一种基于多层前馈网络的负荷预测方法及系统技术方案

本发明专利技术提出一种基于多层前馈网络的负荷预测方法及系统，所述方法包括以下步骤：步骤1：获取历史气象特征数据、时序特征数据以及与所述历史气象特征数据、时序特征数据对应的历史负荷数据，构建训练集；所述训练集的输入为所述历史气象特征数据、时序特征数据，输出为所述对应的历史负荷数据。步骤2：利用多层前馈网络以及所述训练集构建负荷预测模型，所述多层前馈网络为考虑正则项的多层前馈网络。步骤3：将待预测特征数据输入所述负荷预测模型，得到负荷预测值。本发明专利技术通过采用正则化技术来避免过拟合情况，将正则项加入深度神经网络的目标函数之中，能够有效提高极端小样本场景下的负荷预测精度。负荷预测精度。负荷预测精度。

【技术实现步骤摘要】
一种基于多层前馈网络的负荷预测方法及系统


[0001]本专利技术属于电力系统负荷预测领域，尤其涉及一种基于多层前馈网络的负荷预测方法及系统。

技术介绍

[0002]目前的人工智能技术发展得越来越成熟，神经网络被大规模地应用在对电力系统的负荷预测工作当中。神经网络是一种高度依赖数据体量的方法。在极端的天气场景下，样本数量小，神经网络非常容易发生过拟合的情况，使得预测精度不理想。
[0003]避免过拟合的方法主要包括增加训练数据数量、减小网络的规模。然而，时序数据因其规模与历史采样时间有关，本就难以增加，而减小网络规模又会使得网络学习能力有限，因此现有技术在极端场景下的表现往往不佳。
[0004]所以目前亟需一种能够在较少样本数量的情况下仍然能保证负荷预测结果具备较高精确度与准确度的方法与系统。

技术实现思路

[0005]为了解决或者改善上述问题，本专利技术提供了一种基于多层前馈网络的负荷预测方法及系统，具体技术方案如下：
[0006]一种基于多层前馈网络的负荷预测方法，包括以下步骤：
[0007]步骤1：获取历史气象特征数据、时序特征数据以及与所述历史气象特征数据、时序特征数据对应的历史负荷数据，构建训练集；所述训练集的输入为所述历史气象特征数据、时序特征数据，输出为所述对应的历史负荷数据。步骤2：利用多层前馈网络以及所述训练集构建负荷预测模型，所述多层前馈网络为考虑正则项的多层前馈网络。步骤3：将待预测特征数据输入所述负荷预测模型，得到负荷预测值。
[0008]优选的，所述步骤2，包括以下步骤：
[0009]步骤2.1：确定输入层、隐藏层以及输出层以及正则项，建立多层前馈网络；所述输入层用于接受非线形输入信息；所述隐藏层数量若干，用于连接所述输入层和所述输出层，传输并分析接收到的所述非线形输入信息；所述输出层用于输出对所述非线形输入信息的分析结果。步骤2.2：利用所述训练集对所述考虑正则项的多层前馈网络进行训练，得到所述负荷预测模型。
[0010]优选的，所述步骤2.1中确定正则项，包括：
[0011]所述正则项的表达式如下，其中，C为正则项，是正则化后的代价函数，C0为未经过正则化的原始代价函数，为网络中所有权值的平方和，λ为正则化系数，n为训练集的大小。
[0012]优选的，所述步骤2.2中的训练，包括：
[0013]利用反向传播法对所述考虑正则项的多层前馈网络进行训练，训练过程包括权值
w学习与偏置值b的梯度下降学习；权值w学习规则的表达式为，其中，η为学习率。
[0014]偏置值b的梯度下降学习规则的表达式为，
[0015]优选的，所述步骤1，还包括：所述获取历史气象特征数据，包括历史某一天内总日照时长和一天内不同时段的最高温度、最低温度、平均温度、紫外线指数、露点温度、体感温度、风寒温度、最大风速、云覆盖率、湿度、降水量、气压、风向以及平均风速。所述时序特征数据，包括时断数t和是否为节假日分量。
[0016]优选的，所述步骤3，还包括：所述待预测特征数据包括第n
‑
1天t时段的历史负荷数据、第n天t时段的历史气象特征数据以及第n天t时段的时序特征数据；所述负荷预测值包括n天t时段的预测负荷值。
[0017]基于相同的专利技术构思，本专利技术还提出一种基于多层前馈网络的负荷预测系统，其特征在于，包括：
[0018]数据收集单元：用于获取历史气象特征数据、时序特征数据以及与所述历史气象特征数据、时序特征数据对应的历史负荷数据，构建训练集。预测模型构建单元：用于利用多层前馈网络以及所述训练集构建负荷预测模型。负荷预测单元：用于将待预测特征数据输入所述负荷预测模型，得到负荷预测值。
[0019]本专利技术的有益效果为：针对深度学习在极端场景下样本数量小、非常容易发生过拟合的问题，本专利技术通过采用正则化技术来避免过拟合情况，可以有效提高极端小样本场景下的负荷预测精度。
附图说明
[0020]图1是根据本专利技术一实施例提供的一种基于多层前馈网络的负荷预测方法的流程图。
[0021]图2是根据本专利技术一实施例提供的一种基于多层前馈网络的负荷预测系统的结构原理框图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0024]还应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0025]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0026]本专利技术提出如图1所示的一种基于多层前馈网络的负荷预测方法，包括以下步骤：
[0027]步骤1：获取历史气象特征数据、时序特征数据以及与所述历史气象特征数据、时序特征数据对应的历史负荷数据，构建训练集。所述训练集的输入为所述历史气象特征数据、时序特征数据，输出为所述对应的历史负荷数据；
[0028]由于天气影响了电力用户的生产和生活行为模式，因此相关的气象特征数据对于负荷预测具有重要意义。具体的：所述获取历史气象特征数据，包括历史某一天内总日照时长和一天内不同时段的最高温度、最低温度、平均温度、紫外线指数、露点温度、体感温度、风寒温度、最大风速、云覆盖率、湿度、降水量、气压、风向以及平均风速；所述时序特征数据，包括时断数t和是否为节假日分量。
[0029]步骤2：利用多层前馈网络以及所述训练集构建负荷预测模型，所述多层前馈网络为考虑正则项的多层前馈网络。
[0030]正则化的作用是让网络偏好学习更小的权值，而在其它的方面保持不变。即正则化可以视作一种能够折中考虑小权值和最小化原来代价函数的方法。
[0031]具体的，步骤2具体包括以下子步骤：
[0032]步骤2.1：确定输入层、隐藏层以及输出层以及正则项，建立多层前馈网络。所述输入层用于接受非线形输入信息；所述隐藏层数量若干，用于连接所述输入层和所述输出层，传输并分析接收到的所述非线形输入信息；所述输出层用于输出对所述非线形输入信息的分析结果。在实际应用中，正则项的表达式为：
[0033][0034]其中，C为正则项，是正则化后的代价函数，C0为未经过正则化的原始代价函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层前馈网络的负荷预测方法，其特征在于，包括以下步骤：步骤1：获取历史气象特征数据、时序特征数据以及与所述历史气象特征数据、时序特征数据对应的历史负荷数据，构建训练集；所述训练集的输入为所述历史气象特征数据、时序特征数据，输出为所述对应的历史负荷数据；步骤2：利用多层前馈网络以及所述训练集构建负荷预测模型，所述多层前馈网络为考虑正则项的多层前馈网络；步骤3：将待预测特征数据输入所述负荷预测模型，得到负荷预测值。2.根据权利要求1所述的一种基于多层前馈网络的负荷预测方法，其特征在于，所述步骤2，包括以下步骤：步骤2.1：确定输入层、隐藏层以及输出层以及正则项，建立多层前馈网络；所述输入层用于接受非线形输入信息；所述隐藏层数量若干，用于连接所述输入层和所述输出层，传输并分析接收到的所述非线形输入信息；所述输出层用于输出对所述非线形输入信息的分析结果；步骤2.2：利用所述训练集对所述考虑正则项的多层前馈网络进行训练，得到所述负荷预测模型。3.根据权利要求2所述的一种基于多层前馈网络的负荷预测方法，其特征在于，所述步骤2.1中确定正则项，包括：所述正则项的表达式如下，其中，C为正则项，是正则化后的代价函数，C0为未经过正则化的原始代价函数，为网络中所有权值的平方和，λ为正则化系数，n为训练集的大小。4.根据权利要求3所述的一种基于多层前馈网络的负荷预测方法，其特征在于，所...

【专利技术属性】
技术研发人员：凌武能，孙艳，李秋文，莫东，李凌，黄馗，杨有慧，邓秋荃，卓毅鑫，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：