[发明专利]一种基于EWT神经网络的电力负荷短时预测方法

权利要求书

1.一种基于EWT神经网络的电力负荷短时预测方法，其特征在于，包括以下步骤：

步骤1、将供电区域内每小时测量得到的电力负荷数据组成一个列向量x∈R^N×1，并根据如下所示公式对其实施标准化处理得到列向量

上式中，μ与δ分别表示列向量x中所有元素的平均值与标准差，R^N×1表示N×1维的实数向量；

步骤2、利用EWT将列向量转换成D个子信号向量z₁,z₂,…,z_D，并根据如下所示公式分别构造输入矩阵X₁,X₂,…,X_D与输出矩阵Y₁,Y₂,…,Y_D：

上式中，d∈{1,2,…,D}，z_d(i)表示子信号向量z_d中的第i个元素，i∈{1,2,…,N}；

步骤3、分别对X_d与Y_d实施归一化处理，得到新输入矩阵与新输出矩阵

步骤4、以新输入矩阵中的各个行向量做为输入，同时以新输出矩阵中的各个行向量做为输出，搭建一个输入层有168个神经元，中间层有h个神经元，输出层有24个神经元的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)，其中，x表示函数自变量；

步骤5、利用BP算法训练第d个Elman神经网络模型，并保留中间层权重系数W_d和阈值b_d，承接层到中间层的连接权值V_d和阈值a_d，以及输出层权重系数和阈值

步骤6、重复步骤4至步骤5从而训练完成第1个Elman神经网络模型，第2个Elman神经网络模型，直至第D个Elman神经网络模型，并保留相应的权重系数、连接权值和阈值；

步骤7、通过上述步骤1至步骤6建立电力负荷短时预测模型，使用最近七天内的168个电力负荷数据对未来一天的电力负荷数据进行预测。

2.如权利要求1所述的一种基于EWT神经网络的电力负荷短时预测方法，其特征在于，步骤3中的归一化处理为将X_d中各个列向量减去该列向量的最小值后再除以该列向量的最大值与最小值之差。

3.如权利要求1所述的一种基于EWT神经网络的电力负荷短时预测方法，其特征在于，步骤7中对未来一天的电力负荷数据预测步骤为：

步骤(1)：收集最新7天的168个电力负荷数据，按照时间先后顺序依次记录为y₁,y₂,…,y₁₆₈，按照步骤1中相同的方式对列向量y＝[y₁,y₂,…,y₁₆₈]^T实施标准化处理得到列向量

步骤(2)：按照步骤2中的EWT将列向量转换成D个子信号向量再根据公式分别构造输入向量其中，表示中的第168个元素，表示中的第167个元素，以此类推，d∈{1,2,…,D}；

步骤(3)：对分别实施与步骤3中相同的归一化处理后，对应得到新输入向量

步骤(4)：以做为输入向量，利用训练后的第d个Elman神经网络模型，计算得到相应的输出估计值重复本步骤直至得到输出估计值

步骤(5)：分别对实施反归一化处理，从而得到D个估计信号向量c₁,c₂,…,c_D；

步骤(6)：利用步骤2中的EWT对D个估计信号向量c₁,c₂,…,c_D实施逆向变换，得到24个时域数据e₁,e₂,…,e₂₄，并根据步骤(1)对e₁,e₂,…,e₂₄实施反标准化处理，从而得到预测数据这24个预测数据分别表示未来一天的24小时的电力负荷数据。

4.如权利要求3所述的一种基于EWT神经网络的电力负荷短时预测方法，其特征在于，步骤(5)对实施反归一化处理为：将中各个元素依次乘以X_d中各个列向量最大值与最小值之差后，再加上X_d中对应列的列向量最大值。