[發明專利]一種基于人工神經網絡和D-S證據理論的用戶變化量預測方法

在審

• 申請號: 201310474134.2
• 申請日: 2013-10-12
• 公開（公告）號: CN103544539A
• 公開（公告）日: 2014-01-29
• 發明（設計）人: 齊明;朱佳柯;唐義德;劉永亮;李艷西;張鵬;蔣蘇湘;陳中偉;謝儉
• 申請（專利權）人: 國家電網公司;國網湖南省電力公司信息通信公司;湖南同飛電力調度信息有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于人工神經網絡和D-S證據理論的用戶變化量預測方法。

背景技術

隨著電力市場的不斷發展，用戶對電力的需求不斷提高，對電力服務的需求也不斷提高。電力用戶數量巨大，電力需要從用戶的用電狀況和特性出發，準確預測用戶變化量，從而制定精細的服務計劃和方案。為此，本發明提出了一種基于人工神經網絡和D-S證據理論的電力用戶變化量預測方法。

發明內容

本發明的一種基于人工神經網絡和D-S證據理論的用戶變化量預測方法，包括如下步驟：

1）采集用戶用電量狀況和用電習慣等數據；

2）獲取用戶的原始樣本數據，隨機等分為n等分，對采集的數據進行預處理；

3）初始化n個RBF神經網絡，設置網絡參數，進行網絡離線學習訓練；

4）RBF神經網絡訓練完成后建立基于神經網絡的特征級融合模型；

5）獲得檢測樣本，數據預處理后作為每個神經網絡的輸入；

6）得到n組神經網絡輸出結果，對每組結果歸一化，作為一組證據的信任函數；

7）根據合成規則，利用D-S證據理論對這些證據進行融合；以及

8）得到最終的信任函數，根據判斷規則作出用戶變化量的預測。

根據該方法，較好地預測了電力用戶變化量，取得了很好的社會效益和經濟效益。

附圖說明

圖1為基于數據融合的電力用戶變化量預測方法的原理圖；

圖2為RBF神經網絡的結構；

圖3為基于神經網絡和D-S證據理論的融合決策方法的原理圖。

圖4為根據一個實施例的用戶變化量測試結果。

具體實施方式

數據融合是一種自動化信息綜合處理技術,利用多源數據的互補性和智能計算技術來綜合分析數據的信息,從而更精確地描述對象的特性,對對象做出準確的識別和判斷。本發明中采用數據融合方法來研究電力用戶變化量，實施過程如圖1所示：首先，將用戶用電習慣和狀況作為輸入數據，并進行數據的預處理；隨后，從海量數據中進行用電用戶特征提取與歸一化；最后采用一種基于神經網絡和D-S證據理論的預測方法，預測出電力用戶變化量。

本發明采用的RBF神經網絡基本結構如圖2所示，使用RBF函數作為隱單元的激活函數，構成隱層空間，輸入矢量與隱層之間權值為1，隱層到輸出層之間的權值采用學習算法調整。整個RBF網絡實現了輸入到輸出的非線性映射，可以應用于不同非線性關系的分析，同時網絡輸出與連接權值之間又是線性關系，這樣網絡的訓練速度快。

D-S證據理論是一種處理不確定性的常用方法，通過建立命題與集合之間的對應關系，使用基本概率分配函數或信任函數來描述識別不確定度的大小，通過對不同證據使用D-S合成規則來更新信任函數。

本發明中采用一種融合決策方法，如圖3所示。采用神經網絡進行特征級融合，采用D-S證據進行決策級融合，先由多個神經網絡對用戶用電量狀況和用電習慣作初步處理后，每個網絡輸出結果歸一化之后作為一條證據，D-S證據理論對這些證據進行融合，根據判決規則合成處理后作出用電用戶量預測方法。

這樣，便建立了一種基于神經網絡和D-S證據理論融合的電力用戶量預測方法。其具體步驟包括：采集用戶用電量狀況和用電習慣等數據；獲取用戶的原始樣本數據，隨機等分為n等分，對數據進行預處理；n個RBF神經網絡初始化，設置網絡參數、網絡離線學習訓練；RBF神經網絡訓練完成，建立基于神經網絡的特征級融合模型；獲得檢測樣本，數據預處理后作為每個神經網絡的輸入；得到n組神經網絡輸出結果，每組結果歸一化，作為一組證據的信任函數；根據合成規則，利用D-S證據理論對這些證據進行融合；得到最終的信任函數，根據判斷規則作出用戶變化量的預測。

根據一個實施例，為了驗證本發明的用戶量預測方法的有效性，這里選取了某一供電片區的數據進行訓練和測試。首先，隨機抽取供電片區的300天用戶量數據作為神經網絡的訓練樣本，隨后，另外選取了30天用電量數據來測試該方法的有效性。

仿真測試的數據如下：

實測數據值序列=[282??303??316??308??289??297??301??322??289??317??309??299??292??301??304??290??309??294??301??309??296??298??312??298??320??327??317??302??312??293]。