[发明专利]一种短期负荷预测方法、系统及相关装置

说明书

本申请所提供的一种短期负荷预测方法，包括：获取负荷历史数据中各个指标的指标参数；将各个指标的指标参数输入预设BP神经网络模型，输出归一化后的各个指标的短期负荷预测结果；其中，预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且偏差值不大于偏差收敛阈值。该方法中的预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且偏差值不大于偏差收敛阈值，能保证该预设BP神经网络模型的复杂度不会过大，也即能够保证该预设BP神经网络模型不会过拟合，进而能够在保证模型训练精度的同时，减小短期负荷预测误差。本申请还提供一种短期负荷预测系统、设备及计算机可读存储介质，均具有上述有益效果。

技术领域

本申请涉及电力系统调度运行领域，特别涉及一种短期负荷预测方法、系统、设备及计算机可读存储介质。

背景技术

人工神经网络(Artificial Neural Network，即ANN)是近年来备受关注的人工智能算法，在人工神经网络的众多分支中BP神经网络以其较强的学习能力成为使用最多的人工神经网络算法，并在电力系统短期负荷预测中得到了广泛的应用。

所谓短期负荷预测是指在日前对次日的负荷曲线、最大负荷、用电量等指标进行预测的负荷预测类型。相关文献的研究表明气温、分布式电源、需求侧响应等多项因素均将对短期负荷产生影响。而当采用BP神经网络人工智能算法进行短期负荷预测时，往往面临由于相关因素较多、历史数据复杂造成的“过拟合”问题，造成尽管训练阶段能够获得较高的训练精度，而预测阶段测试误差较大的问题。

因此，如何在保证模型训练精度的同时，减小短期负荷预测误差是本领域技术人员亟需解决的技术问题。

发明内容

本申请的目的是提供一种短期负荷预测方法、系统、设备及计算机可读存储介质，能够在保证模型训练精度的同时，减小短期负荷预测误差。

为解决上述技术问题，本申请提供一种短期负荷预测方法，包括：

获取负荷历史数据中各个指标的指标参数；

将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果；其中，所述预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值。

优选地，所述将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果，包括：

在对原始负荷训练数据进行数据归一化处理得到负荷训练数据后，利用所述负荷训练数据确定BP神经网络中各个神经元的连接权值和偏置量；

在将各个所述神经元的所述连接权值和所述偏置量代入对应的数值转换函数，得到第一BP神经网络模型后，将经过所述数据归一化处理得到的负荷验证数据输入所述第一BP神经网络模型，得到输出结果；

在利用各个所述神经元的所述连接权值和预设的权重系数，构建所述复杂度收敛项后，利用所述复杂度收敛项和原始偏差计算公式，确定所述偏差计算公式；

在将所述负荷验证数据和所述输出结果代入所述偏差计算公式，得到所述偏差值后，判断所述偏差值是否大于所述偏差收敛阈值；

若否，则将所述第一BP神经网络模型确定为所述预设BP神经网络模型；

将各个所述指标的所述指标参数输入所述预设BP神经网络模型，输出归一化后的各个所述指标的所述短期负荷预测结果。

优选地，若判断出所述偏差值大于所述偏差收敛阈值，包括：

根据修正公式对所述第一BP神经网络模型的各个所述神经元的所述连接权值和所述偏置量进行修正操作，得到对应的连接权修正值和偏置量修正值。