[发明专利]一种基于改进模糊神经网络的短期电力负荷预测方法

说明书

技术领域

本发明属于电力系统状态检测领域，尤其涉及到一种基于改进模糊神经网络的电力负荷预测方法。

背景技术

伴随着我国经济的加快发展，电力网络的建设速度也蓬勃发展，电能是一种商品，然而它又不同于其它的商品，它的产生，分配及消费过程都是在同一时间完成的。电力部门最重要职能是向各类用户尽可能经济地提供可靠和合乎标准的电能。同时电力系统十分庞大，为了保证用户可靠的供电，达到电网系统的经济合理运行，为了使电网的生产，供应，销售达到一个动态平衡，需要对电力负荷进行提前预测，根据用户的需要来决定发电机组的启停和电网的运行检修时间。

随着电网改革的不断深入发展，需要不断深入研究电力系统的供需形势以及电力系统的发展规律，同时电网一切经济活动必须以电网经济效益为中心。因此，为了能搞清电力市场的需求情况，掌握电力市场规律，就必须做好对电网负荷的预测工作，而符合预测的结果对发电，输送电能及分配电能有直接的指导作用。在电力系统运行、控制和计划管理中，这既是电网规划的重要组成部分，又是提高电网经济效益和促进国民经济发展的重要因素之一。实现高精度的电力系统短期负荷预测是实现现代化电网的重要内容，提高短期负荷预测具有重大意义。

因此，对于电力负荷进行准确预测，尤其是超短期、短期预测，可以改善负载对电力系统的影响，对电场制定更加合理的发电计划，减少成本以及风电场参与发电竞争都具有重要作用。电力负荷预测在电力系统中发挥重要作用的关键技术，是亟需解决的问题，具有广阔的应用前景。

发明内容

本发明所要解决的技术问题是：提出一种基于改进模糊神经网络的短期电力负荷预测方法。本方法针对电力负荷自身特点，考虑气象，实时电价等影响因素，引入多种智能优化计算方法以及综合预测技术，对电力负荷预测的理论与方法进行深入研究，为电力系统运行管理提供科学的决策依据。

一种基于改进模糊神经网络的短期电力负荷预测方法，其特征是包括以下步骤：

第一步，采集电力系统环境的温度、湿度和降雨量；

第二步，获得数据样本的数量确定为M；

第三步，获得本方法隐含层数为1，隐含层神经元数为2N-1；其中，N是输入神经元个数；

第四部，对神经网络的输入参数应进行归一化处理，以保证正常范围内的输入样本区间x*在[-1，+1]区间，

其中，x*是归一化后的值，当x_max＝x_min时取x*等于0.5，星期一到星期天分别用0.1至0.7的数字表示；

步骤五，获得激励函数可调的BP神经网络学习算法，简称BP-AA算子，该算子不涉及节点数目的增减，采用BP-AA算法对网络参数进行修正，通过网络的输入样本，计算出B细胞对应的神经网络的相关性能指标，计算满足以下两点：第一，应该采用由编码参数和其结构模板值的乘积所构成的网络参数用于计算；第二，所有网络都应该以预先设定的最大规模来计算；采用BP-AA算法计算梯度值，修正参数；把更新后的参数在原B细胞中按编码规则进行重新排列，即完成了BP-AA算子计算，其中，S＝0所对应的参数编码应不变，即可获得电力负荷预测结果。

所述步骤二中的M为5周。

通过以上方法，供电单位能够对于电力负荷进行准确预测，尤其是超短期、短期预测，可以改善负载对电力系统的影响，对电场制定更加合理的发电计划，减少成本以及风电场参与发电竞争都具有重要作用。

附图说明

图1为本发明一种基于改进模糊神经网络的短期电力负荷预测方法的流程图。

具体实施方式

一种基于改进模糊神经网络的短期电力负荷预测方法，其特征是包括以下步骤：

第一步，采集电力系统环境的温度、湿度和降雨量；

即确定所述的确定输入参数，神经网络的输入参数受气象因素和历史值有关，气温的影响主要考虑温度、湿度和降雨量。

第二步，获得数据样本的数量确定为M；

所述的确定数据样本，当电力系统负荷数据具有日特性以及周特性时，为使人工神经网络学习其中的规律，又避免过分学习或者学习不足的情况，负荷样本数的恰当选取较为关键。经过多次试验及分析计算后，负荷样本数量选为5周。

第三步，获得本方法隐含层数为1，隐含层神经元数为2N-1；其中，N是输入神经元个数；