[发明专利]一种基于elman神经网络的居民负荷预测方法

权利要求书

1.一种基于elman神经网络的居民负荷预测方法，其特征在于，包括：

S1、获取上一年度的居民负荷历史数据以及对应的历史天气参数数据，同时对该年度中的有效天数进行日期类型划分；

S2、根据获取的居民负荷历史数据，计算各个月份的居民负荷的同期平均数，进而计算所有同期平均数的总平均值后，将每个同期平均数与总平均值相除获得季节指数；

S3、采用季节指数对居民负荷历史数据进行修正，将各个月份的居民负荷历史数据除以对应的季节指数后，获得修正后的居民负荷历史数据；

S4、确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于elman的神经网络；

S5、对修正后的居民负荷历史数据以及对应的历史天气参数数据进行归一化处理，进而根据归一化处理后的数据对建立的神经网络进行训练，将神经网络的预测误差控制在预设范围内；

S6、获取预测日前一周的居民负荷历史数据、预测日的天气参数数据和日期类型作为神经网络的输入，采用训练后的神经网络对预测日的居民负荷进行预测，进而将获得的预测数据乘以季节指数后得到居民负荷预测数据；

所述日期类型划分为休息日和工作日两种类型；

所述居民负荷历史数据包括每个小时的居民负荷数据，所述历史天气参数数据包括气温、日照时间和天气类型；

所述步骤S4，包括：

S41、统计获取的居民负荷历史数据、历史天气参数数据和日期类型，将任一日的居民负荷数据作为神经网络的输出数据，同时将该日之前一周内的每个小时的居民负荷数据以及该日的天气参数数据和日期类型作为神经网络的输入数据；

S42、对神经网络进行初始化，根据输入输出序列确定输入结点单元向量、隐含层结点单元向量、反馈状态向量和输出结点向量，从而建立起基于elman的神经网络；

所述基于elman的神经网络采用BP算法进行权值修正更新，并采用误差平方和函数进行指标函数学习，所述指标函数学习的公式为：

上式中E(x)表示指标函数，表示目标输入向量。

2.根据权利要求1所述的一种基于elman神经网络的居民负荷预测方法，其特征在于，所述步骤S5中所述预设范围为5％～10％。

3.根据权利要求1所述的一种基于elman神经网络的居民负荷预测方法，其特征在于，所述基于elman的神经网络的非线性状态空间表达式为：

其中，y(k)表示m维输出节点向量，l(k)表示m维隐含层节点单元向量，x(k)表示u维输入向量，c(k)表示n维反馈状态向量，w³表示隐含层到输出层的连接权值，w²表示输入层到隐含层的连接权值，w¹表示承接层到隐含层的连接权值，g(*)表示输出神经元的传递函数，f(*)表示隐含层神经元的传递函数。

4.根据权利要求1所述的一种基于elman神经网络的居民负荷预测方法，其特征在于，所述步骤S5，包括：

S51、根据下式对修正后的居民负荷历史数据以及对应的历史天气参数数据进行归一化处理：

其中，x_k表示居民负荷历史数据序列或历史天气参数数据数列中的第k个参数值，k为自然数，x_max表示x_k所在数据序列中的最大值，x_min表示x_k所在数据序列中的最小值；

S52、根据归一化处理后的数据对建立的神经网络进行误差计算、权值更新和阈值更新，进而将基于elman的神经网络的预测误差控制在预设范围内。

5.根据权利要求4所述的一种基于elman神经网络的居民负荷预测方法，其特征在于，所述步骤S6，包括：

S61、获取预测日前一周的居民负荷历史数据、预测日的天气参数数据和日期类型作为神经网络的输入，采用训练后的神经网络对预测日的居民负荷进行预测，进而获得预测日当天每小时的预测数据；

S62、将获得的预测数据乘以季节指数后，获得每小时的居民负荷预测数据。

6.根据权利要求5所述的一种基于elman神经网络的居民负荷预测方法，其特征在于，所述步骤S62之后还包括以下步骤：

S63、获取预测日当天的实际负荷数据后，计算获得的居民负荷预测数据与实际负荷数据之间的误差值，并将误差值反馈至神经网络。