[发明专利]基于T‑S模糊Elman神经网络的短期电力负荷预测方法

权利要求书

1.一种基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：

步骤1、获取某地区的电力系统历史负荷数据，对历史负荷数据的异常数据进行处理；

步骤2、对影响电力负荷因素进行分析与量化，将修正后的负荷数据进行归一化；

步骤3、确定神经网络的输入输出数据，其中，将预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1、n-2日第t、t-1和t+1小时负荷值作为输入数据，预测日的第t小时整点负荷值为输出数据，并且确定最优的隐含层神经元的个数，在规则层引入延时单元，将规则层的输出即上一时刻所有规则的激活强度作为当前时刻输入的信息，从而建立基于T-S模糊Elman神经网络；

步骤4、使用预测日前两个月的历史负荷数据、天气参数数据和日期类型数据进行训练，用训练好的T-S模糊Elman神经网络进行预测，并将预测的数据反归一化从而得到最终的预测负荷值。

2.根据权利要求1所述的基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，所述步骤1中获取某地区的电力历史负荷数据，其数据样本来自于SCADA系统。

3.根据权利要求1所述的基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，所述步骤1中的异常数据处理的处理方式包括水平处理、垂直处理或曲线拟合。

4.根据权利要求1所述的基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，所述步骤2中的影响负荷因素包括温度、天气特征和日期类型，根据这些因素对负荷的影响程度将其进行量化处理。

5.根据权利要求1所述的基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，所述步骤2中负荷数据归一化，使用归一化公式将负荷数据归一化为[0，1]，使其处于同一数量级别，加快神经网络收敛。

6.根据权利要求1所述的基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，所述步骤3中确定最优的隐含层神经元的个数中，该网络的隐含层为单隐含层，其神经元的个数根据经验公式和训练的效果进行确定。

7.根据权利要求1所述的基于T-S模糊Elman神经网络的短期电力负荷预测方法，其特征在于，所述步骤4中将预测的数据反归一化得到最终的预测负荷值总，其反归一化根据归一化公式的变形即可得到反归一化的公式，最终的数据就是实际数量级的负荷数据。