[发明专利]一种优化的电力数据短期预测方法

权利要求书

1.一种优化的电力数据短期预测方法，其特征在于，依次包括以下步骤：

(1)将原始电力数据分为若干相同样本数的子集，记为{C₁，C₂，……C_k，……C_n}，其中C表示原始电力数据的子集，下标k＝1,2，……n，n为自然数；

(2)对原始电力数据的子集建立灰度模型GM(1，1)，对此灰度模型进行计算得到一组灰度预测数列，此灰度预测数列组成灰度预测模型P_bp，求出灰度预测数列与原始数列之间的残差序列ε⁽⁰⁾，ε表示灰度预测数列与原始数列之间的残差，上标0表示第0次迭加；

(3)将步骤(2)得到的灰度预测模型的残差序列输入BP神经网络进行训练，得到BP神经网络模型P_bp，求出BP神经网络模型的实际输出值与期望输出值之间的残差序列δ⁽⁰⁾，δ表示BP神经网络实际输出值与期望输出值之间的残差，上标0表示第0次迭加；

(4)根据步骤(2)和步骤(3)，得出灰度预测模型和BP神经网络模型之间的平均残差序列e⁽⁰⁾，

e(0)={e(0)(1),e(0)(2),......,e(0)(n)}={ϵ(0)(1)+δ(0)(1)2,ϵ(0)(2)+δ(0)(2)2,......,ϵ(0)(n)+δ(0)(n)2]={ee11,ee12,......ee1n},]]>下标e仅为区分作用，并非变量，下标n＝1,2，……；

(5)用步骤(4)得到的平均残差序列e⁽⁰⁾来训练原始样本子集C₁，得到初始化的误差神经网络E_bp；

(6)初始化α，β，使两者满足：

α+β=1.0α/β=Σkeg1k+α/Σkep1k+β;]]>

其中，α和β是两个假设计算权重，e_g1k表示第k个样本第一次训练得到的灰度预测模型的残差值，e表示残差，g表示灰度预测模型，e_p1k表示第j个样本第一次训练得到的BP神经网络模型的残差值，p表示BP神经网络；

(7)依次用步骤(4)得到的灰度预测模型和BP神经网络模型的平均残差序列e⁽⁰⁾来训练原始样本的第k个子集，分别得到灰度预测模型的残差序列ε⁽⁰⁾、BP神经网络的残差序列δ⁽⁰⁾和平均残差序列e⁽⁰⁾；

(8)更新E_bp网络，同时更新α和β，使α和β满足

α+β=1α/β=Σkegij+α/Σkepij+β;]]>

直至所有样本处理完毕，其中，e_gij表示第j个样本第i次训练得到的灰度预测模型的残差值，e表示残差，g表示灰度预测模型，e_pik表示第j个样本第i次训练得到的BP神经网络模型的残差值，下标p表示BP神经网络；

(9)利用步骤(2)得到的灰度模型GM和灰度预测模型P_bp，及步骤(8)得到的α、β值和E_bp网络，得到电力数据短期预测模型：

αGM+βP_bp+E_bp。