[发明专利]一种基于改进型Elman神经网络的电力负荷预测方法

权利要求书

1.一种基于改进型Elman神经网络的电力负荷预测方法，其特征在于，包括以下步骤：

步骤1、确定供电区域内每天的电力负荷数据测量个数为D，利用该供电区域内前365天的N＝365×D个电力负荷数据z₁,z₂,…,z_N分别组建输入数据矩阵X∈R^n×J与输出数据矩阵Y∈R^n×D，具体的组建方式如下所示：

其中，R^n×J表示n×J维的实数矩阵、R^n×D表示n×D维的实数矩阵；

步骤2、根据公式Y＝Y×δ更新输出数据矩阵Y后，再根据如下所示公式对输入数据矩阵X中的J个列向量x₁,x₂,…,x_J，以及输出数据矩阵Y中的D个列向量y₁,y₂,…,y_D分别实施归一化处理：

其中，δ＞1表示放大因子，表示归一化处理后的第j个列向量，x_j(min)与x_j(max)分别表示列向量x_j中的最小值与最大值，j∈{1,2,…,J}，y_d(min)与y_d(max)分别表示列向量y_d中的最小值和最大值，表示归一化处理后的第d个列向量，d∈{1,2,…,D}；

步骤3、将组建成输入矩阵并将组建输出矩阵后，使用u₁,u₂,…,u_n表示输入矩阵的n个列向量，使用v₁,v₂,…,v_n表示输出矩阵的n个列向量；

步骤4、搭建一个由M级Elman神经网络串联组成的改进型Elman神经网络模型，并确定中间层神经元的传递函数为f(x)＝1/(1+e^-x)，以及各级Elman神经网络的中间层神经元个数h₁,h₂,…,h_M；其中，输出层神经元的激活函数ζ(x)为线性函数，x表示函数自变量；

步骤5、利用BP算法依次训练第1级Elman神经网络，第2级Elman神经网络，至第M级Elman神经网络，并保留改进型Elman神经网络模型的中间层权重系数W₁,W₂,…,W_M和阈值b₁,b₂,…,b_M，承接层到中间层的连接权值V₁,V₂,…,V_M和阈值a₁,a₂,…,a_M，以及输出层权重系数和阈值

步骤6、根据公式计算第m级Elman神经网络输出层的输出向量y₁(m),y₂(m),…,y_N(m)，并组建输出估计矩阵后，

步骤7、重复步骤6直至得到各级Elman神经网络的输出估计矩阵其中，m∈{1,2,…,M}，i∈{1,2,…,n}；

步骤8、搭建一个三层神经网络模型，其中输入层神经元个数为MD＝M×D，隐层神经元个数为H，输出层神经元个数为D，其中隐层神经元的激活函数为φ(x)，x表示函数自变量；

步骤9、以矩阵中的n个列向量做为输入，以v₁,v₂,…,v_n做为输出，再次利用BP算法训练得到隐层神经元的权重系数W₀∈R^MD×H和阈值b₀∈R^H×1，以及输出层神经元的权重系数和阈值

步骤10、收集最新连续k天的电力负荷数据，按照时间先后依次记录为并将其组建成输入数据向量后，再根据如下所示公式对z进行归一化处理得到输入向量

上式中，z(j)表示输入数据向量z中的第j个元素，表示输入向量中的第j个元素，j∈{1,2,…,J}；

步骤11、以步骤10获得的输入向量做为第1级Elman神经网络的输入，根据如下所示公式计算第1级Elman神经网络中间层的输出向量c_t(1)和输出层的输出向量后，再初始化m＝2：

上式中，t表示实施预测的次数，c_t-1(1)表示实施第t-1次预测时，第1级Elman神经网络中间层的输出向量，当第一次实施预测时，即t＝1，则为零向量；

步骤12、通过步骤11获得c_t(m-1)并将其与合并成一个列向量z_t(m)，再将z_t(m)做为第m级Elman神经网络的输入，根据如下所示公式计算第m级Elman神经网络中间层的输出向量c_t(m)和输出层的输出向量

上式中，c_t-1(m)表示实施第t-1次预测时，第m级Elman神经网络中间层的输出向量，当第一次实施预测时，即t＝1，则为零向量；

步骤13、判断步骤12是否满足条件m＜M；若是，则设置m＝m+1后，返回步骤12；若否，则得到M个输出向量

步骤14、将步骤13获得的合并成一个列向量后，再根据公式计算隐层神经元的输出向量C₀；

步骤15、：根据公式计算输出层神经元的输出向量后，再根据如下所示公式对中的各个元素分别实施反归一化处理，从而得到未来一天的电力负荷预测值y∈R^D×1：

上式中，y(d)表示y中的第d个元素，表示中的第d个元素，d∈{1,2,…,D}；

步骤16、重复步骤10至步骤15进行下一次的电力负荷预测。

2.根据权利要求1所述的一种基于改进型Elman神经网络的电力负荷预测方法，其特征在于，所述步骤5的训练步骤如下：

步骤(5.1)：第1级Elman神经网络的输入层有J个神经元，中间层有h₁个神经元，输出层有D个神经元，初始化中间层权重系数与阈值为任意实数，初始化承接层到中间层的连接权值与阈值为任意实数，初始化中间层权重系数与阈值为任意实数；

步骤(5.2)：以u₁,u₂,…,u_n做为第1级Elman神经网络的输入，同时以v₁,v₂,…,v_n做为第1级Elman神经网络的输出，利用BP算法训练得到第1级Elman神经网络的中间层权重系数和阈值承接层到中间层的连接权值和阈值以及输出层权重系数和阈值后，初始化m＝1；

步骤(5.3)：根据如下所示公式计算第m级Elman神经网络中间层神经元的输出向量g₁(m),g₂(m),…,g_n(m)：

上式中，i∈{1,2,…,n}，当i＝1时，g₀(m)为零向量；

步骤(5.4)：根据如下所示公式组建矩阵

其中，表示(h_m+J)×n维的实数矩阵；

步骤(5.5)：第m+1级Elman神经网络的输入层有h_m+J个神经元，中间层有h_m+1个神经元，输出层有D个神经元，初始化中间层权重系数和阈值为任意实数，初始化输出层权重系数和阈值为任意实数，再初始化承接层到中间层的连接权值与阈值为任意实数；

步骤(5.6)：将矩阵Z的n个列向量做为第m+1级Elman神经网络的输入，同时将v₁,v₂,…,v_n做为第m+1级Elman神经网络的输出，再利用BP算法训练得到第m+1级Elman神经网络的中间层权重系数和阈值承接层到中间层的连接权值和阈值以及输出层权重系数和阈值其中表示(h_m+J)×h_m+1维的实数矩阵，表示h_m+1×1维的实数向量；

步骤(5.7)：判断是否满足条件m+1＜M；若是，则设置m＝m+1后返回步骤(5.3)；若否，则改进型Elman神经网络模型训练结束。