【技术实现步骤摘要】
一种基于人工神经网络的短期电力电量预测方法
本专利技术涉及的
，尤其涉及一种基于人工神经网络的短期电力电量预测方法。
技术介绍
短期负荷预测是负荷预测的重要组成部分，它对于机组最优组合、经济调度、最优潮流、电力市场交易等都有着重要的意义。负荷预测精度越高，越有利于提高发电企业的报价和决策的有效性。随着电力体制改革的进一步深化、电力市场的建立健全、发用电计划的有序放开和售电侧市场主体的培育形成，电力系统将逐步改变计划生产的方式，在更加独立和开放的市场环境下运行。因此，发电企业需要更加准确的负荷预测结果来设计高效的竞价和运营方案，提升市场竞争力。这其中，短期负荷预测更是备受关注的重点，准确的短期负荷预测结果可以带来巨大的经济效益。国外有关的研究发现，短期负荷的平均预测误差每下降1％就可以节约数十甚至上百万美元。由于负荷的随机因素太多，非线性极强，而有些传统方法理论依据尚存在局限性等问题，因此，新理论和新技术的发展一直推动着短期负荷预测的不断发展，新的预测方法层出不穷。短期负荷预测的最大特点是其具有明显的周期...
【技术保护点】
1.一种基于人工神经网络的短期电力电量预测方法，其特征在于：包括，/n采集气象信息进行量化处理得到气象因子特征量；/n利用所述气象因子特征量建立基于人工神经网络的短期电量预测模型；/n对所述预测模型进行训练，输入原始数据并得到预测数据；/n根据所述预测数据进行判断，获得最终的预测结果。/n
【技术特征摘要】
1.一种基于人工神经网络的短期电力电量预测方法，其特征在于：包括，
采集气象信息进行量化处理得到气象因子特征量；
利用所述气象因子特征量建立基于人工神经网络的短期电量预测模型；
对所述预测模型进行训练，输入原始数据并得到预测数据；
根据所述预测数据进行判断，获得最终的预测结果。
2.如权利要求1所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述建立基于人工神经网络的短期电量预测模型包括，
一般在短期负荷预测中使用的网络是三层前馈网络，即只含有一个隐含层，而所述隐含层的神经元数目的选取与神经网络模型的训练效果是密切相关的，根据不同训练样本，考虑到预测计算时间的要求利用公式确定隐藏层的数量，所述预测模型如下：
其中：h为隐含层节点数，m为输入层节点数，p为输出层节点数，α为0～10之间的常数；在神经元构成方面，利用人工神经网络的高度非线性映射特性，来找出电力负荷中输入与输出的映射关系进而将前馈神经网络应用于短期负荷预测，因此输入样本的选取对整个神经网络具有重要的作用，在此选取多输入单输出结构网络以及多输入多输出结构网络两种结构。
3.如权利要求1或2所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述训练包括，
神经网络的训练算法直接决定了其学习速度及预测精度，因此神经网络的训练算法需要很好的设计，应用列文伯格-马夸尔特算法进行计算，所述列文伯格-马夸尔特法与拟牛顿法一样，是为了在以近似二阶训练速率进行修正避免计算黑塞矩阵而设计的，所述黑塞矩阵表示为：H＝JTJ，而梯度表示为g＝JTe，因此列文伯格-马夸尔特算法的权重调整值为如下所示：
x(k+1)＝x(k)-[JTJ+μI]-1JTe
其中，J为误差对权值微分的雅克比矩阵，e为网络误差向量，I为单位矩阵，μ为常系数，在计算过程中μ是自适应调整的，当μ→∞时，上式为最速下降法，当μ→0时，上式为牛顿法，使用近似的黑塞矩阵。
4.如权利要求3所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述训练还包括，
为了避免神经元出现饱和的现象及消除不同量级输入数据对模型训练的影响，需要对原始数据进行预处理，将不同量级的输入数据变换到同一个数量级便于训练过程的网络收敛，在此采用的预处理方法为：对于训练样本集中的每类数据，统计其最大值和最小值，在此数据为x，其最大值为xmax，最小值为xmin，将数据归一化至[0，1]或[-1，1]区间，其归一化计算公式为：
其中：x为映射前的取值，y为映射后的取值；在训练结束后可以将预测值通过下述公式转化为各类数据的还原值：
5.如权利要求1或4所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述短期电量预测包括，
将短期电量的预测...
【专利技术属性】
技术研发人员：彭鹏，陈涛，章立，任廷林，朱江，高英，邹兴建，周保中，乐鹰，朱文斌，
申请(专利权)人：贵州乌江水电开发有限责任公司，
类型：发明
国别省市：贵州;52
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。