[发明专利]一种基于随机神经网络的短期负荷预测方法

说明书

本发明公开了一种基于随机神经网络的短期负荷预测方法，包括以下步骤：Step1数据预处理；Step2确定神经网络模型隐藏层数、每层节点数、学习目标、训练次数、学习速率，激活函数等；Step3确定随机神经网络模型batch大小，把Step1归一化的数据输入到Step2生成的神经网络，计算神经网络的输出值；Step4：计算神经网络输出值与目标值的损失函数，并且采用Adam优化算法，对神经网络模型参数更新；Step5：计算全部训练数据集在Step4参数更新后的损失函数；如果当前损失函数小于保存的最小损失函数，则说明模型参数更优，更新保存的模型和最小损失函数值，否则跳过Step5。

技术领域

本发明涉及电力系统技术领域，特别是涉及一种基于随机神经网络的短期负荷预测方法。

背景技术

随着智能电网在世界范围的建设和相关技术的发展，现代化电网产生大量负荷数据，如何在这些数据之间寻找负荷预测需要的信息，对今后智能电网的建设有着至关重要的意义[1-2]。最初的负荷预测方法依赖于工作经验丰富的电网人员的判断，由于没有科学依据，以及工作人员背景不同会使得负荷预测没有普遍性。随着智能电网的建设普及，研究人员可以获取海量电网数据，因此相继涌现出多种建立在数学理论的负荷预测方法，例如经典的模型有灰色理论[3]、人工神经网络[4]、人工神经网络与灰色理论结合[5]、支持向量机[6]和决策树[7]等。这些经典算法由于自身或其他原因，使得负荷预测精度远远不能满足电力市场的需要。

在1985年英国，据估计每增加百分之一的负荷预测错误就导致一千万英镑的损失[8]。电力行业需要更加准确的负荷预测数据才能做出合适的电力规划和管理策略。一个精准的负荷预测能够最小化电力供给和实际需求的差距，为了满足未来的电力需求和降低短期电力不足的压力，一些实时技术创新应运而生。在近几十年中为了提高预测精准度，各种负荷预测的新技术相继提出。但是由于天气情况、经济状况和电力系统的非线性因素和人们随机使用电器行为等导致很难进行精准的电力预测[9]。随着科技的发展，负荷预测愈加准确，由于负荷预测失误导致经济的负面影响渐渐减低。电力市场的制定者需要更准确的负荷预测数据获取利润和优化公共事业。

一般来说，能源管理系统(EMS)使用四种类型的负荷预测去设计电力方案：(1)短期负荷预测，要求预测几分钟到一周内的电力；(2)中期负荷预测要求预测超过一周最多几个月的电力；(3)长期负荷预测要求几个月到几年的电力。短期负荷在电力系统为了调控和规划电力要求精准的预测。电力负荷预测模型大致可以分为四类：(1)统计模型；(2)基于知识的专家系统；(3)混合模型；(4)人工智能模型。

在所有有效的负荷模型中，基于人工神经网络算法解决短期负荷预测问题。神经网络因即使在复杂的非线性环境中也能显示出较强的学习能力而闻名。神经网络具有结构简单、高容错性和非线性的特点使其能被广泛的应用[10]。在一般的神经网络的中，随机初始化神经网络模型，在使用梯度下降优化模型的过程中容易陷入局部最优，严重影响神经网络模型的负荷预测准确度。

发明内容

针对现有技术存在的不足之处，本发明的目的在于提供一种基于随机神经网络的短期负荷预测方法，对传统的随机神经网络模型提出改进，针对随机神经网络模型优化速率缓慢提出快速优化的Adam算法；最后保存模型不是整体训练集的损失函数最小的参数模型问题，提出在随机神经网络每次更新马上计算整体训练集在当前模型的损失函数，与记录的最小损失函数进行比较，如果损失函数更小则保存模型，否则进行下次参数更新；探索适应当前数据集的神经网络层数。

本发明的目的通过下述技术方案实现：

一种基于随机神经网络的短期负荷预测方法，其特征在于，对随机神经网络最后保存模型提出一个判断条件，当训练模型的损失小于一个我们设定的阈值时记录最小的整个训练数据集的损失min，每次随机神经网络的参数调整，都与最小的损失比较，保留最小的损失值和模型，具体包括以下步骤：

Step1:数据预处理，在输入模型进行训练前进行归一化处理，一般归一化公式如下：