[发明专利]一种基于BP神经网络的超短期负荷预测方法

摘要

本发明公开了基于RBF神经网络的超短期负荷预测方法。该方法为步骤1，微电网负荷数据辨识和补全；步骤2，微电网数据归一化处理；步骤3，微电网数据去噪处理；步骤4，计算负荷样本差异度；步骤5，建立RBF神经网络负荷预测数学模型，进行在线预测。该方法以传统RBF神经网络预测模型为基础，结合回归分析法定义了负荷样本差异度，根据负荷样本差异度调整预测模型，使负荷预测模型自动地适应负荷变化。

主权项

一种基于RBF神经网络的超短期负荷预测方法，其特征在于：步骤1：微电网负荷数据辨识和补全步骤1.1：选取同类型临近日期负荷数据，对突变数据进行辨识，公式如下：Ld,t-Ld,t-1Ld,t-1>u,t≠1Ld,t-Ld-1,MLd-1,M>u,t=1]]>其中，Ld,t为第d天t时刻的负荷值；u为判定阈值；M为第d－1天最后时刻；当相邻时刻的负荷变化率大于判定阈值时，则判定负荷数据Ld,t为突变数据并予以剔除，然后将该时刻数据作为缺失数据进行补全；所述负荷属性包括第d天t时刻的负荷值Ld,t，判定阈值u，u＝0.01，历史负荷数据的采样时间间隔为15min，采样时间t为1到96的整数；所述的日信息d为1到7的整数，以周为周期；步骤1.2：对缺失的数据进行补全，公式如下：其中，Ld‑m,t为第d‑m天t时刻的负荷数据；λ为权值系数即表示Ld‑m,t对Ld,t的影响程度；步骤2：数据归一化处理采用最值法归一化，公式如下：其中，Lmax和Lmin分别为训练样本集中负荷数据的最大值和最小值；Ld,t、分别为归一化前、后的负荷数值；步骤3：数据去噪处理采用小波阈值去噪法方法，选择Sym4函数作为小波基函数，其中Symlet函数通常记为SymN`，N`为小波分解层数；步骤4：计算负荷样本差异度负荷样本训练，计算负荷样本差异度；输入第i天t时刻的负荷样本Ii,t，列矩阵如下：Ii,t＝(Li,t‑1,Li,t‑2,Li‑1,t,Li‑1,t‑1,Li‑1,t‑2,△Li,t‑1,d)式中第i天t时刻的训练样本，列矩阵如下：Xi,t＝((Ii‑1,t,Li‑1,t),…,(Ii‑n,t,Li‑n,t))T其中n为Xi,t中的样本容量，且i>n；t>2，对第i天t时刻的训练样本Xi,t进行回归分析，公式如下式中：k＝0，1…，6，将预测第j天t时刻时的输入样本Ij,t中相应元素代入上式，得t‑1时刻的回归估计值式子如下：ai定义及取值同上，计算第j天t时刻的负荷样本差异度rj,t，公式如下：步骤5：建立RBF神经网络负荷预测模型并进行在线预测步骤5.1，建立RBF神经网络负荷预测模型，设定RBF神经网络结构为7‑13‑1型，即输入层7个神经元；隐含层13个神经元；输出层1个神经元；设输入向量X＝(x1,x2,…,xr,…xR)，r＝7，则隐含层第i个神经元传递函数的输入值为输入向量X与权值向量V之间距离与隐含层阈值bi的乘积，最终隐含层第i个神经元的输出为输出层的传递函数为线性函数，其输入为隐含层输出向量a与权值向量W的乘积与输出层阈值b2之和，最终输出层的输出结果为式中，xp＝(x1,x2,...,xp)T，p＝7为第r个输入样本；wij为隐含层到输出层的连接权值；yj为输入样本对应网络输出层的第j个结点的实际输出，i＝1,2,...,h，h＝13；步骤5.2，阈值判断，若rj,t≤u，则执行子步骤5‑3；否则，更新训练样本Xj,t至与第j天第t时刻最相近的n条数据样本，重新训练网络模型并计算训练样本回归系数，存储相应结果；步骤5.3，加载t时刻的预测模型进行预测，并输出预测结果；步骤5.4等待t时刻的实际负荷值，并作畸变数据的判定及处理；计算t时刻的预测误差。