[发明专利]基于BP神经网络模型的台区日用电量的预测方法及系统

摘要

本发明揭示了一种基于BP神经网络模型的台区日用电量的预测方法，将台区日用电量预测按照四季的工作日、节假日进行分类，分别搭建8个BP神经网络模型，比如春季工作日模型、春季节假日模型。针对每一个模型，选择台区时间距离较近相似日的实际用电量、平均气温等气象影响因子进行训练，得到对应的BP神经网络。最后将预测日的相似日实际用电量、气象影响因子传入相应的BP神经网络模型，可以得到日用电量预测值。本发明技术方案的优点主要体现在：方法简单，且精准度较高。

主权项

基于BP神经网络模型的台区日用电量的预测方法，其特征在于：包括如下步骤：S1、搭建N个BP神经网络模型；S2、分别对应地选择历史数据作为训练样本，提取训练样本的气象影响因子、以及相似日的用电量D’作为训练函数newff的输入矩阵P，即：$P=\left[\begin{array}{cccccc}{T}_1& {\mathrm{Tmax}}_1& {\mathrm{Tmin}}_1& {\mathrm{RH}}_1& V_1& {D^{\′}}_1\\ T_2& {\mathrm{Tmax}}_2& {\mathrm{Tmin}}_2& {\mathrm{RH}}_2& V_2& {D^{\′}}_2\\ ......& & & & & \\ T_{15}& {\mathrm{Tmax}}_{15}& {\mathrm{Tmin}}_{15}& {\mathrm{RH}}_{15}& V_{15}& {D^{\′}}_{15}\end{array}\right]---\left(1\right)$其中：气象影响因子包括平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V；S3、提取训练样本的实际用电量D作为训练函数newff的目标矩阵T，即：S4、训练神经网络net；net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N个隐层程序单元  (3)net.trainParam.epochs＝1000； 允许最大训练步数1000步    (4)net.trainParam.Ir＝0.05； 学习速率0.05            (5)S5、将预测日的气象影响因子、相似日用电量结合在一起组成矩阵p，即：$p=\left[\begin{array}{cccccc}{T}_i& {\mathrm{Tmax}}_i& {\mathrm{Tmin}}_i& {\mathrm{RH}}_i& V_i& {D^{\′}}_i\\ T_{i\mathrm{+1}}& {\mathrm{Tmax}}_{i\mathrm{+1}}& {\mathrm{Tmin}}_{i\mathrm{+1}}& {\mathrm{RH}}_{i\mathrm{+1}}& V_{i\mathrm{+1}}& {D^{\′}}_{i\mathrm{+1}}\\ \mathrm{.....}& & & & & \end{array}\right]---\left(6\right)$S6、将p作为输入矩阵代入经过训练而得的神经网络net，可以得到台区日用电量的预测值即：$\tilde{D}=sim(net,p)---\left(7\right).$