[发明专利]一种短期电力负荷预测方法

说明书

本发明提供一种短期电力负荷预测方法，建立基于前后级BP级联神经网络的短期电力负荷预测模型，采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，并对类中心进行层次聚类，经过类簇合并得到预测日的相似负荷类别，并将第Z类的负荷数据作为后级BP神经网络的训练数据，从而提高神经网络的收敛速度和预测精度。本发明提出的短期电力负荷预测方法，计算速度快、预测精度高，能较好地满足电网对电力负荷预测的需要。

技术领域

本发明涉及大数据领域，具体涉及一种短期电力负荷预测方法。

背景技术

在大数据时代，通过研究电力系统的运行特性、电力负荷数据、自然条件以及社会影响等诸多因素，在满足一定精度要求的条件下，预测未来一天或几天的电力负荷数据曲线，是电力系统经济调度中的一项重要的内容。传统BP神经网络对电力负荷进行预测存在神经网络训练时间长、易陷入局部最优、精度较低、无法预测用户用电规律等缺点，因此如何减少神经网络训练时间以及提高电力负荷预测的精度是电力负荷预测问题的关键。

发明内容

本发明克服了现有技术中神经网络训练时间长、易陷入局部最优、精度较低、无法预测用户用电规律等缺点，提供一种短期电力负荷预测方法。

本发明的技术方案概述如下：

一种短期电力负荷预测方法，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S11，否则转S9；

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。

进一步地，步骤S1中具体包括以下步骤：

S11：确定所述的前级BP神经网络预测模型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神经网络预测模型输出层节点的输出变量是预测日的相关电力负荷数据；