一种基于BP神经网络的短期负荷预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110619429A(43)申请公布日2019.12.27(21)申请号201910819380.4(22)申请日2019.08.31(71)申请人广东工业大学地址510006广东省广州市番禺区大学城外环西路100号(72)发明人赵菲王林钰赖来利(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/08(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于BP神经网络的短期负荷预测方法(57)摘要本发明涉及电力市场负荷预测领域，更具体地，涉及一种基于BP神经网络的短期负荷预测方法，在传统的神经网络的基础上，通过目标值与预测值的偏差作为新一轮的矫正，构建新的神经网络负荷预测模型，该模型能够考虑除天气因素以外的其他特征因素，并针对模型改进相应的目标函数和优化算法，从而提高该模型负荷预测的精度。CN110619429ACN110619429A权利要求书1/2页1.一种基于BP神经网络的短期负荷预测方法，其特征在于，包括以下的步骤：步骤一：建立传统神经网络模型，其目标函数的公式为：其中，tph表示第h天中的第p个小时的真实负荷，yph表示第h天中的第p个小时的预测负荷，Eav(r)'表示负荷预测的目标函数，r表示迭代次数；步骤二：在传统神经网络的基础上，同模型已发生预测的地方，节选一段可调的时间区域，时区上目标值与预测值的偏差将作为新一轮预测的矫正，形成新的目标函数，公式为：其中，Eav(r)表示负荷预测的目标函数，tph表示第h天中的第p个小时的实际负荷，yph表示第h天中的第p个小时的预测负荷，tjk表示第k天中的第j个小时的实际负荷，yjk表示第k天中的第j个小时的预测负荷，α，β表示非0自然数，其中α<β，r表示神经网络的迭代次数，H为训练样本数，P为输出空间维数；步骤三：根据步骤二中的目标函数构建神经网络负荷预测模型，并对神经网络负荷预测模型进行训练。2.根据权利要求1所述的一种基于BP神经网络的短期负荷预测方法，其特征在于，传统的神经网络预测值与目标值的相对偏差的公式为：其中，T为实际负荷，Y为预测负荷。3.根据权利要求2所述的一种基于BP神经网络的短期负荷预测方法，其特征在于，神经网络由输入层，隐含层和输出层三部分组成，单个样本在隐含层第m个神经元的输出为：其中，wim为输入层到隐含层的权重，xi为输入特征并由预测当天的前n天每小时负荷和预测当天的每小时天气组成，bm为输入层到隐含层的偏置；单个样本在输出层第p个神经元的输出为：其中，wmp为隐含层到输出层的权重，hm为隐含层第m个神经元的输出，bp为隐含层到输出层的偏置。4.根据权利要求3所述的一种基于BP神经网络的短期负荷预测方法，其特征在于，输出层在传统神经网络输出的Y值的基础上加上了预测当天前α到β天的目标值与预测值偏差的2CN110619429A权利要求书2/2页平均值作为矫正，得到输出特征公式为：其中，Zph为第h天中的第p个小时的输出负荷，tjk表示第k天中的第j个小时的实际负荷，yjk表示第k天中的第j个小时的预测负荷，yph表示第h天中的第p个小时的预测负荷，P为输出空间维数。5.根据权利要求4所述的一种基于BP神经网络的短期负荷预测方法，其特征在于，所述神经网络负荷预测模型通过所述目标函数来优化权重和偏置，输入层到隐含层权值和偏置的更新公式为：隐含层到输出层权值和偏置的更新：其中，r表示神经网络的迭代次数，wim为输入层到隐含层的权重，bm为输入层到隐含层的偏置；wmp为隐含层到输出层的权重，bp为隐含层到输出层的偏置；ε为学习速率，它的取值范围为(0，1)。6.根据权利要求1-5任一所述的一种基于BP神经网络的短期负荷预测方法，其特征在于，将PJM短期负荷数据代入网络负荷预测模型进行神经网络训练。3CN110619429A说明书1/5页一种基于BP神经网络的短期负荷预测方法技术领域[0001]本发明涉及电力市场负荷预测领域，更具体地，涉及一种基于BP神经网络的短期负荷预测方法。背景技术[0002]随着电力系统规模和复杂性的不断提高，负荷预测的准确与否直接影响着电力系统的正常运行，对有效降低发电费用、实施各地区电力系统优化控制具有关键作用。由于短期负荷随机性强、稳定性低、影响因素复杂等特点，具有非线性特性和强学习能力的神经网络可以极大地提高预测精度，因此被广泛应用于电力系统的短期负荷预测之中。[0003]传统的神经网络模型一般只考虑了历史负荷和气候因素的影响，但实际上对负荷产生影响的特征因素有很多，这些特征因素无法在神经网络中完全体现，