[发明专利]一种基于模糊决策的神经网络模型电力系统负荷预测方法

权利要求书

1.一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，包括以下步骤,

步骤1:基于模糊决策的神经网络模型，得到所有历史负荷样本的隶属度μ_i，做出历史样本隶属度变化曲线。

步骤2:剔出隶属度μ_i小的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本。

步骤3:数据预处理后，通过选择适当的神经网络模型，在电力负荷的历史数据基础上找出其中的变化规律，建立电力负荷神经网络预测模型。

2.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，步骤1进一步包括以下步骤：

步骤1.1:计算模糊正负理想将所给历史负荷数据化成三角形模糊数，得到矩阵和认定所有指标权重相等，在中对应有n个模糊指标值，记为将进行归一化的具体公式如下:

设归一化后的模糊指标矩阵将归一化后的模糊指标矩阵进行加权处理可得到模糊决策矩阵

其中：(i＝1,2,L,m；j＝1,2,L,n)设:M＝(M₁％,M₁％,L％,M_j％)，其中分量是模糊决策矩阵中指标j的模糊指标值所对应的模糊极大集；是模糊决策矩阵中指标j的模糊指标值所对应的模糊极小集，运用MATLAB软件进行求解。

步骤1.2:确定评价对象i与模糊正负理想之间的距离

模糊优选决策，设评价对象i以隶属度μ_i从属于模糊正理想，则

按隶属度μ_i从大到小进行排序μ_i越大，表示评价对象i越优.即负荷数据的关联度越大，对预报更有用，从而对预测的贡献越大，求出相应的μ_i，(i＝1,2,Λ,16)，运用MATLAB软件进行求解，得到所有历史负荷样本的隶属度。

3.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，剔出隶属度μ_i小于0.65的历史样本数据，经过处理，基本消除了包含遗漏数据和突变很大数据的样本。

4.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，对于预测日邻近的样本，若样本隶属度发生较大突变，不采用直接剔除的做法，而是选取与其相似日隶属度大的样本，经过加权运算替代原有的数据。

5.根据权利要求1所述的一种基于模糊决策的神经网络模型电力系统负荷预测方法，其特征是，神经网络模型采用三层结构的BP神经网络模型。