[发明专利]一种电力系统短期电力负荷的预测方法

说明书

本发明涉及一种电力系统短期电力负荷的预测方法，建立三层结构的神经网络模型；采用筛选重要度的方法对与待预测电力负荷相关的各个因素进行约简，获取神经网络模型的输入变量；将约简所获取的输入变量作为神经网络模型的最终输入变量，通过对神经网络模型进行训练，获取预测日当天的最大电力负荷。本发明约简了与负荷预测相关的条件属性，能够较佳地筛选出对最大电力负荷无关的变量，大大地降低神经网络的输入变量数，不仅较佳地减轻神经网络的训练负担，而且较佳地提升神经网络的预测精度；对神经网络模型的学习训练算法、及神经网络模型的输入变量均进行改进，且两者能够互相协同，能够较佳地实现对短期电力负荷的预测。

技术领域

本发明属于电力负荷预测技术领域，具体地说，涉及一种电力系统短期电力负荷的预测方法。

背景技术

负荷预测是电力系统调度的一个重要组成部分，是电力交易的主要数据源，尤其是短期负荷预测己经成为电网控制、分析和优化的基本工作，因此，提高短期负荷预测的精度己成为当务之急。我国现阶段短期电力负荷预测的理论和方法已经比较多，但目前，用于负荷预测的方法虽是多种多样，在实际应用中普遍存在预测精度不高、算法逐渐“数学化”的现象，复杂的算法多数停留在理论研究阶段，很难在工程实践中灵活应用。

电力系统负荷预测可分为长期、中期、短期以及超短期的负荷预测，目前根据负荷预测的目的不同，负荷预测的方法也不同。1)适用于中长期预测的方法有德尔菲法、动平均法、趋势外推方法、回归分析方法、指数平滑方法、灰色预测技术、专家系统法、模糊预测法、类比法、单耗法、负荷密度法、弹性系数法。2)短期预测法有回归分析法、时间序列法、卡尔曼滤波法、小波分析法、专家系统法、人工神经网络法、支持向量机、数据挖掘、模糊预测法、组合模型预测法。3)超短期预测法有时间序列法、替代法、卡尔曼滤波法、启发式方法、线性外推法、人工神经网络预测法、最小二乘法、基于负荷趋势的超短期负荷预测法、日周期多点外推法、插值预测法、负荷求导法。

在短期负荷预测的过程中，引起负荷变动的因素与负荷之间的非线性映射关系是预测结果与实际结果之间存在偏差的原因之一。为了更好地解决这个问题，继传统预测方法之后，人们又提出了智能预测方法，常见的有人工神经网络、模糊预测法、数据挖掘、专家系统、支持向量机等。

人工神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。它由若干个具有并行运算功能的神经元节点及连接它们的相应的权值构成，通过激励函数实现输入变量到输出变量之间的非线性映射。由于人工神经网络在运用中表现出对大量非结构性、非精确性规律具有自适应功能，同时具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此备受人们关注，成为近些年来负荷预测领域研究的热点。

在短期负荷预测中应用最多的人工神经网络是误差反向传播神经网络(BP神经网络)，在此方法中，如果将各种影响因素都包含在输入层的输入变量中，会造成输入变量过多，加重网络训练负担，非但不能提高预测精度，反而降低了网络预测的性能。因此既考虑影响负荷预测的各种因素，又适当地压缩输入变量，成为基于神经网络的短期负荷预测方法必须解决的问题。

发明内容

本发明的内容是提供一种用于电力系统的短期电力负荷预测方法，其能够克服现有采用神经网络算法进行预测时输入变量过多，进而会导致训练负担过重、预测性能较低的缺陷。本发明所采用的技术方案如下：

一种电力系统短期电力负荷的预测方法，包括以下步骤：

步骤1、建立三层结构的神经网络模型；

步骤2、采用筛选重要度的方法对与待预测电力负荷相关的各个因素进行约简，获取神经网络模型的输入变量；

步骤3、将约简所获取的输入变量作为神经网络模型的最终输入变量，通过对神经网络模型进行训练，获取预测日当天的最大电力负荷。

本发明的有益效果：