基于非线性自回归神经网络的负荷预测方法与系统技术方案

本发明专利技术公开一种基于非线性自回归神经网络的负荷预测方法，包括：收集用电侧负荷预测所需原始数据，并对原始数据进行标准化处理和分类，以得到若干训练样本数据、若干验证样本数据和测试数据；初始化神经网络的参数，并搭建神经网络；参数包括训练误差指标值和验证误差指标值；采用若干训练样本数据训练神经网络，并采用若干验证样本数据验证神经网络，以生成训练误差小于训练误差指标且验证误差小于验证误差指标的非线性自回归神经网络；将测试数据输入非线性自回归神经网络，以输出最终预测值。采用本发明专利技术实施例，能够提高用电侧负荷预测的准确性，同时本发明专利技术还提供基于非线性自回归神经网络的负荷预测系统。

【技术实现步骤摘要】
基于非线性自回归神经网络的负荷预测方法与系统
本专利技术涉及电力网络
，尤其涉及一种基于非线性自回归神经网络的负荷预测方法与系统。
技术介绍
伴随着时代与经济的快速发展，进入二十一世纪后，各种科技成果的创新，用电量急剧攀升，这对电力网络的负荷预测提出来更高的要求。负荷预测在能量管理系统中占有重要位置，一直以来，负荷预测就是电力能量系统研究和应用的重要方向，电力负荷预测分为经典预测方法和现代预测方法。随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从经典的单耗法、弹性系数法、统计分析法，到现代的灰色预测法、专家系统法和模糊数学法，神经网络法等。神经网络以其具有自学习功能、具有联想存储功能、具有高速寻找优化解的能力而收到青睐而成为运用的热点。当前，越来越复杂的电力网络和极强的非线性负荷变化使神经网络的研究更为重要，并成为负荷预测的主要研究和发展方向。中国专利公开号CN201610245868.7中所述的基于网络的负荷预测与需求响应控制的光伏冷库系统，首先进行数据收集归一化处理，然后建立BP神经网络，最后训练数据输出结果数据，这种方法训练数本文档来自技高网...

【技术保护点】
一种基于非线性自回归神经网络的负荷预测方法，其特征在于，包括：收集用电侧负荷预测所需原始数据，并对所述原始数据进行标准化处理和分类，以得到若干训练样本数据、若干验证样本数据和测试数据；初始化神经网络的参数，并搭建神经网络；其中，所述参数包括训练误差指标值和验证误差指标值；采用所述若干训练样本数据训练所述神经网络，并采用所述若干验证样本数据验证所述神经网络，以生成训练误差小于训练误差指标且验证误差小于验证误差指标的非线性自回归神经网络；将所述测试数据输入所述非线性自回归神经网络，以输出最终预测值。

【技术特征摘要】
1.一种基于非线性自回归神经网络的负荷预测方法，其特征在于，包括：收集用电侧负荷预测所需原始数据，并对所述原始数据进行标准化处理和分类，以得到若干训练样本数据、若干验证样本数据和测试数据；初始化神经网络的参数，并搭建神经网络；其中，所述参数包括训练误差指标值和验证误差指标值；采用所述若干训练样本数据训练所述神经网络，并采用所述若干验证样本数据验证所述神经网络，以生成训练误差小于训练误差指标且验证误差小于验证误差指标的非线性自回归神经网络；将所述测试数据输入所述非线性自回归神经网络，以输出最终预测值。2.如权利要求1所述的基于非线性自回归神经网络的负荷预测方法，其特征在于，所述参数还包括权值与阈值；所述采用所述若干训练样本数据训练所述神经网络，并采用所述若干验证样本数据验证所述神经网络，以生成训练误差小于训练误差指标且验证误差小于验证误差指标的非线性自回归神经网络，包括：执行训练步骤：采用所述若干训练样本数据中的任一所述训练样本数据训练神经网络，以输出预测值；对执行所述训练步骤输出的预测值进行误差检测，以得到训练误差；判断所述训练误差是否小于训练误差指标值；当判定所述训练误差大于或等于所述训练误差指标值时，修正权值与阈值，并采用所述若干训练样本数据中的下一所述训练样本数据重新训练所述神经网络；当判定所述训练误差小于所述训练误差指标值时，执行验证步骤：采用所述若干验证样本数据中的任一所述验证样本数据验证所述神经网络，以输出预测值；对执行所述验证步骤输出的预测值进行误差检测，以得到验证误差；判断所述验证误差是否小于验证误差指标值；当判定所述验证误差大于或等于所述验证误差指标值时，修正权值与阈值，并所述若干训练样本数据中的下一所述训练样本数据重新训练所述神经网络；当判定所述验证误差小于所述验证误差指标值时，将所述神经网络确定为所述非线性自回归神经网络。3.如权利要求2所述的基于非线性自回归神经网络的负荷预测方法，其特征在于，所述搭建神经网络，包括：给定神经网络初始值m、n、d；其中，m为输入层神经元个数，n为隐含层神经元个数，d为输出层神经元个数；给定神经网络训练算法trainlm，以搭建神经网络。4.如权利要求3所述的基于非线性自回归神经网络的负荷预测方法，其特征在于，所述参数还包括第一常数μ0和第二常数β，迭代次数k，误差指标E(ω(k))，Jacobian矩阵J(ω(k))，权值阈值增量Δω；所述当判定所述训练误差大于或等于所述训练误差指标值时，修正权值与阈值，包括：当判定所述训练误差大于或等于所述训练误差指标值时，以ω(k+1)＝ω(k)+Δω为新的权值和阈值向量，计算E(ω(k+1))；其中，ω(k)为迭代次数k的权值与阈值；判断E(ω(k+1))是否小于E(ω(k))；当判定E(ω(k+1))小于E(ω(k))时，则令k＝k+1，μ＝μ0β；当判定E(ω(k+1))大于或等于E(ω(k))时，令μ＝μ0/β，并重新计算权值阈值增量Δω，以修正所述权值与阈值。5.如权利要求1或2所述的基于非线性自回归神经网络的负荷预测方法，其特征在于，所述收集用电侧负荷预测所需原始数据，并对所述原始数据进行标准化处理和分类，以得到若干训练样本数据、若干验证样本数据和测试数据...

【专利技术属性】
技术研发人员：赵志甲，刘浩怀，姚鸿达，许存腊，唐春明，彭凌西，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东,44