[发明专利]一种基于BP神经网络的超短期负荷预测方法

说明书

技术领域

本发明属于智能电网控制技术领域，特别涉及基于RBF神经网络的微网短期负荷预测方法。

背景技术

超短期负荷预测又称时分预测，指以5～30min为周期，预测未来1h之内的负荷变化情况。由于预测时刻间隔小，天气等因素对负荷变化的影响不显著，因此通常在预测中忽略气象等外部条件；预测系统在线运行，并实时地根据历史数据快速、精确地预测出下一时刻的负荷变化，预测结果通常无需人为处理。超短期负荷预测在电力系统状态估计、实时调度、自动发电控制以及实时电价制定等方面发挥着极其重要的作用。

近年来，微电网作为智能电网的浓缩已成为国内外学者的研究热点。超短期负荷预测是微电网优化运行策略和能量管理系统的重要组成之一。由于用户侧响应、冷热负荷以及电动汽车充电等具有的波动性和滞后性，导致了负荷预测精度的降低。因此，提高超短期负荷预测精度是现代电力系统发展的必然要求。

发明内容

针对上述现有技术存在的问题，本发明提出一种基于RBF神经网络的超短期负荷预测方法，其特征在于，该预测方法包括以下步骤：

步骤1：微电网负荷数据辨识和补全；

步骤2：微电网数据归一化处理；

步骤3：微电网数据去噪处理；

步骤4：计算负荷样本差异度；

步骤5：建立RBF神经网络负荷预测数学模型，进行在线预测；

所述步骤1中具体处理流程为：

步骤1.1：选取同类型临近日期负荷数据，对突变数据进行辨识，公式如下：

其中，L_d,t为第d天t时刻的负荷值；u为判定阈值；M为第d-1天最后时刻；当相邻时刻的负荷变化率大于判定阈值时，则判定负荷数据L_d,t为突变数据并予以剔除，然后将该时刻数据作为缺失数据进行补全；所述负荷属性包括第d天t时刻的负荷值L_d,t，判定阈值u，u＝0.01，历史负荷数据的采样时间间隔为15min，采样时间t为1到96的整数；所述的日信息d为1到7的整数，以周为周期；

步骤1.2：对缺失的数据进行补全，公式如下：

其中，L_d-m，t为第d-m天t时刻的负荷数据；λ为权值系数0＜λ_i＜1，即表示L_d-m,t对L_d,t的影响程度；

步骤2：数据采用最值法归一化，公式如下：

其中，L_max和L_min分别为训练样本集中负荷数据的最大值和最小值；L_d,t、分别为归一化前、后的负荷数值；

步骤3：采用小波阈值去噪法方法

选择Sym4函数作为小波基函数，其中Symlet函数通常记为SymN`，N`为小波分解层数；

选择软阈值函数法，公式如下：

其中y(ω)为小波系数估计；ω_j,k为在尺度j上第k层含噪信号的小波系数，k＝1,2,…,n_j,(n_j＝N/2^J-j+1)，J为分解尺度，N为信号的长度，T为阈值门限值；

选择通用阈值估计法，公式如下：

式中，σ_n为噪声标准方差，N为信号的长度；

步骤4：负荷样本训练，计算负荷样本差异度；输入第i天t时刻的负荷样本I_i,t，列矩阵如下：

I_i,t＝(L_i,t-1,L_i,t-2,L_i-1,t,L_i-1,t-1,L_i-1,t-2,△L_i,t-1,d)

式中

第i天t时刻的训练样本，列矩阵如下：

X_i，t＝((I_i-1，t，L_i-1，t)，…，（I_i-n，t,L_i-n，t))^T

其中n为X_i,t中的样本容量，且i>n；t>2，

对第i天t时刻的训练样本X_i,t进行回归分析，公式如下