[发明专利]一种基于elman神经网络的居民负荷预测方法

说明书

本发明公开了一种基于elman神经网络的居民负荷预测方法，包括：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；计算各个月份的居民负荷的季节指数；采用季节指数对居民负荷历史数据进行修正；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；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，进而对建立的神经网络进行训练，将预测误差控制在预设范围内；采用训练后的神经网络对居民负荷进行预测。本发明具有适应时变特性和居民负荷的季节波动性的能力，能直接预测并反映居民负荷的动态特性，预测精度较高，可广泛应用于电力系统的负荷预测领域中。

技术领域

本发明涉及电力系统负荷预测技术领域，特别是涉及一种基于elman神经网络的居民负荷预测方法。

背景技术

电力作为一种重要能源，在日常生活以及工作中都起着举足轻重的作用，随着国民经济的快速发展，全社会用电量以及各个产业用电量也稳定增长，因此用电量的使用趋势不但影响电网经营企业的生产经营决策及经济效益，还会影响到社会经济的趋势分析。合理地进行电力负荷预测是电力系统对电力资源进行调度、规划的前提条件。

电力负荷一般可以分为工业负荷、商业负荷、居民负荷等，其中工业负荷和商业负荷在电力负荷中的比重较高，电网企业历来对这块的负荷预测比较重视，并陆续建成了负荷控制系统和用电信息采集系统以完成对工商业负荷的数据采集和负荷预测；居民用户负荷由于分布分散、规模偏小的特点，一直采取的都是集中预测的方法，即以台区或馈线负荷为单位进行预测，这种预测方法的缺点就是精度不高，尤其随着居民家用电器的逐年增多、电动自行车的普及和电动汽车的逐步推广，居民用户的用电负荷呈现稳步增长趋势和明显的季节性波动，通过集中预测的方法对居民用户负荷预测的弊病愈发显现。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种基于elman神经网络的居民负荷预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于elman神经网络的居民负荷预测方法，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。

进一步，所述步骤S5中所述预设范围为5％～10％。

进一步，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。

进一步，所述步骤S4，包括：