[发明专利]一种基于马尔科夫链的负荷预测方法

权利要求书

1.一种基于马尔科夫链的负荷预测方法，其特征在于，包括以下步骤：

S10.获取负荷电流数据并形成第一训练样本；

S20.构建第一神经网络模型，基于步骤S10中所述的第一训练样本，对所述第一神经网络模型进行训练，得到训练好的第一神经网络模型；利用训练好的第一神经网络模型，得到负荷电流的初步计算值；

S30.将每组第一训练样本输入到训练好的第一神经网络模型，得到每组第一训练样本对应的网络输出值，求取每组第一训练样本对应的实际值和网络输出值的差，得到计算误差序列，并构建计算误差序列状态转移概率矩阵；

S40.构建第二神经网络模型，以步骤S30中计算误差序列中计算误差的绝对值为第二训练样本，得到第二神经网络模型输出的第二计算误差绝对值；

S50.利用步骤S30所述的计算误差序列状态转移概率矩阵和步骤S40所述的第二计算误差绝对值，得到网络计算的最终误差值；

S60.利用步骤S20的初步计算值和步骤S50的最终误差值，得到神经网络的最终计算值。

2.根据权利要求1所述的基于马尔科夫链的负荷预测方法，其特征在于，步骤S10按以下步骤进行：

S11.记时刻t对应的负荷电流为I_t，则负荷电流数据序列为I＝(I₁,I₂,I₃,....I_t....I_T)，T为数据个数；

S12.以I_t-4、I_t-3、I_t-2、I_t-1为输入，I_t为输出，构建第一训练样本，则每组第一训练样本表示为X_t＝(I_t-4,I_t-3,I_t-2,I_t-1,I_t)(5≤t≤T)。

3.根据权利要求1所述的基于马尔科夫链的负荷预测方法，其特征在于，步骤S20按以下步骤进行：

S21.以I_t-4、I_t-3、I_t-2、I_t-1为输入，I_t为输出，构建第一BP神经网络；

S22.利用第一训练样本对第一BP神经网络进行训练，得到训练好的第一BP神经网络；

S23.将I_T-3、I_T-2、I_T-1、I_T输入到训练好的第一BP神经网络，得到T+1时刻的负荷电流初步计算值I_T+1(1)。

4.根据权利要求3所述的基于马尔科夫链的负荷预测方法，其特征在于，步骤S21中所述第一BP神经网络为4层BP神经网络，包括第一输入层、第一

隐含层、第二隐含层以及第一输出层，第一输入层神经元的个数为4，第一隐含层、第二隐含层的神经元个数为10，第一输出层的神经元个数为1。

5.根据权利要求1所述的基于马尔科夫链的负荷预测方法，其特征在于，步骤S30按以下步骤进行：

S31.将每组第一训练样本再次输入到训练好的第一BP神经网络，得到每组第一训练样本对应的网络输出值，记为

S32.求取每组第一训练样本对应的实际值和网络输出值的差：得到计算误差序列ΔI＝(ΔI₅,ΔI₆,ΔI₇,....ΔI_t....ΔI_T)；

S33.确定计算误差的三种状态，计算误差为0时状态取为1，计算误差大于0时状态取为2，计算误差小于0时状态取为3，然后构建状态转移概率矩阵P：

式中，p_ij(i＝1,2,3；j＝1,2,3)表示从状态i转移到状态j的概率。