基于样本动态组织与温度补偿的神经网络短期电力负荷预测制造技术

本发明专利技术是基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，其中，样本动态组织以负荷变化特征创建样本映射表和气象数据模糊化进行样本初选，进而以改进自组织特征映射网络实现样本精选；根据温度对电力负荷的影响特征，创建了以假想负荷与温度系数、临界温度描述的温度补偿模型，并与人工神经网络构成一体化负荷预测模型，其温度补偿系数、临界温度值与人工神经网络参数一道通过训练自动获取。由于样本动态组织有效避免了不良样本的误差干扰，温度补偿模型较精确的描述了温度对电力负荷的影响，因而本发明专利技术显著提高了短期负荷预测精度，特别大幅度提高了对气温敏感日期负荷的预测精度。

【技术实现步骤摘要】

本专利技术属于电力系统短期负荷预测方法，具体涉及一种基于样本动态组织与温度补偿的短期电力负荷预测方法。
技术介绍
对于电力系统短期负荷预测理论和方法，国内外学者作了大量研究，其主要方法有基于时间序列、回归分析的传统预测方法；基于人工神经网络、小波分析、专家系统等人工智能理论的现代预测方法。 回归分析预测模型是假定待预测负荷同一个或多个影响因素存在相关关系并寻找两者间相关关系的方法，预测模型目前大多采用多元线性回归模型，对各个模型输入变量的选取是该方法成功的关键，并且各个模型具有很好的可解释性。 电力系统短期负荷预测的传统方法主要优点是模型简单、预测速度快，但这些方法多是线性模型，很难描述负荷和影响因素之间的非线性关系；而且模型过于僵硬，缺乏灵活性，模型参数难以及时、准确的估计和调整，不能反映负荷的突然变化，限制了预测精度的提高。 智能预测模型的典型代表是人工神经网络预测模型，人工神经网络是通过借鉴人脑对信息的处理过程而创立的一种数学方法。由于神经网络良好的学习能力和便于处理负荷及其影响因素之间复杂非线性关系的特点，使得其在短期负荷预测理论与方法的研究中得到了高度关注与广泛应用。 虽然神经网络方法用于短期负荷预测已经取得了大量研究成果，但是该模型在实际应用中仍存在一些缺陷 1)已有的人工神经网络预测方法仅依据人为经验非常粗略的选择一批历史样本用于预测模型的构建，这种简单的样本组织方法，经常会引入很多不良样本，对建模预测造成严重的干扰，影响了负荷预测精度的提高。 2)对于影响负荷变化因素(如气象因素)的处理，现有人工神经网络预测模型都是将其作为一种输入变量，这种处理方法由于无法准确描述该因素对于负荷变化的某种非线性关系，因此难以提高预测精度。
技术实现思路
本专利技术的目的在于提供一种能够有效提高负荷预测的精度的基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，该方法能够为神经网络预测模型的训练提供更为优质的样本，避免了不良样本带来的误差干扰；在神经网络模型结构中引入温度补偿模型，充分利用了温度信息，对负荷变化规律的描述更加精确，其预测精度与一般神经网络预测相比得到了显著提高。 为达到上述目的，本专利技术采用的技术方案是 1)读取历史样本数据读取电力部门提供的待预测日前2年的负荷数据、星期类型及温度数据为历史样本数据； 2)构建时间分类树与样本组织映射表进行样本初步筛选 a、根据地区特点设定时间分类树的季节参数，构建时间分类树； b、利用负荷变化相似性规律构建样本组织映射表； c、将预测日时间信息(年月日)输入时间分类树，得出该预测日日期类别； d、利用预测日的日期类别查询样本组织映射表，找出对应的样本筛选规则； e、根据样本筛选规则为预测日初步筛选训练样本。 3)构建气象及负荷水平模糊化模型 a、将历史样本的历史气象数据中的最高温度数据由低到高进行排序； b、调用有序聚类算法对排序后的最高温度数据进行聚类分析，得到分割点Tempmax(1)和Tempmax(2)； c、依据分割点对最高温度数据进行模糊化处理。 4)根据温度与负荷模糊化特征进一步初选样本 采用多元线性回归法估算待预测日负荷水平(Loadave)，估算出预测日负荷水平后，将形成一个与预测日负荷变化曲线相关性的日气象负荷特征向量 F＝[Tempmax，Tempmin，Tempave，Loadave]T (1) 其中，Tempmax，Tempmin，Tempave分别为最高温度、最低温度与平均温度，Loadave为估算出的平均负荷； 利用已构建的气象负荷模糊模型，对该特征向量中的每个元素进行模糊化处理，最终可得到一个模糊化特征向量 其中每个元素将表示为0～3中的某个离散值； 使用同样的方法对初步筛选的n个样本分别形成日气象负荷特征向量，并进行模糊化处理后得到n个日气象负荷模糊化特征向量 再利用F′与 进行比较，当 (列向量每个元素对应相等)时，该样本称为相似样本，并将其存入初选样本数据库，否则，将其剔除，经过n次比较，最终我们会得到一个初选的样本数据库，样本数计为N′，其中每个样本都满足 5)改进SOFM网络提取负荷变化趋势特征曲线 在形成初选样本数据库(样本数计为N′)后，对该数据库中样本所对应的N′个负荷水平变化趋势向量采用基于FCM与灰色关联的改进自组织特征映射网络(SOFM)进行智能化地自组织聚类分析，提取隐含在初选样本数据库中的多条负荷水平变化趋势特征曲线，再利用待预测日对应的负荷水平变化趋势向量与多条负荷水平变化趋势特征曲线进行相似性比较，得到最为相似的变化趋势特征曲线，而该特征曲线所对应的样本子集便构成了预测日最终建模预测所需要的精选样本数据库。 6)利用负荷变化特征曲线对初选样本集进行特征划分并精选样本 改进SOFM网络训练收敛后，提取出三条特征各异的负荷水平变化趋势特征曲线XT1，XT2，XT3，然后再将这N′个趋势向量依次重新输入训练好的SOFM网络，原初选样本数据库E将被划分为三个样本子集E1，E2，E3，并且满足 E1∪E2∪E3＝E (5) 其中对于某一趋势向量Xj，其网络输出向量为{y1，y2，y3}T，由SOFM网络特性可知 在特征曲线提取与样本分类完毕后，分别计算预测日对应的负荷水平变化趋势向量Xd与三条负荷水平变化趋势特征曲线XT1，XT2，XT3之间的关联度，找出关联度最大也就是最为相似的变化趋势特征曲线XTi，从而断定该特征曲线所对应的样本子集Ei就是预测日负荷建模预测所需的精选样本数据库； 7)形成预测时刻t的训练样本集考虑对负荷影响较大的温度信息，其样本的输入变量主要由四部分组成负荷变量、温度变量、日期变量和节假日变量； 8)ANN网络权值、各隐层神经元域值以及温度补偿模型参数初始化 随机给定ANN网络权值及神经元域值(0～1均匀分布随机数) 温度补偿模型中的参数包括临界温度Tcrmax、Tcrmin，温度补偿系数α、λ； 对于临界温度，设历史样本最高温度Tmax，最低温度Tmin，则其初始值的选取如下式所示 温度补偿系数α、λ，取区间均匀分布的随机数生成； 9)基于BFGS优化算法对t时刻ANN网络进行训练以获得网络权值和温度补偿系数； 10)预测t时刻的假想负荷值； 11)根据预测日温度补偿系数求出t时刻真实负荷值； 然后赋予t＝t+1，进入步骤7)至11)直至t满足预测日或96点或24点负荷预测值。 本专利技术是基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，其中，神经网络模型的训练采用求解非线性规划的BFGS(Broyden，Fletcher，Goldfarb，Shanno)拟牛顿优化算法，较好的克服了BP算法因学习速率η难以选取产生的各种缺陷；并且在该预测模型基础上，创建了样本动态组织模型与温度补偿模型，使得预测模型的训练很好避免了不良样本的误差干扰，而且能够更加有效的挖掘出温度对负荷变化的影响信息，充分利用了温度信息，对负荷变化规律的描述更加精确本文档来自技高网...

【技术保护点】
基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，其特征在于：　１）读取历史样本数据：读取电力部门提供的待预测日前２年的负荷数据、星期类型及温度数据为历史样本数据；　２）构建时间分类树与样本组织映射表进行样本初步筛选　ａ、根据地区特点设定时间分类树的季节参数，构建时间分类树；　ｂ、利用负荷变化相似性规律构建样本组织映射表；　ｃ、将预测日时间信息（年月日）输入时间分类树，得出该预测日日期类别；　ｄ、利用预测日的日期类别查询样本组织映射表，找出对应的样本筛选规则；　ｅ、根据样本筛选规则为预测日初步筛选训练样本；　ｆ、筛选完毕后，将所选样本对应的时间信息存入初始样本数据库；　３）构建气象及负荷水平模糊化模型　ａ、将历史样本的历史气象数据中的最高温度数据由低到高进行排序；　ｂ、调用有序聚类算法对排序后的最高温度数据进行聚类分析，得到分割点Ｔｅｍｐ↓［ｍａｘ］（１）和Ｔｅｍｐ↓［ｍａｘ］（２）；　ｃ、依据分割点对最高温度数据进行模糊化处理：　设某日的最高温度为Ｔｅｍｐ↓［ｍａｘ］，模糊化处理后为Ｔｅｍｐ′↓［ｍａｘ］，则有　＊＊＊　（１）　按照同样的方法，分别对最低温度（Ｔｅｍｐ↓［ｍａｘ］）、平均温度（Ｔｅｍｐ↓［ｍａｘ］）以及日平均负荷（Ｌｏａｄ↓［ａｖｅ］）数据进行有序聚类分析，找出分割点，从而构建相应的模糊化模型，模糊化处理标准如下：　最低温度划分标准：　＊＊＊　（２）　平均温度划分标准：　＊＊＊　（３）　日平均负荷划分标准：　＊＊＊　（４）　４）根据温度与负荷模糊化特征进一步初选样本　采用多元线性回归法对待预测日负荷水平（Ｌｏａｄ↓［ａｖｅ］）回归估算：　步骤１：利用初步筛选样本形成称为回归设计矩阵Ｘ与ｎ维观测列向量Ｙ；　步骤２：根据＊＝（Ｘ↑［Ｔ］Ｘ）↑［－１］Ｘ↑［Ｔ］Ｙ计算回归系数向量＊；　步骤３：使用＊＝＊↓［０］＋＊↓［１］ｘ↓［１］＋…＋＊↓［ｋ］ｘ↓［ｋ］回归方程对预测日负荷水平ｙ作线性回归预测，预测值ｙ作为待预测日负荷水平估计值Ｌｏａｄ↓［ａｖｅ］；　基于模糊模型的样本初选　估算出预测日负荷水平后，将形成一个与预测日负荷变化曲线相关性的日气象负荷特征向量：　Ｆ＝［Ｔｅｍｐ↓［ｍａｘ］，Ｔｅｍｐ↓［ｍｉｎ］，Ｔｅｍｐ↓［ａｖｅ］，Ｌｏａｄ↓［ａｖｅ］］↑［Ｔ］　（５）　其中，Ｔｅｍｐ↓［ｍａｘ］，Ｔｅｍｐ↓［ｍｉｎ］，Ｔｅｍｐ↓［ａｖｅ］分别为最高温度、最低温度与平均温度，Ｌｏａｄ↓［ａｖ...

【技术特征摘要】
1、基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，其特征在于1)读取历史样本数据读取电力部门提供的待预测日前2年的负荷数据、星期类型及温度数据为历史样本数据；2)构建时间分类树与样本组织映射表进行样本初步筛选a、根据地区特点设定时间分类树的季节参数，构建时间分类树；b、利用负荷变化相似性规律构建样本组织映射表；c、将预测日时间信息(年月日)输入时间分类树，得出该预测日日期类别；d、利用预测日的日期类别查询样本组织映射表，找出对应的样本筛选规则；e、根据样本筛选规则为预测日初步筛选训练样本；f、筛选完毕后，将所选样本对应的时间信息存入初始样本数据库；3)构建气象及负荷水平模糊化模型a、将历史样本的历史气象数据中的最高温度数据由低到高进行排序；b、调用有序聚类算法对排序后的最高温度数据进行聚类分析，得到分割点Tempmax(1)和Tempmax(2)；c、依据分割点对最高温度数据进行模糊化处理设某日的最高温度为Tempmax，模糊化处理后为则有按照同样的方法，分别对最低温度(Tempmax)、平均温度(Tempmax)以及日平均负荷(Loadave)数据进行有序聚类分析，找出分割点，从而构建相应的模糊化模型，模糊化处理标准如下最低温度划分标准平均温度划分标准日平均负荷划分标准4)根据温度与负荷模糊化特征进一步初选样本采用多元线性回归法对待预测日负荷水平(Loadave)回归估算步骤1利用初步筛选样本形成称为回归设计矩阵X与n维观测列向量Y；步骤2根据计算回归系数向量步骤3使用回归方程对预测日负荷水平y作线性回归预测，预测值y作为待预测日负荷水平估计值Loadave；基于模糊模型的样本初选估算出预测日负荷水平后，将形成一个与预测日负荷变化曲线相关性的日气象负荷特征向量F＝[Tempmax，Tempmin，Tempave，Loadave]T(5)其中，Tempmax，Tempmin，Tempave分别为最高温度、最低温度与平均温度，Loadave为估算出的平均负荷；利用已构建的气象负荷模糊模型，对该特征向量中的每个元素进行模糊化处理，最终可得到一个模糊化特征向量其中每个元素将表示为0～3中的某个离散值；使用同样的方法对初步筛选的n个样本分别形成日气象负荷特征向量，并进行模糊化处理后得到n个日气象负荷模糊化特征向量再利用F′与进行比较，当(列向量每个元素对应相等)时，该样本称为相似样本，并将其存入初选样本数据库，否则，将其剔除，经过n次比较，最终我们会得到一个初选的样本数据库，样本数计为N′，其中每个样本都满足5)改进SOFM网络提取负荷变化趋势特征曲线在形成初选样本数据库(样本数计为N′)后，对该数据库中样本所对应的N′个负荷水平变化趋势向量采用基于FCM与灰色关联的改进自组织特征映射网络(SOFM)进行智能化地自组织聚类分析，提取隐含在初选样本数据库中的多条负荷水平变化趋势特征曲线，再利用待预测日对应的负荷水平变化趋势向量与多条负荷水平变化趋势特征曲线进行相似性比较，得到最为相似的变化趋势特征曲线，而该特征曲线所对应的样本子集便构成了预测日最终建模预测所需要的精选样本数据库；对于原FCM算法，在计算样本Xj对聚类中心Wk(t)的隶属度ukj(t)时所用的距离公式为由于该距离公式只适合于球形或椭球形分布的多维数据，而本文所要处理的负荷水平趋势向量的分布为平行分布，仍然采用这一距离公式显然是不合理的，所以本文算法使用灰色系统理论[30]中的关联度方法来描述样本Xj与聚类中心Wk(t)在高维空间中的距离，如果我们指定参考列向量为聚类中心Wk(t)＝{wk1(t)，wk2(t)…，wkp(t)}T，样本Xj＝{xj1，xj2…，xjp}T，j＝1，2…N′，则称为聚类中心Wk(t)与样本Xj在第s点的关联系数，用于向量间距离计算。a、给定聚类数c，误差上限ε，初始模糊度m0，迭代上限T，墨西哥草帽函数参数k，k1，k2，σ1，σ2，k3；b、随机给定初始聚类中心(权值矢量)Wk，k＝1，2…，m，令t＝1；c、根据距离公式(11)和隶属度计算及更新公式(12)~(14)对于如，则有如使得dkr＝0，则有ukr＝1，且对j≠r，ukj＝0 (13)j*为最佳匹配节点 (14)形成隶属度矩阵U；d、根据隶属度矩阵U按式(15)计算学习率ηkj(t)；e、根据公式Wk(t+1)＝Wk(t)+ηkj(t)[Xj-Wk(t)]，k＝1，2…，m (16)对权值向量进行更新；f、当m(t)>1.0，‖Wk(t+1)-Wk(t)‖>ε，并且t<...

【专利技术属性】
技术研发人员：赵登福，程松，夏经德，王圈，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：87[中国|西安]