[发明专利]一种短期电力负荷预测方法

权利要求书

1.一种短期电力负荷预测方法，其特征在于，它包括以下步骤：

S1：确定前级BP神经网络输入变量、输出变量及训练方式；

S2：确定预测日，并收集预测日连续前N天的历史电力负荷数据；

S3：建立前级BP神经网络短期电力负荷预测模型，并用历史电力负荷数据训练前级BP神经网络短期电力负荷预测模型，记录前级BP神经网络短期电力负荷预测模型的输出，得到预测日的电力负荷特征向量V；

S4：用改进的最大偏差相似性准则聚类算法对历史电力负荷数据进行聚类分析，得到聚类结果C₁；

S5：用层次聚类算法对聚类结果C₁的类中心X_i进行聚类，得到聚类结果C₂；

S6：将聚类结果C₂中属于同一类X_i所对应的C₁中的类簇进行合并，得到聚类结果C₃，并计算C₃的类中心X′_i；

S7：计算预测日的电力负荷曲线相似日类别Z；

S8：建立后级BP神经网络短期电力负荷预测模型；

S9：将步骤S7得到的第Z类的电力负荷数据进行归一化，并将归一化后第Z类的电力负荷数据作为输入，训练后级BP神经网络短期电力负荷预测模型；

S10：计算BP神经网络的训练总误差ε；

S11：若ε＜ε₀或后级BP神经网络训练次数达到设定的最大训练次数，则转S12，否则转S9，ε₀为阈值；

S12：利用训练完成的后级BP神经网络，对预测日的电力负荷数据进行预测，输出预测日的电力负荷预测曲线；

S13：结束；

步骤S3中所述的建立的前级BP神经网络短期电力负荷预测模型如下：

其中，i＝1,2,...,M₁，j＝1,2,...,m₁，k＝1,2,...,n₁，l＝1,2,...,M₁，n₁是前级BP神经网络短期电力负荷预测模型输入层节点数，m₁是前级BP神经网络短期电力负荷预测模型输出层节点数，M₁是前级BP神经网络短期电力负荷预测模型隐含层节点数；y_kj是前级BP神经网络短期电力负荷预测模型第k个输入样本对应的输出，w_ij是前级BP神经网络短期电力负荷预测模型隐含层至输出层的权值，b_ij是前级BP神经网络短期电力负荷预测模型隐含层至输出层的偏置，δ是前级BP神经网络短期电力负荷预测模型隐含层至输出层的的神经元激活函数，δ采用Relu函数，表示如下：

δ(x)＝max(λx,0)

其中，λ是Relu函数的线性因子；

a_l是前级BP神经网络短期电力负荷预测模型第l个隐含层节点的输入值，a_l的计算公式如下：

其中，k＝1,2,...,n₁，i＝1,2,...,M₁，l＝1,2,...,M₁，w_ki是前级BP神经网络短期电力负荷预测模型输入层至输出层的连接权值，x_k是前级BP神经网络短期电力负荷预测模型的输入变量，b_ki是前级BP神经网络短期电力负荷预测模型输入层至隐含层的偏置。

2.根据权利要求1所述的一种短期电力负荷预测方法，其特征是，步骤S1中具体包括以下步骤：

S11：确定所述的前级BP神经网络的输入层节点的输入变量是预测日连续前N天的相关电力负荷数据；

S12：确定所述的前级BP神经网络输出层节点的输出变量是预测日的相关电力负荷数据；

S13：确定所述的前级BP神经网络的训练方式：将预测日连续前N天中的前一天的相关电力负荷数据作为输入，后一天的相关电力负荷数据作为输出，直到前N天的训练样本全部训练完毕。