[发明专利]基于负荷预测的神经网络的在线和离线训练

说明书

相关申请的交叉引用：

[001]此申请要求于2005年7月28日提交的美国临时申请号60/703803，60/703082，60/703801的权益。

技术领域：

[002]本发明涉及到利用历史负荷数据和短期负荷预测数据来预测短期负荷趋势的方法和系统。神经网络用来分析一定间隔时间的负荷数据和趋势。几个月、几周、几天、几小时内的模式均可以得到分析，神经网络技术应用于预报极短期负荷预测。

背景技术：

[003]撤销管制规定后，由于市场电力需求有时表现出随机性，负荷预测成为市场提供发电安排手段的中心内容。系统操作员，市场经营者，输电所有者，以及其他电力工业的参与者，都需要一个快速准确的预报系统和方法，以运行可靠的系统并保持盈利。因此，预报对自由市场中是很必要的。

[004]不过，电力工业由监管的垄断事业重建为自由市场体系，进一步增强了满足电力需求的复杂程度，在自由市场体系下，传输经营者必须在规章管理下工作。市场参与者需要以何种方式来经营管理往往受到技术和经济的制约。这些制约因素受到监管机构、经济重点和设备性能局限性的影响。

[005]目前，经营者向监管机构提供计划信息，详细说明电力数量及发电时间。这些电力计划按年、月、周、天、小时或其它时间间隔如季度或诸如假期、周末等特殊的几天而不同。虽然明知有时电力需求差别很大，但经营者往往会被满足实时需求和未预料到的电力短缺所累。满足这些意料之外的需求往往会造成电力成本的增加。另外，电力成本下跌可能是由于当市场中出现过剩的预料之外的电力时必须提供较少的电力。

[006]显而易见，急切需要一种方法和一个系统，通过预测短期电力需求来优化电力系统性能。本发明是满足发电生产者需求的方案，他们必须通过利用现场数据，历史负荷与预测数据以及其他预报技术的预测，来控制其生产能力，以满足调控需求，并达到最小化成本和优化利润能力的目的。

发明内容

[007]本发明的目的是提供一种方法和体系，使电力生产者能够优化发电并将成本降到最低。该目标就是通过使用历史负荷数据和短期负荷预测数据来预测短期负荷趋势的方法和体系完成的。分析需求模式，并用其来训练神经网络以预测能源需求。负荷增量用于离线神经网络训练和在线预测。一种算法用于负荷预测，另一种算法用于在线训练。此外，在线与离线训练用于负荷预测。本发明利用了在线神经网络训练，并集成了基于在线训练的神经网络的预测过程和基于离线训练的神经网络的预测过程，从而提供了一个机制，使系统经营者可以选择基于在线神经网络训练的负荷预测机制或基于离线神经网络训练的负荷预测机制，或来自基于在线与离线神经网络训练的负荷预测机制的预测的适当组合。在线神经网络训练捕捉最新的负荷模式变化(在离线神经网络训练中看不到)，并将这些变化合并到负荷预测中，从而提供了—种机制，以提高基于离线神经网络训练的负荷预测的准确性。

附图说明

[008]参考附图，各种各样的潜在的实施例通过以下详细说明将会更容易理解，其中：

图1为结合使用本发明的能量管理系统的图示；

图2为离线神经网络训练的流程图；

图3为在线神经网络训练的流程图；

图4为负荷预测值的结束的流程图。

具体实施方式

[009]图1所示为结合本发明的使用的能量管理系统的一部分的概述。负荷数据110包含从现场获取的当前和历史负荷数据。为了基于离线神经网络120和在线神经网络140的训练预测负荷值，负荷数据110同时提供给在线与离线神经网络140、120。一个在线负荷预测模块与负荷数据一起使用，以训练两种神经网络。基于负荷预测的精确性或其他标准下的判定，采用基于判定算法150的预测机制，来生成最终负荷预测160。

[0010]能量管理系统的结构和运行，以及尤其是硬件、控制模块、神经网络、短期负荷预测模块和其它相关部件在2004年5月12日提交的共同未决的美国专利申请号为10/844,137的申请中有更详细的介绍，题目为″Very Short Term LoadPrediction in an Energy Management System″，结合于此作为参考。