短期电力负荷预测建模方法.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CN108320046A(43)申请公布日2018.07.24(21)申请号201711445864.4(22)申请日2017.12.27(71)申请人安徽机电职业技术学院地址241000安徽省芜湖市弋江区文津西路16号(72)发明人周明龙程晶晶李文王顺菊曹文广(74)专利代理机构芜湖众汇知识产权代理事务所(普通合伙)34128代理人端木传斌(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图1页(54)发明名称短期电力负荷预测建模方法(57)摘要本发明公开了短期电力负荷预测建模方法，针对电力负荷所呈现的特点，利用核主成分分析对影响电力负荷的影响因素进行非线性特征提取，消除变量间的冗余、共线性信息，得到影响电力负荷的主元特征分量，然后利用非线性分类能力强的BP神经网络对电力负荷进行预测；采用本技术方案，核主成分分析在充分保留了原始数据更多信息的前提下，有效地对电力负荷数据进行了特征降维，优化了BP神经网络的结构，极大地提高了预测速度和精度。CN108320046ACN108320046A权利要求书1/2页1.短期电力负荷预测建模方法，其特征在于：电力负荷因子经过核主成分特征抽取后，得到其主元特征分量，预测模型以主元分量代替电力负荷样本中的原始输入变量进行BP神经网络的训练与预测。首先将输入数据向量xi映射到高维Mercer特征空间φ(xi)，然后在高维特征空间φ(xi)中进行线性的主分量分析，因此特征空间φ(xi)中线性的PCA对应着输入空间的非线性PCA。2.按照权利要求1所述的短期电力负荷预测建模方法，其特征在于：设样本集为X＝{x1，x2，…，xm}，其中xk∈R，l为输入向量总数，设φ为一个非线性映射，对应的空间记为F，且满足下式：则其对应的协方差矩阵可表示为：其中，φ(xj)为输入变量{xj}的中心化非线性映射，其对角化将表示将输入向量转换为本征向量υ所构成空间的坐标，为此，寻找本征值λ≥0和非零的本征向量υ∈F，其满足如下关系：λv＝Cv(3)由于所有的λ≠0的解位于φ(x1)，φ(x2)，…φ(xm)张成的空间，因而由式(3)可推导出下式：nλa＝Ka(4)式中，a代表系数列向量a1，a2，…，an，满足：同时K为一个对称的n×n的Gram矩阵，其元素为Kij＝(φ(xi)，φ(xj))＝K(xi，xj)归一化Gram矩阵K的非零本征值对应的本征向量vk，使最后，通过计算函数φ(x)到本征向量vk上的投影，得到变量x的第k个非线性主分量：用V表示以的本征向量为列向量的矩阵，表示以K的本征向量为列向量的矩阵，∧表示对应本征值形成的对角矩阵然后对训练数据点进行投影，则式(7)可改写为如下矩阵表达形式：2CN108320046A权利要求书2/2页式中，φi表示测试样本点的映射所构成的ni×M矩阵，Ki表示ni×n矩阵，其元素为：(Ki)ij＝(φ(xi)，φ(xj))＝K(xi，xj)(10)式中，和分别表示训练样本集和测试样本集。3.按照权利要求1所述的短期电力负荷预测建模方法，其特征在于：所述的BP神经网络包括输入层、隐含层、输出层，BP神经网络可以根据需要设置一个或多个隐含层，各层次的神经元之间呈全连接方式，但同层的神经元之间没有任何连接，可表示如下：Y＝F2[Wn×m×F1(WM×L×X)](13)误差函数定义为期望输出与实际输出之差的平方和，可用下式表示：其中：N为网络输出层神经元数；P为训练集样本数；yjp为神经网络的实际输出值；djp为神经网络的期望输出。3CN108320046A说明书1/5页短期电力负荷预测建模方法技术领域[0001]本发明属于电力负荷预测领域，更具体地说，本发明涉及短期电力负荷预测建模方法。背景技术[0002]随着经济的发展，电器使用率的提高，电网能量管理系统已经成为调控居民及单位用电必须考虑的因素之一，短期电力负荷预测可以有计划地进行电力系统的规划、营销、市场交易、调度等工作，传统预测方法有时间序列法、回归分析法、模糊理论等方法，但是传统预测方法受多种因素影响，冗余和共线类信息导致网络结构十分复杂，网络运行速度较慢，从而限制了模型的应用。发明内容[0003]本发明所要解决的技术问题是提供一种基于核主成分、消除变量间的冗余、共线信息的短期电力负荷预测建模方法。[0004]为了实现上述目的，本发明采取的技术方案为：短期电力负荷预测建模方法，电力负荷因子经过核主成分特征抽取后，得到其主元特征分量，预测模型以主元分量代替电力负荷样本中的原始输入变量进行BP神经网络的训练与预测。[0