识别神经网络的数据源制造技术

公开了一种识别神经网络数据源的系统、方法和设备。示例性系统具有确定每个所选择的数据集合负荷曲线的模块。此系统还具有确定每个所选择的数据集合每条负荷曲线全局差异测度和全局匹配测度的模块。此系统还具有确定具有最小值全局差异测度的一组数据集合的模块。此系统还具有确定具有最大值全局匹配测度一组数据集合的模块。系统还具有确定最小值差异测度和最大值匹配测度并集的模块。系统还具有确定本地匹配测度和本地差异测度的并集中的每个集合的模块，以及基于本地匹配测度和本地差异测度其中之一来选择一组约化的数据集合的模块。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及识别神经网络数据源、更具体而言涉及一种基于极短 期限负荷预测识别神经网络匹配数据源的设备、方法和系统。
技术介绍
人工神经网络(ANN)是其中多个互联元件同时处理信息、适应 并学习以往模式的i殳备。ANN可用于预测随时间变化的控制系统未来 的响应。例如，发电工业中的电能消耗可随时间变化。为有效运行发 电设备，识别未来的消耗模式是有用的。极短期限负荷预测器 (VSTLP)提供了一种从当前时间点预测在预定未来时间周期例如60 分钟或更短内，系统功率输出需求的工具.基于神经网络的极短期限负荷预测器(VSTLP)要求确定实际负 荷数据源并可以供神经网络的离线训练使用。该神经网络将被用于在 线预测以及进一步的在线训练/调整以改善预测的精确性。多达五个整 天负荷曲线的负荷数据用于离线神经网络训练。将指定时间段上负荷 数据的全年价值存储在具有也存储假日负荷数据10年价值的VSTLP 数据库中。相应地需要一种可有效利用离线数据以提供基于ANN的 VSTLP训练的i殳备、方法和系统'
技术实现思路
本专利技术是一种识别神经网络数据源的新颖设备、系统和方法。示 例性方法确定每个所选择的数据集合的负荷曲线。此方法确定每个所 选择的数据集合每条负荷曲线的全局差异测度和全局匹配测度。此方 法还确定具有最小值全局差异测度的一组数据集合并确定具有最大值 全局匹配测度的一组数据集合。此方法还确定最小值差异测度集和最 大值匹配测度的并集。对并集中的每个集合，此方法确定本地匹配测 度或本地差异测度，并基于本地匹配测度或者本地差异测度选择一组 约化的数据集合。本专利技术包括下面的实施例。 一个示例性实施例中，所述方法基于 具有本地匹配测度最大值的数据集合从并集的组中选择约化的数据集 合的组。在另一个实施例中，此方法基于具有本地差异测度最小值的 数据集合从并集的组中选择约化的数据集合的组。另一个实施例中， 数据集合为一天的数据，而此方法可基于夏时制更改基准负荷曲线。 而在另 一个实施例中，此方法可基于基准日数据集合选择所选数据集合的天。所选数据集合的天可包括当基准日后的下一天首末日包含 在内地处于星期二和星期四之间时，从包括同一周的星期二和星期四 之间任意天的数据集合中选择所选数据集合的方法；当基准日后的下一天为星期一时，从包括先前星期一、星期日和星期二的数据集合中选择所选数据集合的方法；以及当基准日后的下一天为星期五时，从 包括先前星期四、星期五和星期六的数据集合选择所选数据集合的方 法。当基准日后的下一天为周末时，此方法还从先前星期五、周末和 星期一的数据集合选择所选数据集合，以及当基准日后的下一天为假 曰时，此方法从包括先前相同假日、以及比此假日早或晚不超过两天 的数据集合选择所选数据集合。重要的是，本专利技术不限于必须满足本专利技术一个或多个任意所述目 的或特征的系统或方法.而且重要的是，本专利技术不限于这里所述的示 例性实施例。认为本领域技术人员进行的修改和替换都属于本专利技术的 范围，除了下面的权利要求以外其不受限制。附图说明通过阅读下面的详细说明并参考附图将更好理解本专利技术的这些和 其它特征和优势，其中图l是根据本专利技术的示例性基于ANN的VSTLP实施例1000系统的结构图。图2是根据本专利技术的示例性基于ANN的VSTLP实施例2000常规系统的结构图。图3是根据本专利技术的示例性基于ANN的VSTLP实施例3000下一时间系统的结构图。图4是根据本专利技术第一和第二示例性实施例初始方法的流程图。图5是根据本专利技术第一示例性实施例连续方法的流程图。图6是根据本专利技术约化的数据集合选择示例性实施例约化的数据集合方法的流程图。图7是根据本专利技术第二示例性实施例连续方法的流程图。具体实施例方式本专利技术提供一种基于神经网络的极短期限负荷预测器(VSTLP)。 在授予Chen的美国专利申请2004/0249775、授予Chen的 2004/0246643、授予Mansingh等人的2004/0257059、授予 Mansingh等人的2004/0260489 、 授予Mansingh等人的 2004/0257858中更详细描述了 VSTLP的各个方面，并将这些申请结 合于此作为参照。VSTLP要求确定实际的负荷数据源并使神经网络离 线训练可获得实际的负荷数据源，这些神经网络用于在线预测以及在 线训练/调节以改进预测精度。多达五个整天负荷曲线的负荷数据用于离线神经网络训练。指定 时间段负荷数据的全年价值存储在VSTLP数据库中，其中还存储假日 负荷数据的IO年价值。这些负荷曲线的日期用于识别潜在的负荷数据 源。换言之，按照日期来指定负荷数据源。通过两个阶段实现对用于 神经网络训练实际负荷数据源的确定。第一个阶段涉及用户指定一个 或多个数据源的日期。第二个阶段涉及利用下文所述的示例性算法查 找剩余的具有最接近负荷曲线的最佳匹配日期。可由用户指定第一负 荷数据源的日期。第一负荷数据集合用于产生基准负荷曲线。附加的 日期数据集合例如四个可由用户指定或者由提出的算法查找。参考图1，极短期限负荷预测器(VSTLP)模块1000为预测极短 期限系统负荷的工具。VSTLP模块1000采用一组神经网络预测短期 限周期和短期限间隔的系统负荷，例如预测下一个30分钟增量为l分 钟的系统负荷。如果可得到，则VSTLP模块1000采用过去的负荷数 据以及STFL模块(未示出)的短期限负荷预测(STLF)数据预测接 下来15分钟即将出现的负荷趋势。VSTLP模块1000利用人工神经网络(ANN)技术预测负荷要求。 因为负荷在工作日和周末差别根大、在不同的工作日变化、并在每一 天时常都有不同的动态变化，所以基于ANN的VSTLP模块1000在其 它特征中具有区分不同季节(例如夏季和冬季)的功能；区分周末、 假曰和工作日的功能；区分非峰值时间和峰值时间的功能；预测与近 来时间周期(例如过去的15分钟)动态一致的下一个周期(15个1 -分钟)负荷值的功能；符合由STLF模块函数或者等价外部源预测的 时间平均负荷值的功能。。因为STLF模块已经记录并模拟了天气信息，VSTLP模块1000可能不直接考虑天气信息或者输入天气信息。但是，应当理解可从天 气适应负荷预测获得天模式或者手工输入。但是在基于ANN的VSTLP 1000中不直接使用天气变化信息(尽管其它实施例会使用)，但是将 采用STLF每小时预测的负荷值调整基于ANN的VSTLP 1000每分钟 预测的负荷值。为记录负荷随季节、工作日/周末/假日以及非峰值/峰值时间， 神经网络可训练为获取在特定季节、特定天、某天的特定时间进行的 负荷模式。最初，将一年分为春季(l至3月)、夏季(4至6月)、 秋季(7至9月)和冬季(10至12月)。可根据应用此VSTL模块 1000特定位置的真实负荷特性改变此划分。例如周末(星期六和星期 曰)的负荷性质与工作日(星期一到星期五)的不同。可进行工作曰 和周末之间的划分并基于构造、真实的环境。例如，周末可包括星期 六、星期日和星期一，而工作日可包括星期二至星期五。 一般地，工 作日和周末的负荷特性通常是重复出现的。但是，假日的负荷特性与 常规工作日/周末的非常不同。可特别考虑假日，特别是大的节日例如 感恩节和本文档来自技高网...

【技术保护点】
一种识别神经网络数据源的系统，包括：　　　　确定每个所选择的数据集合的负荷曲线的模块；　　　　确定每个所选择的数据集合的每条负荷曲线的全局差异测度和全局匹配测度的模块；　　　　确定具有最小值全局差异测度的一组数据集合的模块；　　　　确定具有最大值全局匹配测度的一组数据集合的模块；　　　　确定最小值差异测度和最大值匹配测度的并集的模块；　　　　确定本地匹配测度和本地差异测度的并集中的每个集合的模块；以及　　　　基于本地匹配测度和本地差异测度其中之一来选择一组约化的数据集合的模块。

【技术特征摘要】
【国外来华专利技术】US 2005-2-3 60/649,677;US 2005-2-3 60/649,876;US 21.一种识别神经网络数据源的系统，包括确定每个所选择的数据集合的负荷曲线的模块；确定每个所选择的数据集合的每条负荷曲线的全局差异测度和全局匹配测度的模块；确定具有最小值全局差异测度的一组数据集合的模块；确定具有最大值全局匹配测度的一组数据集合的模块；确定最小值差异测度和最大值匹配测度的并集的模块；确定本地匹配测度和本地差异测度的并集中的每个集合的模块；以及基于本地匹配测度和本地差异测度其中之一来选择一组约化的数据集合的模块。2. 如权利要求l所述的系统，还包括基于具有本地匹配测度最大值的数据集合从该并集的集合中选择 一组约化的数据集合的模块。3. 如权利要求l所述的系统，还包括基于具有本地差异测度最小值的数据集合从该并集的集合中选择 一组约化的数据集合的模块。4. 如权利要求1所述的系统，其中所述数据集合为一天周期的 数据，并且还包括基于夏时制更改基准负荷曲线的模块。5. 如权利要求l所述的系统，其中所述数据集合为一天周期的 数据，并且还包括基于基准日数据集合来选择所选数据集合天的模块。6.1如权利要求5所述的系统，还包括当基准日后的下一天首末日包含在内地处于星期二和星期四之间 时，从包括同一周星期二和星期四之间任意天的数据集合中选择该所 选数据集合；当基准日后的下一天为星期一时，从包括先前星期一、 星期日和星期二的数据集合中选择该所选数据集合；以及当基准日后 的下一天为星期五时，从包括先前星期四、星期五和星期六的数据集 合中选择该所选数据集合的模块。7. 如权利要求5所述的系统，还包括当基准日后的下一天为周末的任意天时，从包括先前星期五、周末和星期一的数据集合中选择该所选数据集合；以及当基准日后的下一天为假日时，从包括先前相同假日、以及 比此假日早或晚不超过两天的数据集合中选择该所选数据集合。8. —种识别神经网络数据源的方法，包括下述行为确定每个所选择的数据集合的负荷曲线；确定每个所选择的数据集合的每条负荷曲线的全局差异测度和全 局匹配测度；确定具有最小值全局差异测度的一组数据集合；确定具有最大值全局匹配测度的一组数据集合；确定最小值差异测度和最大值匹配测度的并集；确定本地匹配测度和本地差异测度的并集中的每个集合；以及基于本地匹配测度和本地差异测度其中之一来选择一组约化的数 据集合。9. 如权利要求8所述的方法，还包括下述行为 基于具有本地匹配测度最大值的数据集合从该并集的集合中选择一组约化的数据集合。10. 如权利要求8所述的方法，还包括下述行为 基于具有本地差异测度...

【专利技术属性】
技术研发人员：D陈，
申请(专利权)人：西门子电力输送及配电有限公司，
类型：发明
国别省市：US[美国]