[發明專利]一種基于elman神經網絡的居民負荷預測方法

有效

• 申請號: 201510031651.1
• 申請日: 2015-01-21
• 公開（公告）號: CN104636822B
• 公開（公告）日: 2018-08-31
• 發明（設計）人: 呂洲;楊林;劉兵;姚科;高福榮
• 申請（專利權）人: 廣州市香港科大霍英東研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭瑩

1.一種基于elman神經網絡的居民負荷預測方法，其特征在于，包括：

S1、獲取上一年度的居民負荷歷史數據以及對應的歷史天氣參數數據，同時對該年度中的有效天數進行日期類型劃分；

S2、根據獲取的居民負荷歷史數據，計算各個月份的居民負荷的同期平均數，進而計算所有同期平均數的總平均值后，將每個同期平均數與總平均值相除獲得季節指數；

S3、采用季節指數對居民負荷歷史數據進行修正，將各個月份的居民負荷歷史數據除以對應的季節指數后，獲得修正后的居民負荷歷史數據；

S4、確定神經網絡的輸入和輸出數據，并確定最優的隱含層神經元個數，從而建立基于elman的神經網絡；

S5、對修正后的居民負荷歷史數據以及對應的歷史天氣參數數據進行歸一化處理，進而根據歸一化處理后的數據對建立的神經網絡進行訓練，將神經網絡的預測誤差控制在預設范圍內；

S6、獲取預測日前一周的居民負荷歷史數據、預測日的天氣參數數據和日期類型作為神經網絡的輸入，采用訓練后的神經網絡對預測日的居民負荷進行預測，進而將獲得的預測數據乘以季節指數后得到居民負荷預測數據；

所述日期類型劃分為休息日和工作日兩種類型；

所述居民負荷歷史數據包括每個小時的居民負荷數據，所述歷史天氣參數數據包括氣溫、日照時間和天氣類型；

所述步驟S4，包括：

S41、統計獲取的居民負荷歷史數據、歷史天氣參數數據和日期類型，將任一日的居民負荷數據作為神經網絡的輸出數據，同時將該日之前一周內的每個小時的居民負荷數據以及該日的天氣參數數據和日期類型作為神經網絡的輸入數據；

S42、對神經網絡進行初始化，根據輸入輸出序列確定輸入結點單元向量、隱含層結點單元向量、反饋狀態向量和輸出結點向量，從而建立起基于elman的神經網絡；

所述基于elman的神經網絡采用BP算法進行權值修正更新，并采用誤差平方和函數進行指標函數學習，所述指標函數學習的公式為：

上式中E(x)表示指標函數，表示目標輸入向量。

2.根據權利要求1所述的一種基于elman神經網絡的居民負荷預測方法，其特征在于，所述步驟S5中所述預設范圍為5％～10％。

3.根據權利要求1所述的一種基于elman神經網絡的居民負荷預測方法，其特征在于，所述基于elman的神經網絡的非線性狀態空間表達式為：

其中，y(k)表示m維輸出節點向量，l(k)表示m維隱含層節點單元向量，x(k)表示u維輸入向量，c(k)表示n維反饋狀態向量，w³表示隱含層到輸出層的連接權值，w²表示輸入層到隱含層的連接權值，w¹表示承接層到隱含層的連接權值，g(*)表示輸出神經元的傳遞函數，f(*)表示隱含層神經元的傳遞函數。

4.根據權利要求1所述的一種基于elman神經網絡的居民負荷預測方法，其特征在于，所述步驟S5，包括：

S51、根據下式對修正后的居民負荷歷史數據以及對應的歷史天氣參數數據進行歸一化處理：

其中，x_k表示居民負荷歷史數據序列或歷史天氣參數數據數列中的第k個參數值，k為自然數，x_max表示x_k所在數據序列中的最大值，x_min表示x_k所在數據序列中的最小值；

S52、根據歸一化處理后的數據對建立的神經網絡進行誤差計算、權值更新和閾值更新，進而將基于elman的神經網絡的預測誤差控制在預設范圍內。

5.根據權利要求4所述的一種基于elman神經網絡的居民負荷預測方法，其特征在于，所述步驟S6，包括：

S61、獲取預測日前一周的居民負荷歷史數據、預測日的天氣參數數據和日期類型作為神經網絡的輸入，采用訓練后的神經網絡對預測日的居民負荷進行預測，進而獲得預測日當天每小時的預測數據；

S62、將獲得的預測數據乘以季節指數后，獲得每小時的居民負荷預測數據。

6.根據權利要求5所述的一種基于elman神經網絡的居民負荷預測方法，其特征在于，所述步驟S62之后還包括以下步驟：

S63、獲取預測日當天的實際負荷數據后，計算獲得的居民負荷預測數據與實際負荷數據之間的誤差值，并將誤差值反饋至神經網絡。