[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

说明书

本发明公开了一种基于改进型Elman神经网络的电力负荷预测方法，特点是首先确定供电区域内每天的电力负荷数据测量数，利用该供电区域内前365天的N个电力负荷数据组建输入数据矩阵与输出数据矩阵，并进行归一化处理；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，收集最新连续K天的电力负荷数据，将其组建成输入数据向量并进行归一化处理，将获得的输入向量作为Elman神经网络的输入，计算Elman神经网络中间层的输出向量、输出层的输出向量，计算输出层神经元的输出向量后实施反归一化处理，从而得到未来一天的电力负荷预测值，优点是保证预测的电力负荷能完全应对实际的电力负荷需求。

技术领域

本发明涉及一种电力负荷预测方法，特别涉及一种基于改进型Elman神经网络的电力负荷预测方法。

背景技术

电力系统由电力网、电力用户共同组成，其任务是给广大用户提供不间断的、可靠而稳定的电能输送，从而满足用户的各类用电需求。由于电力的生产和使用具有特殊性，即电能难以大量储存，而且各类用户对电力的需求是时刻变化的，这就要求电力系统生产的电力在充足保证用户电力需求的同时，需随着系统的负荷的变化而动态变化。这涉及两方面的任务要求：其一，最大限度的发挥电力设备的能力，是生产的电力能满足用户的需求；其二，在满足电力稳定充足供应的前提下，尽可能的减少电力生产的浪费。因此，电力系统负荷预测技术就在这个背景下发展起来啦，并且是这一切得以顺利进行的前提和基础。

电力负荷预测的核心问题是预测方法的技术实施问题，或者说是如何根据电力负荷变化的特性建立相应的预测数学模型。简单来讲，预测数学模型就是建立输入与输出之间关系模型。然而，电力负荷预测的实施有其本身的技术难度。例如，由于电力系统的结构日趋复杂，电力负荷变化的非线性、时变性、和不确定性特点，很难直接应用数学建模方法建立相应的电力负荷预测模型。此外，电力负荷变化的特点会根据假日和工作日，呈现出不同的变化特点，这给电力负荷预测进一步提升了技术难度。

可幸的是，神经网络尤其是深度神经网络技术，为解决预测问题提供了新的思路。近年来，深度神经网络已经应用于各行各业，其主要思想是通过深度神经网络逐层递进的挖掘出输入数据中与输出相关的非线性特征。常见的深度神经网络主要包括卷积神经网络(CNN)、深度神经网络(DNN)、以及栈式自编码器(SAE)等等。但是，这些深度神经网络模型都未能考虑到时序特征。如前所述，电力负荷数据随着时间变化而变化的特征是非常明显的，因此考虑电力负荷数据的时序特性是非常有必要的。

在现有专利与科研文献中，Elman神经网络因其反馈回路的存在，使其具有适应时变特性的能力，能直接动态反应过程系统的时序特性。因此，Elman神经网络可进行电力负荷的预测。然而，传统Elman神经网络无法实现电力负荷数据的深度特征分析与提取，其电力负荷预测的准确性还有待商榷。另外，电力负荷的预测问题还需重点关注区域特性和日期特性。不同的区域有其各自的用电特性，居民区和工业区的用电特性就完全不一样，工作日和节假日的用电需求同样不一样。因此，基于Elman神经网络的电力负荷预测技术还需进一步的改进，从而适应电力负荷数据复杂变化特性的要求以及应用区域不同的要求。

发明内容

本发明所要解决的技术问题是：如何利用多级Elman神经网络逐级提取与预测未来电力负荷的相关时序特征，并以此新增一层输出层神经元的网络结构，从而实现对电力负荷数据进行精准预测。

本发明解决上述技术问题所采用的技术方案为：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：