一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法技术
【技术实现步骤摘要】
一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法
本专利技术涉及电力系统负荷预测
，特别是涉及一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法。
技术介绍
电力系统月用电量预测是电力系统负荷预测的重要组成部分，主要用于选择适当的机组类型、合理的电源结构和确定燃料计划等。电力系统月用电量预测结果若与未来实际月用电量相比偏低会引起电网容量不足，供电质量降低；反之将导致发输变电设备利用率不足，造成投资的浪费，降低电力系统的经济效益。电能不能大量储存的特性决定了电力系统月用电量预测在电力系统运行、调度中的重要性。电力系统月用电量预测的方法主要有回归分析法、时间序列分析法、模糊预测法、灰色预测法、人工神经网络法等。这些方法都有各自存在的缺陷，如月用电量数据列不光滑时，灰色预测法的预测值将出现较大误差。再如月用电量呈明显的季节性变换时，上述方法都不能揭示出季节性变化规律，因此预测精度普遍不高。上海电机学院在2013年7月2日提出的名称为“基于BP神经网络的电力系统负荷预测方法”的专利申请、温州大学在2014年6月18日提出的名称为“基于改进灰色预...
【技术保护点】
一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法，其特征在于，包括以下步骤：步骤一：提供N年以上的月用电量数据，其总月数为n，其中每月用电量为qij，其中，i表示年数，j表示月份，i＝1,2,...N，1≤j≤T，N≥4，1≤T≤12；步骤二：根据每月用电量计算每月指数sj；步骤三：利用每月指数修正原始月用电量数据，得到修正后的每月用电量q′ij，对修正后的每月用电量q′ij作对数变换，得再次修正后的每月用电量q″ij；步骤四：根据再次修正后的每月用电量q″ij，用灰色预测模型建模，对原始月用电量数据进行拟合预测，得到每月用电量的拟合值
【技术特征摘要】
1.一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法，其特征在于，包括以下步骤：步骤一：提供N年以上的月用电量数据，其总月数为n，其中每月用电量为qij，其中，i表示年数，j表示月份，i＝1,2,...N，1≤j≤T，N≥4，1≤T≤12；步骤二：根据每月用电量计算每月指数sj；步骤三：利用每月指数修正原始月用电量数据，得到修正后的每月用电量q′ij，对修正后的每月用电量q′ij作对数变换，得再次修正后的每月用电量q″ij；步骤四：根据再次修正后的每月用电量q″ij，用灰色预测模型建模，对原始月用电量数据进行拟合预测，得到每月用电量的拟合值未来每月用电量的预测值及每月用电量的残差值e(k)，其中k＝(1,2,3,…,n)，h＝(1,2,3,…,t)，t表示预测未来月用电量的总月数，每月用电量的拟合值构成月用电量的拟合值向量未来每月用电量的预测值构成未来月用电量的预测值向量每月用电量的残差值构成残差值向量e，其中残差值向量中的最小残差值为mine(k)；步骤五：对残差值向量进行处理；步骤六：将进行处理后的残差值向量e″输入BP人工神经网络模型进行网络训练并预测残差值得残差预测值向量步骤七：对残差预测值向量做反归正化处理，得修正残差预测值向量步骤八：将修正残差预测值向量与未来月用电量的预测值向量进行计算处理，得到最终预测值矩阵。2.根据权利要求1所述一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法，其特征在于，所述步骤二中每月指数sj计算方法如下：步骤2-1：用每月用电量qij构成月用电量矩阵A为：其中T表示月数且T≤12，N表示年数，当每月用电量qij不能填满矩阵A时，以0元素补填满矩阵A；步骤2-2：将矩阵A以向量d表示为：d＝[d(1),d(2),...,d(n)]＝[q11,q12,...,q1T,q21,q22,...,q2T,...,qNj]；步骤2-3：计算每月指数sj：其中，Pj表示同期平均数，Pz表示总平均数。3.根据权利要求1所述一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法，其特征在于，所述步骤三中对再次修正后的每月用电量q″ij修正的实现方法如下：步骤3-1：根据公式对原始月用电量数据进行修正，得到修正后的每月用电量q′ij；步骤3-2：根据公式q″ij＝ln(q′ij)对q′ij做对数变换，得到再次修正后的每月用电量q″ij，用q″ij构成矩阵A″为：当再次修正后的每月用电量q″ij不能填满矩阵A″时，以0元素补填满矩阵A″；步骤3-3：将矩阵A″以向量x(0)表示为：x(0)＝[x(0)(1)...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。