CN101288089A - 基于负荷预测的神经网络的在线和离线训练 - Google Patents

Abstract

提供一种通过在线和离线神经网络的训练预测电力系统的负荷的方法和系统。在在线负荷预测方案中使用负荷数据和负荷增量来产生预测负荷值以最优化发电和最小化损耗。该目的通过使用一种方法和系统来实现，该方法和系统通过使用历史记载数据和短期负荷预测数据来预测短期负荷趋势。

Description

基于负荷预测的神经网络的在线和离线训练

相关申请的交叉引用：

[001]此申请要求于2005年7月28日提交的美国临时申请号60/703803，60/703082，60/703801的权益。

技术领域：

[002]本发明涉及到利用历史负荷数据和短期负荷预测数据来预测短期负荷趋势的方法和系统。神经网络用来分析一定间隔时间的负荷数据和趋势。几个月、几周、几天、几小时内的模式均可以得到分析，神经网络技术应用于预报极短期负荷预测。

背景技术：

[003]撤销管制规定后，由于市场电力需求有时表现出随机性，负荷预测成为市场提供发电安排手段的中心内容。系统操作员，市场经营者，输电所有者，以及其他电力工业的参与者，都需要一个快速准确的预报系统和方法，以运行可靠的系统并保持盈利。因此，预报对自由市场中是很必要的。

[004]不过，电力工业由监管的垄断事业重建为自由市场体系，进一步增强了满足电力需求的复杂程度，在自由市场体系下，传输经营者必须在规章管理下工作。市场参与者需要以何种方式来经营管理往往受到技术和经济的制约。这些制约因素受到监管机构、经济重点和设备性能局限性的影响。

[005]目前，经营者向监管机构提供计划信息，详细说明电力数量及发电时间。这些电力计划按年、月、周、天、小时或其它时间间隔如季度或诸如假期、周末等特殊的几天而不同。虽然明知有时电力需求差别很大，但经营者往往会被满足实时需求和未预料到的电力短缺所累。满足这些意料之外的需求往往会造成电力成本的增加。另外，电力成本下跌可能是由于当市场中出现过剩的预料之外的电力时必须提供较少的电力。

[006]显而易见，急切需要一种方法和一个系统，通过预测短期电力需求来优化电力系统性能。本发明是满足发电生产者需求的方案，他们必须通过利用现场数据，历史负荷与预测数据以及其他预报技术的预测，来控制其生产能力，以满足调控需求，并达到最小化成本和优化利润能力的目的。

发明内容

[007]本发明的目的是提供一种方法和体系，使电力生产者能够优化发电并将成本降到最低。该目标就是通过使用历史负荷数据和短期负荷预测数据来预测短期负荷趋势的方法和体系完成的。分析需求模式，并用其来训练神经网络以预测能源需求。负荷增量用于离线神经网络训练和在线预测。一种算法用于负荷预测，另一种算法用于在线训练。此外，在线与离线训练用于负荷预测。本发明利用了在线神经网络训练，并集成了基于在线训练的神经网络的预测过程和基于离线训练的神经网络的预测过程，从而提供了一个机制，使系统经营者可以选择基于在线神经网络训练的负荷预测机制或基于离线神经网络训练的负荷预测机制，或来自基于在线与离线神经网络训练的负荷预测机制的预测的适当组合。在线神经网络训练捕捉最新的负荷模式变化(在离线神经网络训练中看不到)，并将这些变化合并到负荷预测中，从而提供了—种机制，以提高基于离线神经网络训练的负荷预测的准确性。

附图说明

[008]参考附图，各种各样的潜在的实施例通过以下详细说明将会更容易理解，其中：

图1为结合使用本发明的能量管理系统的图示；

图2为离线神经网络训练的流程图；

图3为在线神经网络训练的流程图；

图4为负荷预测值的结束的流程图。

具体实施方式

[009]图1所示为结合本发明的使用的能量管理系统的一部分的概述。负荷数据110包含从现场获取的当前和历史负荷数据。为了基于离线神经网络120和在线神经网络140的训练预测负荷值，负荷数据110同时提供给在线与离线神经网络140、120。一个在线负荷预测模块与负荷数据一起使用，以训练两种神经网络。基于负荷预测的精确性或其他标准下的判定，采用基于判定算法150的预测机制，来生成最终负荷预测160。

[0010]能量管理系统的结构和运行，以及尤其是硬件、控制模块、神经网络、短期负荷预测模块和其它相关部件在2004年5月12日提交的共同未决的美国专利申请号为10/844,137的申请中有更详细的介绍，题目为″Very Short Term LoadPrediction in an Energy Management System″，结合于此作为参考。

[0011]上述方法采用常规处理软件和设备。存储在存储媒介中含有上述功能的能量管理应用，可以与系统处理器，内部和/或外部存储器，包括计数器，寄存器，和实时或近实时操作系统一起使用。图1-4中的组成部分和步骤可以存储在计算机可读媒介中供能量管理系统使用。本发明的负荷预测过程将在下面详细叙述。

[0012]为了预测负荷，假设一个动态负荷模型存在于自动发电控制的过程中，并可以表示为以下形式：

$g(P^{\left(N\right)},\·\·\·,\stackrel{\·}{P},P,t)=0---\left(1\right)$

其中，N表示负荷动态的级数，P表示负荷，t表示时间。

[0013]对于离散情况，

h(P_n-N，…，P_n-1，P_n，n)＝0    (2)

[0014]假设存在一个从(P_n-1，P_n-2，…，P_n-N，n)到P_n的连续映射，于是

P_n＝f(P_n-1，P_n-2，…，P_n-N，n)    (3)

其中函数f可以被看做是函数h的反函数。

[0015]由此，P_n+1，P_n+2，…，P_n+M(M是任意的正整数)可以由P_n，P_n-1，…，P_n-N+1，n通过下式得到：

P_n+1＝f(P_n，P_n-1，…，P_n-N+1，n+1)＝f₁(P_n，P_n-1，…，P_n-N+1，n)

P_n+2＝f(P_n+1，P_n，...，P_n-N+2，n+2)＝f(f₁(P_n，P_n-1，...，P_n-N+1，n)，P_n，...，P_n-N+2，n+2)

＝f₂(P_n，P_n-1，...，P_n-N+1，n)

......

P_n+M＝f(P_n+M-1，P_n+M-2，...，P_n-N+M-1，n+M)＝f(f_M-1，f_M-2，...，f₁，...，n+2)    (4)

＝f_M(P_n，P_n-1，...，P_n-N+1，n)

[0016]现在，负荷预测模型可以确立为如下：

其中，

是从当前时间n开始未来第i个步长的负荷预测。

[0017]P_n，P_n-1，...，P_n-N+1是当前时间与前(N-1)个时间步长的实际负荷值。

[0018]定义ΔP_n＝P_n+1-P_n，得P_n+1＝P_n+ΔP_n，

$P_{n+2}=P_{n+1}+{\mathrm{\ΔP}}_{n+1}=P_n+{\mathrm{\ΔP}}_n+{\mathrm{\ΔP}}_{n+1}=P_n+{\mathrm{\Σ}}_{k=n}^{n+1}{P}_k.$ 同样地， $P_{n+i}=P_n+{\mathrm{\Σ}}_{k=n}^{n+i-1}{P}_k.$

代入 $P_n=P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^{n-1}{P}_k$ 得 $P_{n+i}=P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^{N+I-1}{P}_k.$

[0019]因此，上述负荷预测模型可以改写为ΔP_k的函数：

$P_{n+i}=f_i(P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N-1}^{n-1}{\mathrm{\ΔP}}_k,P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^{n-1}{\mathrm{\ΔP}}_k,\·\·\·,P_{n-N+1},n)$

$=g_i(P_{n-N+1},{\mathrm{\ΔP}}_{n-N+1},\·\·\·,{\mathrm{\ΔP}}_{n-1},n)$

[0020]然而，N的选择依赖于负荷动态的复杂性，可通过试错实验的方法以及任何可用的关于负荷动态的先验信息来确定。尽管如此，合理的是N可以赋值12，这是符合120分钟预测时间限度和ISO能量市场应用中5分钟时间步长的要求。利用这一选择，可以利用前60分钟的负荷值来预测下一60分钟的负荷值；利用刚刚获得的下一60分钟的负荷值来预测随后60分钟的负荷值，由此实现以5分钟为时间间隔的两小时负荷预测限度。

[0021]可以看到，在上述方程中，负荷动态随时间变化。然而，时变的影响在一整天内恰当分段并分别涵盖几个小时的任何一个个别时间段可以被忽略。换言之，负荷动力学被认为是随时间段不同而不同，同时与个别时段无关。从各种电力公用事业中记录的负荷形状观察，这近似是正确的。

[0022]因此，在自己的有效时间段内，负荷预测模型可以简化为如下：

P_n+1＝g_i(P_n-N+1，ΔP_n-N+1，…，ΔP_n-1)

其中，1≤i≤M

[0023]也就是，

$\mathrm{\Δ}{P}_{n+i-1}=g_i(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},...,\mathrm{\Δ}{P}_{n-1})-(P_{n-N+1}+{\mathrm{\Σ}}_{K=n-N+1}^{n+i-2}\mathrm{\Δ}{P}_k)$

[0024]定义

${\mathrm{\ψ}}_1=(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},...,\mathrm{\Δ}{P}_{n-1})=g_1(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},...,\mathrm{\Δ}{P}_{n-1})-(P_{n-N+1}+{\mathrm{\Σ}}_{K=n-N+1}^{n-1}\mathrm{\Δ}{P}_k$

[0025]当i＝1时得到下面的等式：

ΔP_n-i+1＝ψ_i(P_n-N+1，ΔP_n-N+1，…，ΔP_n-1)

[0026]当i＝2，我们得到

$\mathrm{\Δ}{P}_{n+1}=g_2(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})-(P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^n\mathrm{\Δ}{P}_k)$

$=g_2(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})-(P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^n{\mathrm{\ΔP}}_k)-\mathrm{\Δ}{P}_n$

$=g_2(P_{n-N+1},{\mathrm{\ΔP}}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})-(P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^n{\mathrm{\ΔP}}_k)-{\mathrm{\ψ}}_1(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})$

[0027]定义

${\mathrm{\ψ}}_2(P_{n-N+1},{\mathrm{\ΔP}}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})$

$=g_2(P_{n-N+1},{\mathrm{\ΔP}}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})-(P_{n-N+1}+{\mathrm{\Σ}}_{k=n-N+1}^n{\mathrm{\ΔP}}_k)-{\mathrm{\ψ}}_1(P_{n-N+1},\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})$

[0028]当i＝2时得到下面的等式：

ΔP_n-i+1＝ψ_i(P_n-N+1，ΔP_n-N+1，…，ΔP_n-1)

[0029]通过重复上述步骤，并定义适当的函数

ψ_i(P_n-N+1，ΔP_n-N+1，...，ΔP_n-1)其中i＝3，...，M，我们得到下列关系式：

ΔP_n-i+1＝ψ_i(P_n-N+1，ΔP_n-N+1，...，ΔP_n-1)

其中，1≤i≤M

[0030]可以看出，当N足够大，P_n-N+1与P_n+i-1之间的关系随着n和i的增加而减弱。

当这种关系变得弱到可以被忽略时，上述公式可以简化如下：

ΔP_n-i+1＝ψ_i(ΔP_n-N+1，...，ΔP_n-1)

其中，1≤i≤M

[0031]以矢量形式重写上式如下：

$\left[\begin{array}{c}\mathrm{\Δ}{P}_n\\ \mathrm{\Δ}{P}_{n+1}\\ \·\·\·\\ \mathrm{\Δ}{P}_{n+M-1}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\ψ}}_1(\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})\\ {\mathrm{\ψ}}_2(\mathrm{\Δ}{P}_{n-N+1},\·\·\·,{\mathrm{\ΔP}}_{n-1})\\ \·\·\·\\ {\mathrm{\ψ}}_M(\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})\end{array}\right]=\left[\begin{array}{c}{\mathrm{\ψ}}_1\\ {\mathrm{\ψ}}_2\\ \·\·\·\\ {\mathrm{\ψ}}_M\end{array}\right](\mathrm{\Δ}{P}_{n-N+1},\·\·\·,\mathrm{\Δ}{P}_{n-1})$

[0032]由于函数Ψ₁的确切形式是未知，随着历史负荷数据可得，可以训练具有适当阶层的前馈神经网络来近似这种函数。众所周知，神经网络有以任意小的正误差逼近定义在紧支持上的任意连续函数的能力。尽管ΔP_k的精确范围不能明确知道，实践中通常假设所有负荷增量都是有限的。换言之，对函数Ψ₁的支持是紧密的假设是合理的。

[0033]因此，在一个任意小的正误差下，存在着可以近似上述关系的神经网络：

$\left[\begin{array}{c}{\mathrm{\ΔP}}_n\\ {\mathrm{\ΔP}}_{n+1}\\ \·\·\·\\ \mathrm{\Δ}{P}_{n+M-1}\end{array}\right]=\mathrm{NN}({\mathrm{\ΔP}}_{n-N+1},...,{\mathrm{\ΔP}}_{n-1};\mathrm{\Θ})$

其中，Θ是一个含相邻阶层之间权重和所有隐藏神经元偏差的参数向量，并按照未来时刻的计算值和实际值之间的差距在性能指数方面被最小化的方式受到调谐。神经网络利用历史负荷数据被离线训练。神经网络训练和验证完成后，它们可以在线使用。

[0034]图2为使用在线负荷预测来训练离线神经网络的流程图。更具体地说，这一过程利用负荷增量，适当的数据前处理和后处理，以及常规的短期负荷预测。虽然这一过程以每5分钟以及实时或近实时地执行一个循环为例说明，但这一过程可以在其他任何时间间隔和频率下执行。

[0035]下面介绍离线神经网络训练的方法。

在步骤201，筛选用于训练神经网络的以5分钟为时间间隔的负荷数据。这个筛选过程根据预先指定的选择标准检索历史数据。这种筛选器可设计为h(t)的形式，其拉普拉斯变换函数为 $H\left(s\right)=\frac{1}{1+\mathrm{\τs}},$ 其中τ指定为30分钟。令p_k ^h表示筛选后的负荷数据。于是，

$p_k^h=\frac{1}{1+\mathrm{\τ}/T}{p}_{k-1}^h+\frac{\mathrm{\τ}/T}{1+\mathrm{\τ}/T}{p}_k=\frac{1}{7}{p}_{k-1}^h+\frac{6}{7}{p}_k,$ 其中，T为5分钟。

[0036]在步骤202中，从筛选后的负荷数据中形成负荷增量。数学形式： $\mathrm{\Δ}{P}_n^h=P_{n+1}^h-p_n^h.$ 如果负荷数据来自不同的数据源，则负荷增量的符号同样需要确定这一点。这就是， $\mathrm{\Δ}{P}_{n,\mathrm{\Δ}{c}_j}^h=P_{n+1,\mathrm{\Δ}{c}_j}^h-P_{n,\mathrm{\Δ}{c}_j}^h,$ 其中， $c_j=\{n/P_{n,c_j}^h\}$ 和 $\mathrm{\Δ}{c}_j=\{n/P_{n,\mathrm{\Δ}{c}_j}^h\},$ 下角标j表示对应各自的最佳匹配数据的不同负荷数据源的下标。

[0037]在步骤203，负荷增量标准化。分别利用来自相应数据源的增量数据的均值m{ΔC_j }和标准方差σ{ΔC_j}使负荷增量标准化。用数学形式表达，

$q_n=\stackrel{\‾}{\mathrm{\Δ}{P}_{n,\mathrm{\Δ}{c}_j}^h}=\frac{\mathrm{\Δ}{P}_{n,\mathrm{\Δ}{c}_j}^h-m\left\{{\mathrm{\Δc}}_j\right\}}{\mathrm{\σ}\left\{{\mathrm{\Δc}}_j\right\}}.$

[0038]在步骤204中，运用具有瞬时项的梯度降落法和该方法使用前在步骤3得到的数据实现神经网络的训练。训练结束时，下列关系

$\left[\begin{array}{c}{\hat{q}}_n^{\mathrm{off}}\\ {\hat{q}}_{n+1}^{\mathrm{off}}\\ ...\\ {\hat{q}}_{n+M-1}^{\mathrm{off}}\end{array}\right]={\mathrm{NN}}_{\mathrm{off}}(q_{n-N+1},...q_{n-1},;{\mathrm{\Θ}}_{\mathrm{off}}^{*}).$ 以最优的Θ_off ^*得到实现(如果不能全局最优的话可达到局部最优)。步骤1至4代表离线神经网络训练。其余步骤代表基于离线神经网络训练的在线负荷预测。

[0039]在步骤205中，加载神经网络参数，为当前时间段([00:05，04:00]，[04；05，08:00]，[08:05，12:00]，[12:05，16:00]，[16:05，20:00]，[20:05，24:00]其中之一)建立在线预测神经网络。

[0040]在步骤206中，加载对应于当前4个小时的时间段的传统短期负荷预测。计算出当前时间段的平均负荷。

[0041]在步骤207中，加载由离线神经网络训练计算出的最佳匹配数据的标准方差。

[0042]在步骤208中，加载前1小时的负荷值，并将他们传到步骤201中使用的低通滤波器中。从滤波后的负荷数据中形成负荷增量。

[0043]在步骤209中，用步骤207和208确定的参数将数据标准化。

[0044]在步骤210中，将标准化数据传到受过训练的神经网络，并计算出下一小时的预测值。

[0045]在步骤211中，将计算出的下一小时的预测值传到同一个受过训练的神经网络。计算出下个小时的预测值。

[0046]在步骤212中，将步骤210、211计算出的下两个小时的预测值去标准化。

[0047]在步骤213中，将步骤212得到的去标准化值转换为绝对负荷量，从而计算下两小时的预测负荷值。

[0048]在步骤214中，当传统的每小时(或每半小时)短期负荷预测被认为满足预报精度要求时，调整在步骤213得到的负荷预测，使其满足由当前小时和下两个小时的短期负荷预测得到的每小时能量。

[0049]当实际负荷表现出离线神经网络训练中未曾用到的负荷模式时，基于离线神经网络训练的在线负荷预测体制不能对该未学习的负荷模式做出精确的负荷预测。需要引进一个机制来解决这一问题。这也是需要在线神经网络训练的原因。

[0050]基于在线神经网络训练的负荷预测机制始于在线神经网络训练。对于在线神经网络训练，由离线神经网络训练中得到的参数值对神经网络进行初始化。前两个小时的实际负荷数据用来调节神经网络参数，使测量距离的性能指标在一定意义上介于神经网络的目标数据与实际输出数据之间。

[0051]如图3所示的流程图显示了如何利用在线负荷预测来训练在线神经网络。该过程使用了负荷增量，适当的数据预处理和后处理，以及传统的短期负荷预测。虽然这一过程具体体现在每5分钟以及实时或近实时地执行循环的过程中，但它可以在任何其它时间间隔和频率下执行。

[0052]下面介绍在线神经网络训练方法。在步骤301，加载从离线神经网络训练得到的神经网络参数，并为当前时段([00:05，04:00]，[04:05，08:00]，[08:05，12:00]，[12:05，16:00]，[16:05，20:00]，[20:05，24:00]之一)的在线训练建立神经网络。[0053]在步骤302，筛选以5分钟为时间间隔得到的负荷数据来训练神经网络。这个筛选过程根据预指定的选择标准检索历史数据。筛选器可以设计成h(t)的形式，其拉普拉斯变换函数表示为 $H\left(s\right)=\frac{1}{1+\mathrm{\τs}},$ 其中τ为30分钟。令P_k ^h表示筛选后的负荷数据。于是， $p_k^h=\frac{1}{1+\mathrm{\τ}/t}{p}_{k-1}^h+\frac{\mathrm{\τ}/T}{1+\mathrm{\τ}/T}{p}_k=\frac{1}{7}{p}_{k-1}^h+\frac{6}{7}{p}_k,$ 其中T为5分钟。在线神经网络中使用的负荷数据包括前两个小时中以五分钟为时间间隔的负荷数据。

[0054]在步骤303中，从筛选后的负荷数据中形成负荷增量。数学表达为 $\mathrm{\Δ}{P}_n^h=P_{n+1}^h-P_n^h.$

[0055]在步骤304中，加载对应于当前4个小时的时间段的传统短期负荷预测。计算出当前时间段的平均负荷。

[0056]在步骤305中，加载由离线神经网络训练计算出的最佳匹配数据的标准方差。

[0057]在步骤306中，标准化负荷增量。负荷增量的标准化是使用来自于步骤304和305中的增量数据的均值m和标准方差σ。

数学公式表达为： $q_n=\stackrel{\‾}{{\mathrm{\ΔP}}_n^h}=\frac{\mathrm{\Δ}{P}_n^h-m}{\mathrm{\σ}}$

[0058]在步骤307中，采用共轭梯度优化方法，使用在其使用之前在步骤306获得的数据，执行神经网络训练。在训练结尾，具有最佳Θ_on ^*(如果不是全局最佳则是局部最佳)的下列关系被实现

$\left[\begin{array}{c}{\hat{q}}_n^{\mathrm{on}}\\ {\hat{q}}_{n+1}^{\mathrm{on}}\\ ...\\ {\hat{q}}_{n+M-1}^{\mathrm{on}}\end{array}\right]={\mathrm{NN}}_{\mathrm{on}}(q_{n-N+1},...q_{n-1},;{\mathrm{\Θ}}_{\mathrm{on}}^{*}).$ 步骤301到307代表了在线的神经网络训练，

其他过程代表了基于在线神经网络训练的在线负荷预测。

[0059]在步骤308中，加载前一小时的负荷值，像步骤301中使用的那样将它们提供给低通滤波器，并从滤波后的负荷数据中计算负荷增量。

[0060]在步骤309中，就像在步骤306中那样利用304和305步骤中确定的参数执行数据的标准化。

[0061]在步骤310中，将标准化的数据送到训练过的神经网络中，并计算出下一个小时的预测值。

[0062]在步骤311中，将为下一小时计算的预测值输入到同样受过训练的神经网络中并计算出随后一小时的预测值。

[0063]在步骤312中，可以通过反转标准化运算过程，使在步骤310和311中计算出来的下两个小时的预测值去标准化。

[0064]在步骤313中，可以通过将在步骤312中获得的去标准化的数据转换成绝对负荷量的办法来计算下两个小时的负荷预测值。

[0065]在步骤314中，当传统的每小时(或是半小时)的短期负荷预测被认为是符合预测精度要求时，调整在步骤313中获得的负荷预测以满足从当前小时和紧接着的两个小时的短期负荷预测中得到的每小时能量。当通过以离线神网络训练为基础的在线预测方案和以在线神经网络训练为基础的预测方案进行的负荷预测变得可用时，就引入一种机制以通过结合利用两种不同方式得到的预测结果而最终确定负荷预测。这种机制如下：

[0066]图4所示的流程图显示了使用来自训练过的在线和离线神经网络的在线负荷预测来最终确定负荷预测。该过程组合了基于离线和在线训练的预测方案所获得的预测结果。尽管该过程是以每5分钟和实时或近实时地执行循环的实施例示出，这个过程还可以在其它任何时间跨度和频率下执行。

[0067]在步骤401中，用户选择其中的一种预测方案以最终确定负荷预测，即基于离线训练的预测方案，基于在线训练的预测方案，基于手工输入的预测方案，以及基于自动组合的预测方案。

[0068]在步骤402中，如果使用者选择下列选择中的一个，即基于离线训练的预测方案，基于在线训练的预测方案，或基于手工输入的预测方案，则最后的预测就会由下列方程给出：

$\left[\begin{array}{c}{\hat{q}}_n\\ {\hat{q}}_{n+1}\\ ...\\ {\hat{q}}_{n+M-1}\end{array}\right]=\mathrm{Diag}\left\{{\mathrm{\λ}}_1,{\mathrm{\λ}}_2,...,{\mathrm{\λ}}_N\right\}{\mathrm{NN}}_{\mathrm{off}}(q_{n-N+1},...q_{n-1};{\mathrm{\Θ}}_{\mathrm{off}}^{*})+{(I-\mathrm{Diag}\{{\mathrm{\λ}}_1,{\mathrm{\λ}}_2,...,{\mathrm{\λ}}_N\left\}\right)\mathrm{NN}}_{\mathrm{off}}(q_{n-N+1},...q_{n-1},;{\mathrm{\Θ}}_{\mathrm{off}}^{*})$

这里，Diag{λ₁，λ₂，...，λ_N}是一个对角化的矩阵，I是一个归一化的矩阵。当基于离线训练的预测方案被选择时，所有的λ_l都为1；当基于在线训练的预测方案被选择时，所有的λ_l都是0；当基于手工输入的预测方案被选择时，所有的λ_l都是手工输入的值。

[0069]在步骤403中，如果使用者选择基于自动组合的预测方案，λ_i就将由基于离线训练的预测方案和基于在线训练的预测方案的性能统计数据来计算。每个λ_i都如下这样被计算：

[0070]对于基于离线训练的预测方案，我们保持初始值为零的计数器。每五分钟执行一次循环，将以离线训练为基础的预测结果与实际负荷比较，如果任何预测结果在对应实际负荷的期望预测精度内，则计数器增加1；对基于在线训练的预测结果做同样的工作。这两台计数器保持连续。

[0071]对于当前的五分钟间隔，检查这两台计数器的值。我们通过N_off ⁱ和N_on ⁱ分别指出基于离线训练的预测方案和基于在线训练的预测方案在计数器中的值。λ_i通过 ${\mathrm{\λ}}_i=\frac{N_{\mathrm{off}}^i}{N_{\mathrm{off}}^i+N_{\mathrm{on}}^i}$ 给出。

[0072]统计数据N_off ⁱ和N_on ⁱ以每时间段为基础(每天六个不同的四小时时间段)保持。

[0073]当N_off ⁱ和N_on ⁱ足够大时，如果对于每一个时间间隔，基于离线训练的预测方案和基于在线训练的预测方案中的至少一个的执行可接受时，λ_i就代表了基于离线训练的预测方案在预测范围的第i个五分钟时间间隔的执行可接受的概率。这个结果代表了基于神经网络的预测结果的期望。当λ_i仍然用上面的方程计算时，如果对于大量的时间间隔基于离线训练的预测方案和基于在线训练的预测方案的执行哪一个也不能被接受，就会产生合并结果偏离并超出可接受范围的不为零的概率。

[0074]通过以下的方程确定预测结果：

$\left[\begin{array}{c}{\hat{q}}_n\\ {\hat{q}}_{n+1}\\ ...\\ {\hat{q}}_{n+M-1}\end{array}\right]=\mathrm{Diag}\left\{{\mathrm{\λ}}_1,{\mathrm{\λ}}_2,...,{\mathrm{\λ}}_N\right\}{\mathrm{NN}}_{\mathrm{off}}(q_{n-N+1},...q_{n-1};{\mathrm{\Θ}}_{\mathrm{off}}^{*})+{(I-\mathrm{Diag}\{{\mathrm{\λ}}_1,{\mathrm{\λ}}_2,...,{\mathrm{\λ}}_N\left\}\right)\mathrm{NN}}_{\mathrm{off}}(q_{n-N+1},...q_{n-1},;{\mathrm{\Θ}}_{\mathrm{off}}^{*})$

[0075]在步骤404中，将为下一小时计算的预测值输入到同一个训练过的神经网络。为接下来的小时计算预测结果。

[0076]在步骤405中，通过执行标准化运算的反过程来使接下来的两小时的预测值去标准化。

[0077]在步骤406中，通过将去标准化的数据转换成绝对负荷量来为接下来的两个小时计算预测的负荷值，也就是寻找负荷增量的反过程。

[0078]在步骤407中，当传统的每小时(或半小时)的短期负荷预测被认为是符合预测精度要求时，调整在407过程中获得的负荷预测以满足从当前小时和紧接着的两个小时的短期负荷预测中得到的每小时能量。

[0079]虽然参照这里的实施例特别显示和描述了所述的发明方法和系统，对于那些本领域技术人员来说，不脱离本发明的精神和范围，可以在形式和细节上做各种改变。

Claims (21)

1.一种电力系统中的能量管理方法，包括步骤：

用负荷数据训练离线神经网络；

用第一组在线预测的负荷值来训练离线神经网络；

用第一组在线预测的负荷值来预测第二组预测的负荷值；

用负荷数据训练在线神经网络；

用第三组在线预测的负荷值训练在线神经网络；

用第三组在线预测的负荷值来预测第四组在线预测的负荷值；

将第二组预测的负荷值与实际的负荷值相比较，如果第二组预测的负荷值与实际的负荷值之间的差异在可接受的范围内就增加第一计数器。

将第四组预测的负荷值与实际的负荷值相比较，如果第四组预测的负荷值与实际的负荷值之间的差异在可接受的范围内就增加第二计数器；并且

基于第一和第二计数器的值计算最终的负荷预测值。

2、如权利要求1的方法，进一步包含了比较第一和第二计数器的值的步骤，如果第一计数器的值大于第二计数器的值，就在在线神经网络上选择离线负荷预测方案；如果第二计数器的值大于第一计数器的值，就在在线神经网络上选择在线负荷预测方案。

3、如权利要求1的方法，其中训练离线神经网络的步骤包含计算负荷数据之间的负荷增量，和用负荷增量来训练离线神经网络的步骤。

4、如权利要求3的方法，其中训练离线神经网络的步骤包含对负荷增量标准化和利用标准化的负荷增量来训练离线神经网络的步骤。

5、如权利要求4的方法，其中利用负荷增量来训练离线神经网络的步骤包含利用负荷增量来计算第一组在线预测的负荷值的步骤。

6、如权利要求4的方法，其中对负荷增量标准化的步骤包含使用与在离线神经网络训练中计算的最佳匹配数据之间的标准偏差的步骤。

7、如权利要求1的方法，其中训练在线神经网络的步骤包含计算负荷数据间的负荷增量和利用负荷增量来训练在线神经网络的步骤。

8、如权利要求7的方法，其中训练在线神经网络的步骤包含使负荷增量标准化和使用标准化的负荷增量来训练在线神经网络的步骤。

9、如权利要求8的方法，其中使用负荷增量来训练在线神经网络的步骤包含使用负荷增量来计算第三组在线预测的负荷值的步骤。

10、如权利要求8的方法，其中使负荷增量标准化的步骤包含使用与在在线神经网络训练中计算的最佳匹配数据之间的标准偏差的步骤。

11、如权利要求10的方法，进一步包含使用梯度优化来训练在线神经网络的步骤。

12、如权利要求6的方法，进一步包含使用梯度优化来训练离线神经网络的步骤。

13、如权利要求2的方法，其中计算最后的负荷预测值的步骤包含分别对基于在线神经网络训练的在线预测的负荷值和基于离线网络训练的离线预测的负荷值产生精确度概率，其中相应的概率通过计算精确预测对精确预测总数的比例而产生。

14、如权利要求13的方法，进一步包含比较产生的概率和用最高的概率来选择负荷预测方案。

15、一种具有在其上存储了指令的计算机可读介质，当该指令被处理器执行时，使得该处理器执行步骤：

用负荷数据训练离线神经网络；

用第一组在线预测的负荷值来训练离线神经网络；

用第一组在线预测的负荷值来预测第二组预测的负荷值；

用负荷数据训练在线神经网络；

用第三组在线预测的负荷值训练在线神经网络；

用第三组在线预测的负荷值来预测第四组在线预测的负荷值；

将第二组预测的负荷值与实际的负荷值相比较，如果第二组预测的负荷值与实际的负荷值之间的差异在可接受的范围内就增加第一计数器。

将第四组预测的负荷值与实际的负荷值相比较，如果第四组预测的负荷值与实际的负荷值之间的差异在可接受的范围内就增加第二计数器；并且

基于第一和第二计数器的值计算最终的负荷预测值。

16、一种在电力系统的能量管理系统中预测负荷的系统，包含：

执行能量管理应用的处理器；

与处理器通信的离线神经网络；

与处理器和离线神经网络通信的在线神经网络；

用来储存当前负荷值、历史负荷值、预测的负荷值并且可以通过处理器访问的负荷数据库；

与处理器、离线神经网络和负荷数据库通信的在线负荷预测模块；

与在线神经网络和离线神经网络通信的神经网络训练模块；

用来选择负荷预测方案的判定算法模块；

用来与处理器通信以储存能量相关数据的存储器；及

用来执行能量管理功能的能量管理模块，包括，

用负荷数据训练离线神经网络；

用第一组在线预测的负荷值来训练离线神经网络；

用第一组在线预测的负荷值来预测第二组预测的负荷值；

用负荷数据训练在线神经网络；

用第三组在线预测的负荷值训练在线神经网络；

用第三组在线预测的负荷值来预测第四组在线预测的负荷值；

将第二组预测的负荷值与实际的负荷值相比较，如果第二组预测的负荷值与实际的负荷值之间的差异在可接受的范围内就增加第一计数器。

将第四组预测的负荷值与实际的负荷值相比较，如果第四组预测的负荷值与实际的负荷值之间的差异在可接受的范围内就增加第二计数器；并且

基于第一和第二计数器的值计算最终的负荷预测值。

17、如权利要求16的系统，其中能量管理功能还包含对第一计数器和第二计数器的值的比较，如果第一计数器的值大于第二计数器的值，就在在线神经网络上选择离线负荷预测方案；如果第二计数器的值大于第一计数器的值，就在在线神经网络上选择在线负荷预测方案。

18、如权利要求17的系统，其中计算最终预测的负荷值的步骤包含分别对基于在线神经网络训练的在线预测的负荷值和基于离线网络训练的离线预测的负荷值产生精确度概率，其中相应的概率通过计算精确预测对精确预测总数的比例而产生。

19、如权利要求16的系统，其中训练离线神经网络和在线神经网络的步骤包含计算负荷数据之间的负荷增量，及用负荷增量来训练离线神经网络和在线神经网络的步骤。

20、如权利要求19的系统，其中训练离线神经网络和在线神经网络的步骤包含使负荷增量标准化和使用标准化的负荷增量来训练离线神经网络和在线神经网络的步骤。

21、如权利要求20的系统，其中使负荷增量标准化的步骤包含使用与在离线神经网络训练中计算得到的最佳匹配数据之间的标准偏差的步骤。

Images