[发明专利]地铁供电负荷预测系统的回声状态神经网络负荷预测模型

权利要求书

1.一种地铁供电系统短期负荷预测系统，其特征在于包括负荷统计模块，负荷数据调用模块，负荷数据预测模块，预测误差统计模块，图形输出模块以及数据输出模块；其中负荷统计模块用于统计历史负荷数据，负荷数据调用模块调用负荷统计模块中的历史负荷数据并发送给负荷数据预测模块，负荷数据预测模块根据历史负荷数据对未来的负荷进行预测并输出预测数据，预测误差统计模块对输出的预测数据进行校准后，通过图形输出模块以及数据输出模块输出修正后的预测的数据；其中所述负荷数据预测模块是采用基于回声状态神经网络的地铁供电系统短期负荷预测模型而构建的。

2.根据权利要求1所述的地铁供电系统短期负荷预测系统，其特征在于，所述基于回声状态神经网络的地铁供电系统短期负荷预测模型采用下述算法获得：

构建回声状态神经网络，包括输入层、储备池、输出层；网络模型中输入层有k个输入节点，储备池有n个内部节点，输出层有l个输出节点；

在t时刻时，网络的输入向量为u(t)＝[u₁(t),u₂(t),···,u_k(t)]^T，内部状态向量为x(t)＝[x₁(t),x₂(t),···,x_n(t)]^T，输出向量为y(t)＝[y₁(t),y₂(t),···,y_l(t)]^T，则所述预测模型的状态方程和输出方程分别为：

x(t+1)＝f(wⁱⁿu(t+1)+wx(t)+w^backy(t)) (1)

y(t+1)＝f^out(w^out(u(t+1),x(t+1),y(t+1))) (2)

式中，wⁱⁿ表示输入层到储备池的输入连接权值矩阵，w表示储备池内部连接权值矩阵，w^back表示输出层到储备池的反馈连接权值矩阵，w^out表示储备池到输出层的输出连接权值矩阵，f表示储备池单元的激励函数，取双曲正切函数；f^out表示输出单元的激励函数，取恒等函数；

其中输出连接权值矩阵w^out通过给定的训练样本(u(t),y(t),(t＝1,2,···,q))来确定，其训练过程可分为两个阶段：

(1)采样阶段

首先对网络的初始状态进行赋值，通常情况下网络的初始状态为0，即x(t)＝0。然后将训练样本(u(t),t＝1,2,···,q)通过wⁱⁿ输入到动态储备池中，按照式(1)和式(2)依次完成网络状态向量x(t)和输出向量y(t)的计算；

从某一时刻h开始记录回声状态神经网络系统内部状态变量和相应的样本数据，然后用相量([u₁(j),u₂(j),···,u_k(j)]^T；[x₁(j),x₂(j),···,x_n(j)]^T)来构成矩阵B(q-h+1)，并用相量([y₁(j),y₂(j),···,y₃(j)]^T)来构成矩阵T(q-h+1,l)。其中j＝h,h+1,···,q；

(2)权值计算阶段

根据采样过程中回声状态神经网络系统记录的内部状态数据和样本数据，通过最小二乘法线性回归计算得到输出连接权值矩阵w^out，由于网络的内部的状态变量x(t)与网络的实际输出之间为线性关系，所以利用网络的实际输出来逼近网络的理想输出y(t)：

$y\left(t\right)=\hat{y}\left(t\right)=\underset{i=1}{\overset{k}{\Σ}}{w_i}^{out}{u}_i\left(t\right)+\underset{i=k+1}{\overset{k+n}{\Σ}}{w_i}^{out}{x}_{i-k}\left(t\right)---\left(3\right)$

在计算权值w_i^out的过程需要保证上述公式的均方根误差最小，于是问题可以转化为求解下面公式的优化问题：

$\min \frac{1}{q-h+1}\underset{t=h}{\overset{q}{\Σ}}{\left(y\right(t)-\underset{i=1}{\overset{k}{\Σ}}{w_i}^{out}{u}_i(t)-\underset{i=k+1}{\overset{k+n}{\Σ}}{w_i}^{out}{x}_{i-k}(t\left)\right)}^2---\left(4\right)$

从数学的角度来看，这是一个线性回归的问题，可以转换为求矩阵B的逆矩阵问题，即：

w^out＝B^-1T (5)

通过公式(5)计算出w^out；

回声状态神经网络训练结束。