[发明专利]基于神经网络和比例系数法的短期负荷区间预测方法

权利要求书

1.基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，包括以下步骤：

S1、获取待预测地区的电力负荷数据以及温度、天气数据信息；

S2、将获得的数据分成三组，分别用于训练、验证和预测；并将用于训练和验证的数据进行归一化处理；

S3、构建神经网络预测模型，并用训练集的数据去训练神经网络；

S4、利用训练好的神经网络模型对验证集进行预测，得到验证集的点预测结果；

S5、利用验证集的点预测结果，结合比例系数法和评价指标来建立最优化方程，并利用PSO算法去获取最优的比例系数a和b；具体实现方法为：

区间预测的评价指标包括区间覆盖率PICP、平均区间宽度PIMWP和简化的区间满意度指标PISI；

区间覆盖率PICP的计算方法为：

其中，当构建的预测区间包含目标值时，c_i＝1；当预测区间不包含目标值时，c_i＝0；N为观测数量；

平均区间宽度PIMWP计算方法为：

其中，U(x_i)和L(x_i)分别为构建的预测区间的上界和下界；t_i为第i个目标值，x_i为神经网络得到的点预测结果；

简化的区间满意度指标PISI计算方法为：

其中，μ和η是用户自定义的参数；

比例系数法定义：比例系数法是根据神经网络的输出结果，分别对预测结果放大a倍和缩小b倍，从而得到预测区间的上下界；具体计算公式为：

其中，y_i为神经网络的预测输出；

利用PSO算法求解以下最优化问题，确定最优的a和b：

其中，a_min、a_max分别为预设的放大倍数a的最小值和最大值，b_min、b_max分别为预设的缩小倍数b的最小值和最大值；

S6、用训练好的神经网络对预测集进行预测，将得到的预测结果结合最优比例系数a和b构建负荷预测区间。

2.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S1中获取的温度、天气数据信息包括每日最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型。

3.根据权利要求2所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S1中，电力负荷数据、最高气温、最低气温、平均气温和相对湿度的归一化公式如下：

其中，P_max为输入数据最大值，P_min为输入数据最小值；T_max为目标数据最大值，T_min为目标数据最小值；P_n为经过归一化处理后的输入矩阵，T_n为经过归一化处理后的目标矩阵；P为输入训练的样本矩阵，T为目标的样本矩阵；

降雨量归一化公式如下：

其中，R为降雨量，R_n为归一化后的降雨量；

日期类型的归一化方法如下：

其中，D为日期类型；R_n为归一化后的日期类型。

4.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S3中构建的神经网络预测模型的输入层节点包括输入的负荷点、最高气温、最低气温、平均气温、相对湿度、降雨量和日期类型；输出层节点数为负荷点数量；根据经验公式确定隐含层节点数，其中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常数；然后采用自适应BP算法训练神经网络。

5.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S4中，利用训练好的神经网络模型对验证集进行预测，得到验证集的点预测结果还需要进行反归一化处理，反归一化公式如下：

其中，Y_n为神经网络预测得出的结果；为最终的反归一化预测结果。

6.根据权利要求1所述的基于神经网络和比例系数法的短期负荷区间预测方法，其特征在于，所述步骤S6具体实现方法为：利用神经网络的预测结果和步骤S5中最优比例系数a和b，通过公式去构建负荷预测区间，其中，y_i预测集数据，x_i为神经网络得到的点预测结果。