[发明专利]一种基于信息新鲜度的电网电力数据预测方法

权利要求书

1.一种基于信息新鲜度的电网电力数据预测方法，其特征在于，包括电力数据的预处理阶段、信息新鲜度计算阶段、负荷预测神经网络训练阶段和数据预测阶段；

选取电力数据样本，选用弹性BP神经网络对电力数据样本处理，在神经网络中进行训练，以获得预测负荷的神经网络模型；

步骤一、电力数据的预处理

将所述电力数据样本进行处理、采样，将处理后的采样的电力数据样本进行初分类；

步骤二、信息新鲜度计算

对步骤一的初分类的电力数据样本进行终分类，以获得输出预测阶段的输入的电力数据；

步骤三、数据预测

将步骤二终分类的电力数据样本作为预测负荷的神经网络模型的输入量，获得不同数据新鲜度的负荷数据对待预测点的电力预测负荷值，选取误差最小的预测值最为最终的负荷预测值，并输出对应数据新鲜度。

2.根据权利要求1所述的一种基于信息新鲜度的电网电力数据预测方法，其特征在于，所述步骤一的采样具体包括：每隔m分钟对步骤一的电力数据样本采样一次，设采样次数为t，总共有N次采样，则样本集为：D＝{(x₀,y₀),(x₁,y₁),...,(x_t,y_t),...,(x_N,y_N)}，横坐标x_t＝mt为距离待预测点的时间长度，以秒为单位，纵坐标y_t以kwh为单位，t＝0时刻的点(x₀,y₀)作为电力负荷的待预测点。

3.根据权利要求2所述的一种基于信息新鲜度的电网电力数据预测方法，其特征在于，所述步骤一的初分类具体包括：

将样本集D进行分成n份，每份子数据集用符号D_i表示，且子数据集的长度N_i，对每份电力数据子集D_i采用k-means进行均值聚类，以形成最佳分类。

4.根据权利要求3所述的一种基于信息新鲜度的电网电力数据预测方法，其特征在于，所述聚类算法公式：

令(x_j,y_j)是第j次采样结果，(a_i,b_i)是第i个数据质心，则表示第j次采样结果与第i个质心之间的欧式距离,通过对比采样点与r个质心的距离，从而依据最小距离进行数据分类。

5.根据权利要求1所述的一种基于信息新鲜度的电网电力数据预测方法，其特征在于，信息新鲜度是取决于子数据集D_i中的r个质心到t＝0的待预测点的加权平均值，定义如下：

其中式中的(a_i,b_i)代表数据子集D_i中的第i个质心，(a₀,b₀)即待预测点

将Φ_i与子数据集D_i中的r个质心的纵坐标负荷值y_i相乘，其结果用X_i表示，X_i＝{Φ_iy₁,Φ_iy₂,...,Φ_iy_r}，X_i是r行的列向量；将X_i中的每个元素X_j进行如下式(2)的Min-Max归一化之后用做数据预测阶段的输入量

6.根据权利要求1所述的一种基于信息新鲜度的电网电力数据预测方法，其特征在于，将步骤二终分类的电力数据样本作为预测负荷的神经网络模型的输入量，获得不同数据新鲜度的负荷数据对待预测点的电力预测负荷值，选取误差最小的预测值最为最终的负荷预测值，并输出对应数据新鲜度。

7.根据权利要求1所述的一种基于信息新鲜度的电网电力数据预测方法，其特征在于，负荷预测模型的训练过程具体描述如下：

1)信息的前向传递过程：输入层的输出值O¹和输出层的输入值O^L都等于输入值，隐藏层中每一层网络的输入值x^t都是该层网络的权重和前一层网络输出值O^t-1的乘积加权和的激活输出值；

如信息从第一层隐层向第t层隐层前向传递的过程如式(3)所示：

对于隐层的激活函数，主要采用sigmoid函数，具体计算公式如式(4)所示：

2)误差的反向传播过程：在反向传递的过程中，首先计算出信息前向传递得到的最终输出层的输出值，该输出值即负荷预测值，其负荷预测值与实际值Y_tru的均方根误差E^L，如式(5)所示：

误差信号E^L作为修正其权重、偏置的依据，即将误差E^L分摊给各层次的神经元，如下式(6)所示：