[发明专利]一种优化的电力数据短期预测方法

摘要

本发明提供一种优化的电力数据短期预测方法，首先使用灰度模型对电力数据进行建模，再使用人工神经网络对实际值与预测的残差进行建模，最后叠加上述两个模型，有效地提高了电力数据短期预测的鲁棒性和准确性，提高了电力调配的可靠性，有效提高了城市电网的用电效率。

主权项

一种优化的电力数据短期预测方法，其特征在于，依次包括以下步骤：(1)将原始电力数据分为若干相同样本数的子集，记为{C₁，C₂，……C_k，……C_n}，其中C表示原始电力数据的子集，下标k＝1,2，……n，n为自然数；(2)对原始电力数据的子集建立灰度模型GM(1，1)，对此灰度模型进行计算得到一组灰度预测数列，此灰度预测数列组成灰度预测模型P_bp，求出灰度预测数列与原始数列之间的残差序列ε⁽⁰⁾，ε表示灰度预测数列与原始数列之间的残差，上标0表示第0次迭加；(3)将步骤(2)得到的灰度预测模型的残差序列输入BP神经网络进行训练，得到BP神经网络模型P_bp，求出BP神经网络模型的实际输出值与期望输出值之间的残差序列δ⁽⁰⁾，δ表示BP神经网络实际输出值与期望输出值之间的残差，上标0表示第0次迭加；(4)根据步骤(2)和步骤(3)，得出灰度预测模型和BP神经网络模型之间的平均残差序列e⁽⁰⁾，$\begin{array}{c}{e}^{\left(0\right)}=\left\{e^{\left(0\right)}\left(1\right),e^{\left(0\right)}\left(2\right),......,e^{\left(0\right)}\left(n\right)\right\}=\\ \{\frac{{\mathrm{\ϵ}}^{\left(0\right)}\left(1\right)+{\mathrm{\δ}}^{\left(0\right)}\left(1\right)}{2},\frac{{\mathrm{\ϵ}}^{\left(0\right)}\left(2\right)+{\mathrm{\δ}}^{\left(0\right)}\left(2\right)}{2},......,\frac{{\mathrm{\ϵ}}^{\left(0\right)}\left(n\right)+{\mathrm{\δ}}^{\left(0\right)}\left(n\right)}{2}\]=\{e_{e11},e_{e12},......e_{e1n}\},\end{array}$下标e仅为区分作用，并非变量，下标n＝1,2，……；(5)用步骤(4)得到的平均残差序列e⁽⁰⁾来训练原始样本子集C₁，得到初始化的误差神经网络E_bp；(6)初始化α，β，使两者满足：$\left[\begin{array}{c}\mathrm{\α}+\mathrm{\β}=1.0\\ \mathrm{\α}/\mathrm{\β}={\Σ}_k{e}_{g1k}+\mathrm{\α}/{\Σ}_k{e}_{p1k}+\mathrm{\β}\end{array}\right.;$其中，α和β是两个假设计算权重，e_g1k表示第k个样本第一次训练得到的灰度预测模型的残差值，e表示残差，g表示灰度预测模型，e_p1k表示第j个样本第一次训练得到的BP神经网络模型的残差值，p表示BP神经网络；(7)依次用步骤(4)得到的灰度预测模型和BP神经网络模型的平均残差序列e⁽⁰⁾来训练原始样本的第k个子集，分别得到灰度预测模型的残差序列ε⁽⁰⁾、BP神经网络的残差序列δ⁽⁰⁾和平均残差序列e⁽⁰⁾；(8)更新E_bp网络，同时更新α和β，使α和β满足$\left\{\begin{array}{c}\mathrm{\α}+\mathrm{\β}=1\\ \mathrm{\α}/\mathrm{\β}={\Σ}_k{e}_{gij}+\mathrm{\α}/{\Σ}_k{e}_{pij}+\mathrm{\β}\end{array}\right.;$直至所有样本处理完毕，其中，e_gij表示第j个样本第i次训练得到的灰度预测模型的残差值，e表示残差，g表示灰度预测模型，e_pik表示第j个样本第i次训练得到的BP神经网络模型的残差值，下标p表示BP神经网络；(9)利用步骤(2)得到的灰度模型GM和灰度预测模型P_bp，及步骤(8)得到的α、β值和E_bp网络，得到电力数据短期预测模型：αGM+βP_bp+E_bp。