[发明专利]一种基于多层神经网络的短期电力负荷预测方法

说明书

本发明公开一种基于多层神经网络的短期电力负荷预测方法，包括步骤：对包含具有相同时间间隔的多个连续的时刻、每个时刻的用电量、每个时刻的气温的电力负荷数据集中的用电量值、气温值进行归一化后表示成电力负荷特征矩阵和电力负荷真实值向量；利用所述矩阵构建一个基于多层神经网络的短期电力负荷预测模型的网络结构；将表示成所述矩阵与所述向量的数据集按7∶2∶1依次划分为训练集、验证集与测试集；使用训练集与验证集对上述预测模型进行调参，得到优化的模型SPLF‑MNN；使用测试集计算SPLF‑MNN模型的预测精度以评估模型的性能，并利用SPLF‑MNN模型预测未来一天或一周内多个时刻的电力负荷。SPLF‑MNN模型考虑气温对电力负荷的影响、预测精度高、训练速度快，应用前景广阔。

技术领域

本发明属于短期电力负荷预测技术领域，涉及基于神经网络的短期电力负荷预测方法，尤其是一种基于多层神经网络的短期电力负荷预测方法。

背景技术

电力负荷预测(power load forecasting)是电力系统规划的重要组成部分，也是电力系统经济运行的基础。电力负荷预测的基础是电力负荷数据，这样的数据是一种时间序列数据，通常包含具有相同时间间隔的多个连续的时刻(时刻含有日期与时间)、每个时刻的电力负荷(如用电量)、每个时刻的气象数据(如气温)等。一定数量的电力负荷数据构成一个电力负荷数据集。电力负荷预测能够根据与时刻有关的电力负荷、气象等历史数据，挖掘出电力负荷变化的规律，据此预测未来某段时间内多个时刻的电力负荷。按照预测时间段的长短来划分，电力负荷预测可以分为超短期、短期、中期、长期电力负荷预测。短期电力负荷预测(short-term power load forecasting)以天为单位，对未来一天或一周内多个时刻的电力负荷进行预测。气象(如大气温度)因素对短期、超短期的电力负荷变化有较大影响，因此，短期、超短期电力负荷预测方法(模型)应该考虑气象因素，否则会影响预测精度也称准确率(accuracy)。

(短期)电力负荷预测精度的小幅提升也会带来巨大的经济社会效益。为了保障电力系统能安全稳定地运行，发电端通常需要在电网中存储一定的备用电力(例如，存储全网最大发电量的2％～5％的电力)。如果能提高电力负荷的预测精度，就可以减少备用电力容量，从而节省发电能源消耗、减少碳排放。下面举一个例子来说明。以国家统计局发布的2020年中国统计年鉴(参见：国家统计局编：中国统计年鉴-2020.中国统计出版社，2020年9月.http：//www.stats.gov.cn/tjsj/ndsj/2020/indexeh.htm)中的有关数据为例，江苏省2019年共消费6,264亿千瓦时的电量，假设不考虑电力传输等损耗，可以认为2019年江苏省最大发电量近似于用电量6,264亿千瓦时，全年的电力备用容量就需要125.3～313.2亿千瓦时。提高电力负荷预测精度能够减少一定的备用电力容量，如果备用电力容量减少1％，这样，全年就能够减少1.25～3.13亿千瓦时的备用电力容量，这相当于减少了1.54～3.85万吨标准煤的消耗，减少了火力发电的碳排放量。

时间序列预测方法与基于神经网络的预测方法是短期电力负荷预测的常用方法。

典型的时间序列预测方法是自回归综合移动平均(Auto Regressive IntegratedMoving Average，ARIMA)模型(参见：Subrina Noureen，Sharif Atique，Vishwajit Roy，Stephen Bayne：Analysis and application of seasonal ARIMA model in EnergyDemand Forecasting：A case study of small scale agricultural load.MWSCAS 2019：521-524.https：//doi.org/10.1109/MWSCAS.2019.8885349)。ARIMA模型的优点是原理简单，所需的电力负荷(历史)数据较少，但不足是该模型没有考虑气温等外部因素对电力负荷的影响，因此预测精度较低。