基于改进神经网络算法的智能电网短期负荷预测方法
【专利摘要】基于改进神经网络算法的智能电网短期负荷预测方法，它涉及电网负荷预测方法。本发明的目的是为了解决现有技术预测短期电力负荷时存在预测精度低，迭代时间长的问题。本发明根据历史数据建立短期负荷值的原始数据矩阵；利用主成分分析法对步骤一的原始数据矩阵进行降维处理得到新的数据矩阵；利用遗传优化神经网络算法对步骤二的新的数据矩阵进行训练，得到负荷的预测模型。本发明提高了短期供电负荷预测的准确率，减少了训练时间。
【专利说明】
基于改进神经网络算法的智能电网短期负荷预测方法
技术领域
[0001] 本发明涉及电网负荷预测方法，具体涉及基于改进神经网络算法的智能电网短期 负荷预测方法，属于智能电网负荷预测技术领域。
【背景技术】
[0002] 在当前世界都在提倡低碳环保的大环境下，智能电网在此大环境下应运而生。由 于现在社会对经济和环境可持续性发展的要求，这样就使得传统的以煤炭、石油、天然气为 主要发电原料的电力系统向着充分利用可再生能源和绿色能源发电、建立分布式的、交互 性的、实时的、自愈的电力系统的方向转变，这种新型的电网结构称为智能电网。对于智能 电网，现在尚没有统一的定义。智能电网的主要特征是:对系统变化具有自适应的、分散控 制的能力；对电网状态的变化具有准确预测的能力；在客户、发电方、供电方之间具有双向 交：巨能力；实时动态的电价机制：具有绿色可再生能源发电的自由接入能力；具有电能的 存储与释放能力。智能电网由于具有的这些特征使它比传统电网更安全、高效、稳定、互动。 在资源和环境的双重压力下，人们对智能电网提出了更高的要求，其中一个重要的变化就 是用户可以根据需要和实时电价调整用电模式。因此在智能电网的大环境下判断的短期负 荷预测是十分重要的，除了天气，温度，节假日等传统的影响因素外，实时电价也成为了影 响负荷的重要因素。
[0003] 现在负荷预测的方法有很多，比如小波分析法、灰色系统预测法，还有采用灰色 RBF模型对电价进行短期负荷预测。有采用灰色系统预测法进行训练预测，并且由于该方法 容易陷入局部最优和收敛性的问题，再采用遗传算法对网络进行优化。由于考虑了实时电 价的影响，这样就是影响因素过多，导致模型难以建立，训练时间过长。
[0004] 传统的BP网络算法有局部极小点和学习速度慢的缺点，而遗传算法作为新兴的优 化算法，可以对许多复杂的问题提供一个有效的解决手段。
【发明内容】
[0005] 本发明的目的是为了解决现有技术预测短期电力负荷时存在预测精度低，迭代时 间长的问题。
[0006] 本发明的技术方案是:基于改进神经网络算法的智能电网短期负荷预测方法，包 括以下步骤：
[0007] 步骤一、根据历史数据建立短期负荷值的原始数据矩阵；
[0008] 步骤二、利用主成分分析法对步骤一所述的原始数据矩阵进行降维处理得到新的 数据矩阵；
[0009] 步骤三、利用遗传优化神经网络算法对步骤二所述的新的数据矩阵进行训练，得 到负荷的预测模型。
[0010] 步骤二所述主成分分析法进行降维处理的方法包括：
[0011]对原始数据矩阵进行标准化处理；
[0012] 根据标准化处理后的数据矩阵得到协方差矩阵；
[0013] 根据协方差矩阵得到特征值、主成分贡献率和累计贡献率，通过累计贡献率决定 主成分个数；
[0014] 计算主成分负荷值。
[0015] 所述协方差矩阵R通过下式获得：
[0017]式中:N为矩阵的个数，X*为标准后的矩阵。
[0018] 所述主成分贡献率fo通过下式确定：
[0020]累计贡献率02通过下式确定：
[0022] 式中k表示主成分个数。心为特征向量的特征值。
[0023] 所述主成分负荷值hi通过下式确定：
[0025] 式中，为特征向量，eij为单位向量
[0026] 步骤三所述利用遗传优化神经网络算法对步骤二所述的新的数据矩阵进行训练， 得到负荷的预测模型的过程具体包括：
[0027] 步骤1、确定初始种群，所述种群为一开始收集到的原始数据，确定网络结构的输 入和输出：
[0028] 步骤2、随机产生N个染色体，计算每个染色体的适应度，通过选择，交叉，变异，从 而得出新的染色体个体；
[0029] 步骤3、按照均方差函数，看看是否满足实验所需要的数值标准，如果满足标准则 转向步骤4;
[0030] 步骤4、通过比较步骤3所述的新个体，最后得出最优个体：
[0031]步骤5、将步骤4所述的最优个体作为BP神经网络的初始权值和阈值：
[0032] 步骤6、计算误差，调整神经网络的权值和阈值，看是否满足实验权值和阈值是否 满足所需要的数值标准，如果满足则结速网络学习：
[0033] 步骤7、如果不满足，则返回步骤5重新确定数值。
[0034] 步骤2所述适应度fi通过下式确定：
，1 = 1，2，-_111个染色体4为输出节点1(=1，2,3-_.样 本数，tP为预定的输出信号，vk为输入信号。
[0037]步骤6所述误差同过下式确定：
[0039]其中Q为向量个数，tij为目标向量，aij为输出向量。
[0040]步骤三所述预测模型表达式为：
[0042] 式中U = biy2+b2y3."bn-iyn，其中a bn-1为方程系数，yn为模型输出参数。
[0043] 所述预测模型的输入变量模型采用输入变量一共15个，分别是预测点前一时刻的 负荷值，预测点前两时刻的负荷值，前一天同一预测点负荷值，前一天同一预测点前一时刻 负荷值，前一天同一预测点后一时刻负荷值，前一周同一预测点负荷值，前一周同一预测点 前一时刻负荷值，前一周同一预测点后一时刻负荷值，预测日类型，预测日平均温度，预测 点电价，预测点前一时刻电价，预测点前两时刻电价，前一天同一预测点电价，前一周同一 预测点电价，输出变量为一天中每小时负荷预测值。
[0044] 本发明与现有技术相比具有以下效果：本发明提高了短期供电负荷预测的准确 率，减少了训练时间。本发明的方法运用主成分分析可以把多维的数据进行降维，这样可以 减少运算时间，还可以消除变量之间的相关性，从而改善了模型的预测准确度。
【附图说明】
[0045]图1，本发明流程原理图；
[0046]图2，本发明的GA优化BP流程图；
[0047] 图3、本发明实施方式的负荷实际值与预测值的仿真结果图。
【具体实施方式】
[0048] 结合【附图说明】本发明的【具体实施方式】，本发明的基于改进神经网络算法的智能电 网短期负荷预测方法，包括以下步骤：
[0049] 步骤一、根据历史数据建立短期负荷值的原始数据矩阵；
[0050] 步骤二、利用主成分分析法对步骤一所述的原始数据矩阵进行降维处理得到新的 数据矩阵；
[0051] 步骤二所述主成分分析法进行降维处理的方法包括：
[0052] 对原始数据矩阵进行标准化处理；
[0053]根据标准化处理后的数据矩阵得到协方差矩阵；
[0054]根据协方差矩阵得到特征值、主成分贡献率和累计贡献率，通过累计贡献率决定 主成分个数；
[0055]计算主成分负荷值。
[0056]所述协方差矩阵R通过下式获得：
[0058]式中:N为矩阵的个数，X#为标准后的矩阵。
[0059] 所述主成分贡献率ft通过下式确定：
[0061]累计贡献率02通过下式确定： K
[0062] ,.2二 < 85% . 1-1
[0063] 式中k表示主成分个数，h为特征值。
[0064]所述主成分负荷值1^通过下式确定：
[0066] 式中，Aj为特征向量，eij为单位向量。
[0067] 本实施例对澳大利亚悉尼的一天进行每小时的负荷预测，训练数据取自前一个月 的历史数据。
[0068] 根据主成份分析原理计算出矩阵的特征值，主成分贡献率，累积贡献率。如表1所 不。
[0069]表1主成份贡献率
[0071] 步骤三、利用遗传优化神经网络算法对步骤二所述的新的数据矩阵进行训练，得 到负荷的预测模型，具体包括：
[0072] 步骤1、确定初始种群，确定网络结构的输入和输出：
[0073] 步骤2、随机产生N个染色体，计算每个染色体的适应度，通过选择，交叉，变异，从 而得出新的染色体个体；
[0074] 步骤3、按照均方差函数，看看是否满足实验所需要的数值标准，如果满足标准则 转向步骤4;
[0075] 步骤4、通过比较步骤3所述的新个体，最后得出最优个体：
[0076]步骤5、将步骤4所述的最优个体作为BP神经网络的初始权值和阈值：
[0077]步骤6、计算误差，调整神经网络的权值和阈值，验证权值和阈值是否满足实验所 需要的数值标准，如果满足则结速网络学习：
[0078] 步骤7、如果不满足，则返回步骤5重新确定数值。
[0079] 步骤2所述适应度fi通过下式确定：
，i = l，2，-_m个染色体，p为输出节点K=l，2,3…样本 数，tP为预定的输出信号，vk为输入信号。
[0082]步骤6所述误差通过下式确定：
[0084]其中Q为降维处理后向量个数，知为目标向量，ai沩输出向量。
[0085]由表1可以看出，前八个主成份的累积贡献率达到了95.33%，由前文可知，当累积 贡献率达到了95%以上时，这八个主成份所含的信息就可以代替原来的15个主成份信息 了，这样就可以减少了运算时间，在这个新的样本空间基础上进行遗传优化神经网络的短 期负荷预测训练。训练结果如表2所示。
[0086]表2负荷实际值与预测值
[0088]由表2可以看出在考虑实时电价时，在没有PCA降维数据中，MAPE为6.9%，在有PCA 降维的基础上在进行遗传优化神经网络的数据中MAPE为5%，这样提高了准确率，也减少了 训练时间。图3为训练仿真结果。
[0089]步骤三所述预测模型表达式为：
[0091] 式中U = biy2+b2y3."bn-iyn，其中a bn-1为方程系数，yn为模型输出参数。
[0092] 所述预测模型的输入变量一共15个，分别是预测点前一时刻的负荷值，预测点前 两时刻的负荷值，前一天同一预测点负荷值，前一天同一预测点前一时刻负荷值，前一天同 一预测点后一时刻负荷值，前一周同一预测点负荷值，前一周同一预测点前一时刻负荷值， 前一周同一预测点后一时刻负荷值，预测日类型，预测日平均温度，预测点电价，预测点前 一时刻电价，预测点前两时刻电价，前一天同一预测点电价，前一周同一预测点电价，输出 变量为一天中每小时负荷预测值。
[0093] 在智能电网的大环境下，本文充分考虑了实时电价对用户的影响，在此基础上建 立了短期负荷预测模型，首先通过PCA对初始矩阵进行降维处理得到了新的矩阵，在此新矩 阵的基础上利用遗产优化神经网络的模型对短期负荷进行预测，开始进行训练，提高了预 测的精准度，缩短了训练时间。实例结果证明本文所提的方法对实时电价的短期负荷预测 具有合理性和有效性。
【主权项】
1. 基于改进神经网络算法的智能电网短期负荷预测方法，其特征在于:包括W下步骤： 步骤一、根据历史数据建立短期负荷值的原始数据矩阵； 步骤二、利用主成分分析法对步骤一所述的原始数据矩阵进行降维处理得到新的数据 矩阵； 步骤=、利用遗传优化神经网络算法对步骤二所述的新的数据矩阵进行训练，得到负 荷的预测模型。2. 根据权利要求1所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:步骤二所述主成分分析法进行降维处理的方法包括： 对原始数据矩阵进行标准化处理； 根据标准化处理后的数据矩阵得到协方差矩阵； 根据协方差矩阵得到特征值、主成分贡献率和累计贡献率，通过累计贡献率决定主成 分个数； 计算主成分负荷值。3. 根据权利要求2所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:所述协方差矩阵R通过下式获得：式中:N为矩阵的个数X关4. 根据权利要求2所述基" 期负荷预测方法，其特征 在于:所述主成分贡献率&通史 累计贡献率&通过下式确； 式中k表示主成分个数，入1;5. 根据权利要求2所述基" 期负荷预测方法，其特征 在于:所述主成分负荷值IiJ通j 式中，为特征向量，ei功单位向量。6. 根据权利要求1所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:步骤=所述利用遗传优化神经网络算法对步骤二所述的新的数据矩阵进行训练，得 到负荷的预测模型的过程具体包括： 步骤1、确定初始种群，确定网络结构的输入和输出： 步骤2、随机产生N个染色体，计算每个染色体的适应度，通过选择，交叉，变异，从而得 出新的染色体个体； 步骤3、按照均方差函数，看看是否满足实验所需要的数值标准，如果满足标准则转向 步骤4; 步骤4、通过比较步骤3所述的新个体，最后得出最优个体： 步骤5、将步骤4所述的最优个体作为BP神经网络的初始权值和阔值： 步骤6、计算误差，调整神经网络的权值和阔值，验证权值和阔值是否满足实验所需要 的数值标准，如果满足则结速网络学习： 步骤7、如果不满足，则返回步骤5重新确定数值。7. 根据权利要求6所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:步骤2所述适应度fi通过下式确定：式4，i = l个染色体，P为输出节点K = I .样本数， tp为预定的输出信号，Vk为输入信号。8. 根据权利要求6所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:步骤6所述误差通过下式确定：其中Q为向量个数，ti功目标向量，aij为输出向量。9. 根据权利要求1所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:步骤=所述预测模型表达式为：式中U = biy2+b2y3? ? ? bn-iyn，其中a bn-功方程系数，yn为模型输出参数。10. 根据权利要求9所述基于改进神经网络算法的智能电网短期负荷预测方法，其特征 在于:所述预测模型的输入变量一共15个，分别是预测点前一时刻的负荷值，预测点前两时 刻的负荷值，前一天同一预测点负荷值，前一天同一预测点前一时刻负荷值，前一天同一预 测点后一时刻负荷值，前一周同一预测点负荷值，前一周同一预测点前一时刻负荷值，前一 周同一预测点后一时刻负荷值，预测日类型，预测日平均溫度，预测点电价，预测点前一时 刻电价，预测点前两时刻电价，前一天同一预测点电价，前一周同一预测点电价，输出变量 为一天中每小时负荷预测值。
【文档编号】G06Q50/06GK105913175SQ201610213076
【公开日】2016年8月31日
【申请日】2016年4月7日
【发明人】韦琦, 杨明
【申请人】哈尔滨理工大学