[发明专利]基于人工神经网络的短期负荷预测方法

说明书

技术领域

本发明属于电力系统负荷预测技术领域，特别涉及一种基于网络结构改进及输出结果修正的短期负荷预测方法。

背景技术

电力系统短期负荷预测是负荷预测的重要组成部分，是实现电力系统安全、经济运行的基础，特别是在电力市场交易中有着重要的意义。负荷预测的精度越高，越有利于提高发电设备的利用率和经济调度的有效性；反之，负荷预测误差较大时，不仅会造成大量运行成本和利润损失，甚至会影响电力系统运行的可靠性和电力市场的供需平衡。因此，采用先进的预测方法是十分必须的。

电力系统短期负荷预测是将预测日的负荷数据作为输入变数,输入到相应预测数学模型中得到的输出量即为预测值的负荷。由于电力系统短期负荷预测具有随机性及非线性强的特点，其输入量和输出值之间的数学模型可不必预先知道。根据这一特点，可采用具有很强自学习和复杂的非线性函数拟合能力的人工神经网络进行预测。人工神经网络是指模拟生物大脑的结构和功能而构成的一种信息处理系统或计算机处理系统，这种系统由多个简单的处理单元彼此按某种方式相互连接而形成，靠其状态对外部输入信息的动态响应来处理信息。人工神经网络一般通过训练数据样本得到各个处理单元之间的函数关系。人工神经网络有广泛的应用领域，包括语言识别、图像识别、计算机视觉、智能机器人故障检测、企业管理、市场分析、决策优化、物资调运、神经生理心理学和认知科学研究等等。

将人工神经网络应用到电力系统负荷预测由D.C.Park等科学家于1991年首次提出，预测的相对误差由4.02%降低到了2.66%。采用人工神经网络进行电力系统短期负荷预测包括以下三个步骤：

首先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，其中：输入变量主要包括历史负荷数据、日期类型、气象因素（每日最高温、最低温和湿度）；输出结果（负荷值）为单输出值（日最高负荷、日最低负荷、日平均负荷或日总负荷）或多输出值（一日内24、48或96个时间点的负荷）；

其次对人工神经网络进行训练，选择输入变量数据样本的范围，通过对人工神经网络中的各参数拟合计算，得到训练后的人工神经网络；

最后输入预测日的输入变量，通过人工神经网络计算输出结果。

经过二十年的发展，人工神经网络在电力系统预测中有了更为广泛的应用。人工神经网络采用的关键在于网络结构的确定及输出结果的修正两个方面。

网络结构的确定的关键在于输入变量的确定。目前的研究中采用的输入变量主要包括历史负荷数据、日期类型、气象因素（每日最高温、最低温和湿度），其中，气象因素对负荷的影响是十分明显的，尤其是各种气象因素的综合效果及其累积效应。

目前针对气象因素的综合效果主要用人体舒适度表征，研究表明，相比温度、湿度等单一因素和负荷的相关关系，人体舒适度对负荷特征量的变化有更好的跟随和描述效果。另一方面，气象因素的累积效应也很大程度上改变了用户的负荷需求，研究表明，连续高温将导致空调负荷居高不下，用电量占夏季负荷的大部分比例。但在以往的研究中，累积效应仅考虑温湿指数，而应用在人工神经网络中，综合考察人体舒适度和累积效应的负荷预测尚缺乏明确的方法。

输出结果的修正，是指针对有特殊事件发生或节假日的非典型日的负荷进行人工神经网络输出结果的修正。目前在输出结果修正方面，主要用典型日样本取百分数，用负荷变化趋势将负荷曲线平移。这种方法忽略了在非典型日供电方仍需要满足用户的基本负荷需求，从而在很大程度上降低了负荷预测的精度。

综合以上两个方面，上述采用人工神经网络基于网络结构及输出结果修正的短期负荷预测方法的精度仍有待提高。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种基于人工神经网络的短期负荷预测方法，本方法对人工神经网络结构进行改进及对输出结果进行修正，提高了预测精度。

本发明提出的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。

上述方法具体包括以下步骤：