[發明專利]一種短期負荷預測方法、系統及相關裝置

在審

• 申請號: 201910249984.X
• 申請日: 2019-03-29
• 公開（公告）號: CN109978268A
• 公開（公告）日: 2019-07-05
• 發明（設計）人: 楊韻;蔡秋娜;劉思捷
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司電力調度控制中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本申請所提供的一種短期負荷預測方法，包括：獲取負荷歷史數據中各個指標的指標參數；將各個指標的指標參數輸入預設BP神經網絡模型，輸出歸一化后的各個指標的短期負荷預測結果；其中，預設BP神經網絡模型的偏差值是由增加復雜度收斂項的偏差計算公式得出的，且偏差值不大于偏差收斂閾值。該方法中的預設BP神經網絡模型的偏差值是由增加復雜度收斂項的偏差計算公式得出的，且偏差值不大于偏差收斂閾值，能保證該預設BP神經網絡模型的復雜度不會過大，也即能夠保證該預設BP神經網絡模型不會過擬合，進而能夠在保證模型訓練精度的同時，減小短期負荷預測誤差。本申請還提供一種短期負荷預測系統、設備及計算機可讀存儲介質，均具有上述有益效果。

技術領域

本申請涉及電力系統調度運行領域，特別涉及一種短期負荷預測方法、系統、設備及計算機可讀存儲介質。

背景技術

人工神經網絡(Artificial Neural Network，即ANN)是近年來備受關注的人工智能算法，在人工神經網絡的眾多分支中BP神經網絡以其較強的學習能力成為使用最多的人工神經網絡算法，并在電力系統短期負荷預測中得到了廣泛的應用。

所謂短期負荷預測是指在日前對次日的負荷曲線、最大負荷、用電量等指標進行預測的負荷預測類型。相關文獻的研究表明氣溫、分布式電源、需求側響應等多項因素均將對短期負荷產生影響。而當采用BP神經網絡人工智能算法進行短期負荷預測時，往往面臨由于相關因素較多、歷史數據復雜造成的“過擬合”問題，造成盡管訓練階段能夠獲得較高的訓練精度，而預測階段測試誤差較大的問題。

因此，如何在保證模型訓練精度的同時，減小短期負荷預測誤差是本領域技術人員亟需解決的技術問題。

發明內容

本申請的目的是提供一種短期負荷預測方法、系統、設備及計算機可讀存儲介質，能夠在保證模型訓練精度的同時，減小短期負荷預測誤差。

為解決上述技術問題，本申請提供一種短期負荷預測方法，包括：

獲取負荷歷史數據中各個指標的指標參數；

將各個所述指標的所述指標參數輸入預設BP神經網絡模型，輸出歸一化后的各個所述指標的短期負荷預測結果；其中，所述預設BP神經網絡模型的偏差值是由增加復雜度收斂項的偏差計算公式得出的，且所述偏差值不大于偏差收斂閾值。

優選地，所述將各個所述指標的所述指標參數輸入預設BP神經網絡模型，輸出歸一化后的各個所述指標的短期負荷預測結果，包括：

在對原始負荷訓練數據進行數據歸一化處理得到負荷訓練數據后，利用所述負荷訓練數據確定BP神經網絡中各個神經元的連接權值和偏置量；

在將各個所述神經元的所述連接權值和所述偏置量代入對應的數值轉換函數，得到第一BP神經網絡模型后，將經過所述數據歸一化處理得到的負荷驗證數據輸入所述第一BP神經網絡模型，得到輸出結果；

在利用各個所述神經元的所述連接權值和預設的權重系數，構建所述復雜度收斂項后，利用所述復雜度收斂項和原始偏差計算公式，確定所述偏差計算公式；

在將所述負荷驗證數據和所述輸出結果代入所述偏差計算公式，得到所述偏差值后，判斷所述偏差值是否大于所述偏差收斂閾值；

若否，則將所述第一BP神經網絡模型確定為所述預設BP神經網絡模型；

將各個所述指標的所述指標參數輸入所述預設BP神經網絡模型，輸出歸一化后的各個所述指標的所述短期負荷預測結果。

優選地，若判斷出所述偏差值大于所述偏差收斂閾值，包括：

根據修正公式對所述第一BP神經網絡模型的各個所述神經元的所述連接權值和所述偏置量進行修正操作，得到對應的連接權修正值和偏置量修正值。