[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

说明书

技术领域

本发明涉及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。

背景技术

目前，电力负荷的变化主要受人们生产、生活规律的支配而呈现规律性，并受气象等因素的影响。一个区域的总负荷是难以计数的个别负荷的总和，故负荷中必然有随机变化的分量。负荷变化的周期性和随机性是一对矛盾。两者之间的消长决定了负荷的可预报性，并且是影响负荷预报精度的重要因素。提高负荷预报的准确度，是所有从事负荷预报的研究者不断追求的目标，但捉摸不定的预报误差始终困扰着众多研究者，事实上，用于建模的负荷历史数据、模型本身的误差、所建立的预报模型和预报产生的误差之间都会存在一些内在的联系，甚至是相互依存的关系。不同地区、不同时段负荷规律性的差异将对负荷预报结果产生支配性的影响，而以往主要研究预报方法本身，缺少对负荷规律性及其对预报误差影响的研究，因此，将历史数据、建模方法和误差分析结合起来进行研究，才能更全面评价各相关因素的作用，了解预报误差的构成，使预报者可以清晰、透彻的把握预报过程。电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大.长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等.这些预测模型没有考虑影响电力负荷的各因素,仅作为一般时间序列问题来建模,因而其精确度并不令人满意,尤其对预测超短期和短期我国电力负荷的误差较大。

发明内容

本发明结合模糊决策和神经网络的优势建立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,具体地说是一种提取对预报有贡献的有用数据，除去“坏数据”,即对原始数据进行预处理，尽可能准确地预测未来数据。

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。

其中步骤1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x~i=(ai,bi,ci),(i=1,2,...,n),]]>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