[发明专利]基于人工神经网络的短期负荷预测方法

权利要求书

1.一种基于人工神经网络的短期负荷预测方法，该方法包括确定人工神经网络结构；对人工神经网络进行训练；输入预测日的输入变量，通过人工神经网络计算输出结果；其特征在于，还包括对输出结果的修正；

所述确定人工神经网络结构中，采用的输入变量包括6类，分别为日期类型W、温度指数T、人体舒适度指数D、累积效应指数A、负荷数据L、经济增长指数E；

所述输出结果的修正为：用非典型日事件影响带来的负荷增大或减小，对输出结果进行修正。

2.如权利要求1所述的方法，其特征在于，具体包括以下步骤：

1）确定人工神经网络结构：人工神经网络由输入层、隐含层和输出层组成，输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成；

11）选取输入变量包括：日期类型W、温度指数T、人体舒适度指数D、累积效应指数A、历史负荷数据L、经济增长指数E；

12）确定输出负荷值：输出负荷值分为两类，第一类为单输出值，包括日最高负荷、日最低负荷、日平均负荷或日总负荷的输出值；第二类为多输出值，包括一日内24、48或96个时间点的负荷输出值（根据电力公司实际采样频率决定）；

13）输入变量数据样本范围选择：选择待预测日前30天数据、前N年同日期前后各15天数据作为数据样本的范围，所述资料包括输入变量资料和输出负荷值；N取决于系统所拥有的数据量，取值范围为2-6（一般取3为宜）；

14）对步骤13）中对应日期为非典型日对应的资料进行剔除，用向前搜索得到的数据补充剔除的资料，以满足步骤13）中的资料量；

2）对人工神经网络进行训练：

对由14）构成的资料样本进行训练，对人工神经网络中的各参数拟合计算，得到训练后改进的人工神经网络；

3）输入预测日的输入变量，通过人工神经网络计算输出结果：

4）对输出结果进行修正：

41）判断预测日是否为非典型日：若为典型日进行步骤42），若为非典型日进行步骤43）、44）；

42）采用步骤2）训练后的人工神经网络，输入预测日对应的输入变量，得到输出结果，预测完成；

43）采用步骤2）训练后的人工神经网络，输入上一年与预测日同一非典型日的输入变量得到上一年与预测日同一非典型日的虚拟负荷预测值L_{上一年非典型日虚拟预测值}，由式（1）得到虚拟预测值与实际值的差值：

ΔL＝L_{上一年非典型日真实值}-L_{非典型日虚拟预测值}    （1）

44）采用步骤2）训练后改进的人工神经网络，输入预测日对应的输入变量，得到该非典型日的虚拟负荷预测值，由式（2）得到该非典型日的负荷预测值，预测完成；

L_{非典型日预测值}＝L_{非典型日虚拟预测值}+ΔL    （2）。