合本专利技术本文档来自技高网...

【技术保护点】
一种考虑重大社会活动影响的地区中期用电量预测方法，其特征在于，采用Elman神经网络与离散小波分解结合的方法，先对地区逐月用电量进行二维分解，即对用电量变化趋势进行波的量化分层，再对逐层分解后的用电量波进行预测，最后将得到的分层预测结果重构得到预测总结果。

【技术特征摘要】
1.一种考虑重大社会活动影响的地区中期用电量预测方法，其特征在于，采用Elman神经网络与离散小波分解结合的方法，先对地区逐月用电量进行二维分解，即对用电量变化趋势进行波的量化分层，再对逐层分解后的用电量波进行预测，最后将得到的分层预测结果重构得到预测总结果。2.根据权利要求1所述的地区中期用电量预测方法，其特征在于，所述地区逐月用电量的原始波为sj,m，分解为低频部分sa及高频部分sa’，然后对sa’进行进一步分解为s1和s1’，再对s1’进行分解得到s2和s3，其中一次分解的低频部分sa为基波，代表整体波形趋势，s1～s3是时域上各次谐波；对于sa和s1波段采用下面各式计算修正权值：对于s2和s3波段，采用以下方法计算修正权值：上述各式中，k表示计算序列号，i、j表示矩阵的第i行第j...

【专利技术属性】
技术研发人员：王曦冉，何英静，沈舒仪，章敏捷，来聪，郁丹，但扬清，牛威，
申请(专利权)人：国网浙江省电力公司经济技术研究院，国家电网公司，
类型：发明
国别省市：浙江,33