一种基于随机神经网络的短期负荷预测方法技术

本发明专利技术公开了一种基于随机神经网络的短期负荷预测方法，包括以下步骤：Step1数据预处理；Step2确定神经网络模型隐藏层数、每层节点数、学习目标、训练次数、学习速率，激活函数等；Step3确定随机神经网络模型batch大小，把Step1归一化的数据输入到Step2生成的神经网络，计算神经网络的输出值；Step4：计算神经网络输出值与目标值的损失函数，并且采用Adam优化算法，对神经网络模型参数更新；Step5：计算全部训练数据集在Step4参数更新后的损失函数；如果当前损失函数小于保存的最小损失函数，则说明模型参数更优，更新保存的模型和最小损失函数值，否则跳过Step5。

【技术实现步骤摘要】
一种基于随机神经网络的短期负荷预测方法
本专利技术涉及电力系统
，特别是涉及一种基于随机神经网络的短期负荷预测方法。
技术介绍
随着智能电网在世界范围的建设和相关技术的发展，现代化电网产生大量负荷数据，如何在这些数据之间寻找负荷预测需要的信息，对今后智能电网的建设有着至关重要的意义[1-2]。最初的负荷预测方法依赖于工作经验丰富的电网人员的判断，由于没有科学依据，以及工作人员背景不同会使得负荷预测没有普遍性。随着智能电网的建设普及，研究人员可以获取海量电网数据，因此相继涌现出多种建立在数学理论的负荷预测方法，例如经典的模型有灰色理论[3]、人工神经网络[4]、人工神经网络与灰色理论结合[5]、支持向量机[6]和决策树[7]等。这些经典算法由于自身或其他原因，使得负荷预测精度远远不能满足电力市场的需要。在1985年英国，据估计每增加百分之一的负荷预测错误就导致一千万英镑的损失[8]。电力行业需要更加准确的负荷预测数据才能做出合适的电力规划和管理策略。一个精准的负荷预测能够最小化电力供给和实际需求的差距，为了满足未来的电力需求和降低短期电力不足的压力，一些实时技术创新应运而生。在近本文档来自技高网...

【技术保护点】
1.一种基于随机神经网络的短期负荷预测方法，其特征在于，对随机神经网络最后保存模型提出一个判断条件，当训练模型的损失小于一个我们设定的阈值时记录最小的整个训练数据集的损失min，每次随机神经网络的参数调整，都与最小的损失比较，保留最小的损失值和模型，具体包括以下步骤：Step1:数据预处理，在输入模型进行训练前进行归一化处理，一般归一化公式如下：

【技术特征摘要】
1.一种基于随机神经网络的短期负荷预测方法，其特征在于，对随机神经网络最后保存模型提出一个判断条件，当训练模型的损失小于一个我们设定的阈值时记录最小的整个训练数据集的损失min，每次随机神经网络的参数调整，都与最小的损失比较，保留最小的损失值和模型，具体包括以下步骤：Step1:数据预处理，在输入模型进行训练前进行归一化处理，一般归一化公式如下：Step2:确定神经网络模型隐藏层数、每层节点数、学习目标、训练次数、学习速率，激活函数等；Step3:确定随机神经网络模型batch大小，把Step1归一化的数据输入到Step2生成的神经网络，计算神经网络的输出值；Step4：计算神经网络输出y(t)与目标值的损失函数L，并且采用Adam优化算法，对神经网络模型参数更新；Step5：计算全部训练数据集在Step4参数更新后的损失函数。由于算法保存模型需要时间长，为了减少模型训练时间，设定损失函数阈值，只有损失函数小于阈值，再与保存的最小损失函数相比，如果当前损失函数小于保存的最小损失函数，则说明模型参数更优，更新保存的模型和最小损失函数值，否则跳过Step5。2.根据权利要求1所述的一种基于随机神经网络的短期负荷预测方法，其特征在于：所述Step1中的输入模型为三层的神经网络模型，在时间为t(t＝1，2，3......，N-1，N)的...

【专利技术属性】
技术研发人员：王瑞，逯静，王强强，周晨曦，陈诗雯，杨炜炜，高强，孙忆枫，闫方，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南,41