CN103593718A - 一种负荷组合预测方法及装置 - Google Patents

Abstract

本发明公开了一种负荷组合预测方法及装置，在该方法中，通过获取预设的不同单一预测模型的初始预测值，初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值，以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；通过综合利用不同的单一预测模型进行负荷预测，来弥补仅利用单一预测模型进行负荷预测的不足，提高了预测负荷数据的精度。

Description

一种负荷组合预测方法及装置

技术领域

本发明涉及电力系统负荷预测的技术领域，更具体的说是涉及一种负荷组合预测方法及装置。

背景技术

电力系统的负荷预测是电力系统规划与运行的基础，是电力市场运作中的重要组成部分，其中，负荷预测的精度直接关系到各方利益。

而目前负荷预测的方法通常采用单模型的预测方法，例如，变差分析模型、年度分解模型、时间序列分析方法模型、计量经济方法模型等等，但是上述单一模型的预测方法通常仅考虑单一方面的因素，预测精度较低。

例如，时间序列分析方法模型针对的是电力系统中短期负荷预测，具体过程为，根据负荷的历史数据，建立描述电力负荷随时间变化的数学模型，在该数学模型中确定符合预测的表达式，进而进行负荷预测；但是，该方法对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期预测，而当影响负荷变化的因素（比如天气、节假日等）发生较大变化时，该预测方法预测误差较大。

因此，如何综合利用各种方法提供的信息，来提高预测的精度，是本领域的技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明提供一种负荷组合预测方法及装置，以解决现有技术中仅利用单一预测模型进行负荷预测，预测误差大的问题。

为实现上述目的，本发明提供如下技术方案：

一种负荷组合预测方法，该方法包括：

获取预设的不同单一预测模型的初始预测值；

初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

所述第一计算公式为： $h_p=f_{\mathrm{hp}}(\underset{r}{\mathrm{\Σ}}{V}_{\mathrm{pr}}{f}_r-{\mathrm{\Θ}}_p);$

所述第二计算公式为： $\hat{y}=f_o(\underset{p}{\mathrm{\Σ}}{W}_p{h}_p-\mathrm{\Φ});$

其中：f_r为所述初始预测值；

为所述实际预测值；

$f_{\mathrm{hp}}\left(x\right)=\frac{1}{1+\exp (-x)};f_o\left(x\right)=x;$

V_pr为第一权值；Θ_p为第一阈值；W_p为第二权值；Φ为第二阈值；

p=1,2，…，L；L为预设数值；r=1,2，…，N；N为所述单一预测模型的个数。

优选的，该方法还包括：

获取与所述初始预测值对应的真实负荷值；

计算所述实际预测值与所述真实负荷值的差值；

判断所述差值与预设误差精度的大小，若所述差值小于等于所述预测误差精度，则确定所述差值小于等于所述预测误差精度的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述差值小于等于所述预测误差精度的情况下所对应的第二权值为所述第二计算公式的实际权值；

确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

若所述差值大于所述预测误差精度，则利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值，并返回所述以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值的步骤，直至所述实际预测值小于等于所述预测误差精度；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

优选的，该方法还包括：

获取与所述初始预测值对应的真实负荷值；

利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值；

统计修正次数，并判断所述修正次数与预设次数的大小；

若所述修正次数大于等于所述预设次数，则确定所述修正次数大于等于所述预设次数的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述修正次数大于等于所述预设次数的情况下所对应的第二权值为所述第二计算公式的实际权值；

确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

若所述修正次数小于所述预设次数，则返回所述以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式求出实际预测值的步骤，直至所述修正次数大于等于所述预设次数；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

优选的，所述单一预测模型包括：变差分析模型、年度分解模型、周期傅立叶分析法模型、时间序列分析方法模型以及计量经济法模型。

优选的，该方法还包括：

利用所述初始预测值、所述第一计算公式的计算值、以及所述实际预测值构建神经网络结构模型；其中，所述神经网络结构模型包括输入层神经元、与所述输入层神经元相连的隐层神经元以及与所述隐层神经元相连的输出层神经元，所述初始预测值为所述神经网络结构模型的输入层神经元，所述第一计算公式的计算值为所述神经网络结构模型的隐层神经元，所述实际预测值为所述输出层神经元。

一种负荷组合预测装置，该装置包括：

第一获取单元，用于获取预设的不同单一预测模型的初始预测值；

初始化单元，用于初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

第一计算单元，用于以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

所述第一计算公式为： $h_p=f_{\mathrm{hp}}(\underset{r}{\mathrm{\Σ}}{V}_{\mathrm{pr}}{f}_r-{\mathrm{\Θ}}_p);$

所述第二计算公式为： $\hat{y}=f_o(\underset{p}{\mathrm{\Σ}}{W}_p{h}_p-\mathrm{\Φ});$

其中：f_r为所述初始预测值；

为所述实际预测值；

$f_{\mathrm{hp}}\left(x\right)=\frac{1}{1+\exp (-x)};f_o\left(x\right)=x;$

V_pr为第一权值；Θ_p为第一阈值；W_p为第二权值；Φ为第二阈值；

p=1,2，…，L；L为预设数值；r=1,2，…，N；N为所述单一预测模型的个数。

优选的，该装置还包括：

第二获取单元，用于获取与所述初始预测值对应的真实负荷值；

第二计算单元，用于计算所述实际预测值与所述真实负荷值的差值；

第一判断单元，判断所述差值与预设误差精度的大小；

第一确定单元，用于当所述差值小于等于所述预测误差精度时，确定所述差值小于等于所述预测误差精度的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述差值小于等于所述预测误差精度的情况下所对应的第二权值为所述第二计算公式的实际权值；

第二确定单元，用于确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

第一修正触发单元，用于当所述差值大于所述预测误差精度时，利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值，并触发所述第一计算单元；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

优选的，该装置还包括：

第三获取单元，用于获取与所述初始预测值对应的真实负荷值；

第二修正单元，用于利用第一修正公式修正所述第一权值，利用所述第二修正公式修正所述第二权值；

统计判断单元，用于统计修正次数，并判断所述修正次数与预设次数的大小；

第三确定单元，用于当所述修正次数大于等于所述预设次数时，确定所述修正次数大于等于所述预设次数的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述修正次数大于等于所述预设次数的情况下所对应的第二权值为所述第二计算公式的实际权值；

第四确定单元，用于确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

第一触发单元，用于当所述修正次数小于所述预设次数时，触发所述第一计算单元；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

优选的，所述单一预测模型包括：变差分析模型、年度分解模型、周期傅立叶分析法模型、时间序列分析方法模型以及计量经济法模型。

优选的，该装置还包括：

构建模型单元，用于利用所述初始预测值、所述第一计算公式的计算值、以及所述实际预测值构建神经网络结构模型；

其中，所述神经网络结构模型包括输入层神经元、与所述输入层神经元相连的隐层神经元以及与所述隐层神经元相连的输出层神经元，所述初始预测值为所述神经网络结构模型的输入层神经元，所述第一计算公式的计算值为所述神经网络结构模型的隐层神经元，所述实际预测值为所述输出层神经元。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种负荷组合预测方法及装置，在该方法中，通过获取预设的不同单一预测模型的初始预测值，初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值，以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；通过综合利用不同的单一预测模型来进行负荷预测，来弥补仅利用单一预测模型进行负荷预测的不足，提高了预测负荷数据的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种负荷组合预测方法的流程示意图；

图2为本发明实施例提供的一种负荷组合预测方法的流程示意图；

图3为本发明实施例提供的一种负荷组合预测方法的流程示意图；

图4为本发明实施例提供的神经网络结构模型；

图5为本发明实施例提供的一种负荷组合预测装置的结构示意图；

图6为本发明实施例提供的一种负荷组合预测装置的结构示意图；

图7为本发明实施例提供的一种负荷组合预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种负荷组合预测方法，如图1所示，该方法可以包括：

步骤101：获取预设的不同单一预测模型的初始预测值；

其中，电力系统中的单一预测模型有多种，如变差分析模型、年度分解模型、周期傅立叶分析法模型、时间序列分析方法模型、计量经济法模型等等；

本发明中，可以预设不同的单一预测模型，并将原始负荷数据代入预设的不同的单一预测模型，来获取与不同单一预测模型对应的初始预测值；

需要说明的是，具体的单一预测模型可以根据实际情况进行预设，在此不作限定；且上述单一预测模型均为现有预测方法的模型，具体的预测过程在此不再一一赘述。

步骤102：初始化第一计算公式中的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

步骤103：以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值。

第一计算公式为： $h_p=f_{\mathrm{hp}}(\underset{r}{\mathrm{\Σ}}{V}_{\mathrm{pr}}{f}_r-{\mathrm{\Θ}}_p);$

第二计算公式为： $\hat{y}=f_o(\underset{p}{\mathrm{\Σ}}{W}_p{h}_p-\mathrm{\Φ});$

其中，r=1,2，…，N；N为单一预测模型的个数，与预测的单一预测模型的个数相等；p=1,2，…，L；L为预设数值，该预设数值可根据实际情况进行设定，在此不作限定，优选的，可以由设计者根据实际经验和多次试验来确定。

①、f_r为初始预测值；

其中，f_r对应N个初始预测值，分别为f₁，f₂，…，f_N；

$f_{\mathrm{hp}}\left(x\right)=\frac{1}{1+\exp (-x)},$ 为作用函数。

②、V_pr为第一权值；

其中，V_pr对应N×L个第一权值；初始化第一权值具体为，随机地分别为n×L个第一权值赋以【-1,1】范围内的任一数值；

例如，当N=2，L=2，相应的，r=1，2；p=1，2；那么，对应的第一权值有V₁₁，V₁₂，V₂₁，V₂₂；初始化第一权值则为：随机地分别为V₁₁，V₁₂，V₂₁，V₂₂赋以【-1,1】范围内的任一数值。

③、Θ_p为第一阈值；

其中，Θ_p对应L个第一阈值；初始化第一阈值具体为，随机的分别为L个第一阈值赋以【-1,1】范围内的任一数值；

例如，当L=2，相应的，p=1，2；那么，对应的第一阈值有Θ₁，Θ₂；初始化第一阈值则为：随机地分别为Θ₁，Θ₂赋以【-1,1】范围内的任一数值。

④、W_p为第二权值；

其中，W_p对应L个第二权值；初始换第二权值具体为，随机地分别为L个第二权值赋以【-1,1】范围内的任一数值；

例如，当L=2，相应的，p=1，2；那么，对应的第二权值有W₁，W₂；初始化第二权值则为：随机地分别为W₁，W₂赋以【-1,1】范围内的任一数值。

⑤、Φ为第二阈值；初始换第二阈值具体为，随机地为第二阈值赋以【-1,1】范围内的任一数值。

⑥、f_o(x)=x，为作用函数。

⑦、

为实际预测值，利用上述第一计算公式和第二计算公式，以初始预测值f_r为输入，最终能够求出实际预测值

在本实施例中，预先设定有多个单一预测模型，通过不同的单一预测模型对原始负荷数据进行预测，得到与单一预测模型对应的初始预测值，通过以初始预测值为输入，利用第一计算公式和第二计算公式计算可以求出实际预测值，在该方法中，综合利用不同的单一预测模型，弥补了单一预测模型的不足，提高了预测负荷数据的精度。

本发明还可以通过确定第一计算公式和第二计算公式的实际权值，来提高负荷数据的预测精度，如图2所示，为本发明一种组合预测方法的流程示意图；该方法可以包括：

步骤201：获取预设的不同单一预测模型的初始预测值；

需要说明的是，为了判断实际预测值的预测精度，可以先利用原始负荷数据通过预设的不同的单一预测模型来预测已知负荷值；当第一权值和第二权值确定后（后文详述），再通过单一预测模型来预测未知负荷值。

例如，设当前时间为1999年1月1日，利用1994年1月份、1995年1月份、1996年1月份以及1997年1月份的负荷数据，通过单一预测模型预测得到1998年1月份的初始预测值，而1998年1月具有已知负荷值；当第一权值和第二权值确定后（后文详述），再通过单一预测模型来预测1999年1月的未知负荷值。

步骤202：初始化第一计算公式中的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

步骤203：以所述初始预测值为输入，利用第一计算公式和第二计算公式计算求出实际预测值；

步骤204：获取与所述初始预测值对应的真实负荷值；

需要说明的是，真实负荷值为现有的已知负荷值，与通过单一预测模型预测出的初始预测值在时间上相对应。

例如，设当前时间为1999年1月1日，利用1994年1月份、1995年1月份、1996年1月份以及1997年1月份的负荷数据，通过不同的单一预测模型预测得到1998年1月份的初始预测值，那么，与初始预测值对应的真实负荷值应为1998年1月的已知负荷值。

步骤205：计算所述实际预测值与所述真实负荷值的差值；

步骤206：比较所述差值是否小于等于预设误差精度，当所述差值小于等于所述预设误差精度时，进入步骤207；当所述差值大于所述预测误差精度时，进入步骤209；

其中，该预设误差精度为判断实际预测值是否满足要求的标准，可以根据实际情况进行设定，在此不做限定；

当差值小于等于预设误差精度时，说明该情况下的实际预测值满足要求；当该差值大于预测误差精度时，说明该情况下的实际预测值不满足要求。

步骤207：确定所述差值小于等于所述预设误差精度的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述差值小于等于所述预设误差精度的情况下所对应的第二权值为所述第二计算公式的实际权值；

步骤208：确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

当差值小于等于预设误差精度的情况下时，对应有第一权值和第二权值，进而，将该情况下的第一权值为第一计算公式的实际权值，该情况下的第二权值为第二计算公式的实际权值，将初始化的第一阈值为第一计算公式的实际阈值，将初始化的第二阈值为第二计算公式的实际阈值；

相应的，当再次进行负荷预测时，则无需再次进行第一权值、第一阈值、第二权值以及第二阈值进行初始化，利用第一计算公式的实际权值和实际阈值以及第二计算公式的实际权值和实际阈值即可求出实际预测值。

步骤209：利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值，再次进入步骤203，直至所述实际预测值小于等于所述预测误差精度。

其中，利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值完成后，第一计算公式中的第一权值将变为修正后的第一权值、第二计算公式中的第二权值将变为修正后的第二权值；则再次以所述初始预测值为输入时，第一计算公式和第二计算公式的权值已变为修正后的权值。

所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

①、t为修正次数；第一次利用第一修正公式和第二修正公式对第一权值和第二权值进行修正时，t=1；第二次利用第一修正公式和第二修正公式对第一权值和第二权值进行修正时，t=2；以此类推。

②、

为第t次修正的时变学习率；

其中，

为2次循环学习之间误差超曲面的夹角，可利用现有的神经网络BP算法进行计算，在此不再详细表述计算过程；

ω为比例系数，为预设的值，其范围在【0.1，0.2】之间即可。

③、

y为所述真实负荷值；

为第（t-1）次修正所对应的实际预测值。

④、δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

其中，h_p(t-1)为第（t-1）次修正所对应的第一计算公式的计算值；

W_p(t-1)为第（t-1）次修正所对应的第二权值。

⑤、 ${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

为了便于理解，举例说明：

以第一次利用第一修正公式和第二修正公式对第一权值和第二权值进行修正为例进行说明；

当t=1时，

V_pr(2)=V_pr(1)+η_p(1)δ_r(1)f_r+α_p(1)·[V_pr(1)-V_pr(0)]；

W_p(2)=W_p(1)+η_p(1)δ(1)h_p(1)+α_p(1)·[W_p(1)-W_p(0)]；

其中：V_pr(0)以及V_pr(1)为初始化的第一权值，随机地为V_pr(0)和V_pr(1)赋以【-1,1】范围内的任一数值即可。

W_p(0)以及W_p(1)为初始化的第二权值，随机地为W_p(0)和W_p(1)赋以【-1,1】范围内的任一数值即可。

其中，η_p(0)为现有的神经网络BP算法中的参数，为预设的值。

δ_r(1)=h_p(0)(1-h_p(0))δ(1)W_p(0)，其中，h_p(0)为未修正时所对应的第一计算公式的计算值。

其中，为未修正时所对应的实际预测值。

α_p(1)=δ²(1)/δ²(1)；

基于上述参数和函数，相应的可以求出V_pr(2)和W_p(2)的值。

相应的，当第二次利用第一修正公式和第二修正公式对第一权值和第二权值进行修正时，利用上述参数即可求出V_pr(3)和W_p(3)，以此类推，即可进行第一权值和第二权值的修正。

在本实施例中，通过将差值与预设误差精度进行比较，来对第一权值和第二权值进行修正，最终确定出第一计算公式的实际权值和第二计算公式的实际权值，再次进行负荷预测时，无需随机选取第一权值、第一阈值、第二权值和第二阈值的值，进而提高了预测的精度。

本发明还提供了另一种修正第一权值和第二权值的实现方式，如图3所示，为本发明一种组合预测方法的流程示意图，该方法可以包括：

步骤301：获取预设的不同单一预测模型的初始预测值；

步骤302：初始化第一计算公式中的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

步骤303：以所述初始预测值为输入，利用第一计算公式和第二计算公式计算求出实际预测值；

步骤304：获取与所述初始预测值对应的真实负荷值；

步骤305：利用第一修正公式修正所述第一权值，利用所述第二修正公式修正所述第二权值；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

公式中各个参数的含义可参见上述实施例，在此不再一一赘述。

步骤306：统计修正次数，并判断所述修正次数是否大于等于预设次数，当所述修正次数大于等于所述预设次数时，进入步骤307；当所述修正次数小于所述预设次数时，进入步骤303；

其中，预设次数为预设的修正次数要求，可以根据实际情况进行设定，在此不做限定。

利用第一修正公式修正所述第一权值，利用所述第二修正公式修正所述第二权值后，第一计算公式中的第一权值将变为修正后的第一权值，第二计算公式中的第二权值将变为修正后的第二权值当当所述修正次数小于所述预设次数时，则再次以所述初始预测值为输入时，第一计算公式和第二计算公式的权值已变为修正后的权值。

步骤307：确定所述修正次数大于等于所述预设次数的情况下的第一权值为所述第一计算公式的实际权值，确定所述修正次数大于等于所述预设次数的情况下的第二权值为所述第二计算公式的实际权值；

步骤308：确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

相应的，当再次进行负荷预测时，则无需再次进行第一权值、第一阈值、第二权值以及第二阈值进行初始化，利用第一计算公式的实际权值和实际阈值以及第二计算公式的实际权值和实际阈值即可求出实际预测值。

在本实施例中，通过第一权值和第二权值进行修正，进而将修正次数与预设次数进行比较，最终确定出第一计算公式的实际权值和实际阈值和第二计算公式的实际权值和实际阈值，再次进行负荷预测时，无需随机选取第一权值、第一阈值、第二权值和第二阈值的值，进而提高了预测的精度。

本发明实施例还提供了一种负荷组合预测方法，与上述各个实施例的区别在于，该方法还包括：

利用所述初始预测值、所述第一计算公式的计算值、以及所述实际预测值构建神经网络结构模型；

具体的神经网络结构模型如图4所示，该神经网络结构模型包括：输入层神经元410、隐层神经元420以及输出层神经元430，其中：

隐层神经元420与所述输入层神经元410相连，输出层神经元430与隐层神经元410相连；

具体的，初始预测值为所述神经网络结构模型的输入层神经元，所述第一计算公式的计算值为所述神经网络结构模型的隐层神经元，所述实际预测值为所述输出层神经元。

下面以一个具体的实施例对本申请的组合预测方法进行说明，具体为：设某电网1994年1月～1999年6月的最大负荷如下表1所示：

表1

（1）、利用1994～1997年的负荷数据通过变差分析模型、年度分解模型以及周期傅立叶分析法模型分别对1998年以及1999年的负荷数据进行预测，得到相应的初始预测值；如下表2所示；

表2

（2）、利用本发明如图2所对应的实施例的方法来确定第一计算公式中的实际权值和实际阈值以及第二计算公式中的实际权值和实际阈值；

（3）、将表2中的单一预测模型的初始预测值代入确定了实际权值和实际阈值的第一计算公式和第二计算公式，即可求出相应的实际预测值；如下表3所示；

如将1998年1月份下变差分析模型的初始预测值1020.5、年度分解模型的初始预测值1059.6以及周期傅立叶分析法的初始预测值960.2代入第一计算公式和第二计算公式，即可求出1998年1月份的实际预测值1074.0；

表3

年份	1	2	3	4	5	6
							1998	1074.0	1055.7	1005.5	1065.7	985.8	1026.7
1999	1099.6	1099.9	1066.6	1109.6	1027.2	1073.4

（4）、将表3中实际预测值和表2中的初始预测值分别与表1中的真实负荷值进行比较可以看出，运用本发明的组合预测方法进行电力系统的负荷预测，比运用单一预测模型进行电力系统的负荷预测的预测精度高，弥补了单一预测方法的不足，本发明的组合预测方法中的算法比较简单，便于学习使用，可以有效的进行年、月、日、小时等任何时段的负荷预测。

本发明还公开了一种负荷组合预测的装置，如图5所示，该装置可以包括：第一获取单元501、初始化单元502以及第一计算单元503，其中：

第一获取单元501，可以用于获取预设的不同单一预测模型的初始预测值；

初始化单元502，可以用于初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

第一计算单元503，可以用于以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

所述第一计算公式为： $h_p=f_{\mathrm{hp}}(\underset{r}{\mathrm{\Σ}}{V}_{\mathrm{pr}}{f}_r-{\mathrm{\Θ}}_p);$

所述第二计算公式为： $\hat{y}=f_o(\underset{p}{\mathrm{\Σ}}{W}_p{h}_p-\mathrm{\Φ});$

其中：f_r为所述初始预测值；

为所述实际预测值；

$f_{\mathrm{hp}}\left(x\right)=\frac{1}{1+\exp (-x)};f_o\left(x\right)=x;$

V_pr为第一权值；Θ_p为第一阈值；W_p为第二权值；Φ为第二阈值；

p=1,2，…，L；L为预设数值；r=1,2，…，N；N为所述单一预测模型的个数。

本发明实施例还提供了一种负荷组合预测的装置，该装置可以包括：第一获取单元601、初始化单元602、第一计算单元603、第二获取单元604、第二计算单元605、第一判断单元606、第一确定单元607，第二确定单元608，第一修正触发单元609，其中：

第一获取单元601，可以用于获取预设的不同单一预测模型的初始预测值；

初始化单元602，可以用于初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

第一计算单元603，可以用于以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

第二获取单元604，用于获取与所述初始预测值对应的真实负荷值；

第二计算单元605，用于计算所述实际预测值与所述真实负荷值的差值；

第一判断单元606，判断所述差值与预设误差精度的大小；

第一确定单元607，用于当所述差值小于等于所述预测误差精度时，确定所述差值小于等于所述预测误差精度的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述差值小于等于所述预测误差精度的情况下所对应的第二权值为所述第二计算公式的实际权值；

第二确定单元608，用于确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

第一修正触发单元609，用于当所述差值大于所述预测误差精度时，利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值，并触发所述第一计算单元；使得所述第一计算单元再次以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；直至所述差值小于等于所述预测误差精度为止。

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

本发明实施例还提供了一种负荷组合预测的装置，如图7所示，该装置可以包括：第一获取单元701、初始化单元702、第一计算单元703、第三获取单元704、第二修正单元705、统计判断单元706、第三确定单元707、第四确定单元708以及第一触发单元709，其中：

第一获取单元701，可以用于获取预设的不同单一预测模型的初始预测值；

初始化单元702，可以用于初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

第一计算单元703，可以用于以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

第三获取单元704，用于获取与所述初始预测值对应的真实负荷值；

第二修正单元705，用于利用第一修正公式修正所述第一权值，利用所述第二修正公式修正所述第二权值；

统计判断单元706，用于统计修正次数，并判断所述修正次数与预设次数的大小；

第三确定单元707，用于当所述修正次数大于等于所述预设次数时，确定所述修正次数大于等于所述预设次数的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述修正次数大于等于所述预设次数的情况下所对应的第二权值为所述第二计算公式的实际权值；

第四确定单元708，用于确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

第一触发单元709，用于当所述修正次数小于所述预设次数时，触发所述第一计算单元；使得所述第一计算单元再次以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值，直至所述修正次数大于等于所述预测次数为止；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

其中，单一预测模型可以包括：变差分析模型、年度分解模型、周期傅立叶分析法模型、时间序列分析方法模型、计量经济法模型；

在本发明中，与以上各装置的所对应的实施例不同的是，该装置还可以包括：

构建模型单元，用于利用所述初始预测值、所述第一计算公式的计算值、以及所述实际预测值构建神经网络结构模型；

其中，所述神经网络结构模型包括输入层神经元、与所述输入层神经元相连的隐层神经元以及与所述隐层神经元相连的输出层神经元，所述初始预测值为所述神经网络结构模型的输入层神经元，所述第一计算公式的计算值为所述神经网络结构模型的隐层神经元，所述实际预测值为所述输出层神经元。

以上各个装置的具体实现方式可以参见说明书方法所对应的实施例，在此不再详细赘述。

以上各装置中，预先设定有多个单一预测模型，通过获取不同的单一预测模型的初始预测值，并以初始预测值为输入，利用第一计算公式和第二计算公式计算可以求出实际预测值，该装置综合利用不同的单一预测模型对负荷数据进行预测，弥补仅利用单一预测模型对负荷数据进行预测的不足，提高了预测负荷数据的精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种负荷组合预测方法，其特征在于，该方法包括：

获取预设的不同单一预测模型的初始预测值；

初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

所述第一计算公式为： $h_p=f_{\mathrm{hp}}(\underset{r}{\mathrm{\Σ}}{V}_{\mathrm{pr}}{f}_r-{\mathrm{\Θ}}_p);$

所述第二计算公式为： $\hat{y}=f_o(\underset{p}{\mathrm{\Σ}}{W}_p{h}_p-\mathrm{\Φ});$

其中：f_r为所述初始预测值；

为所述实际预测值；

$f_{\mathrm{hp}}\left(x\right)=\frac{1}{1+\exp (-x)};f_o\left(x\right)=x;$

V_pr为第一权值；Θ_p为第一阈值；W_p为第二权值；Φ为第二阈值；

p=1,2，…，L；L为预设数值；r=1,2，…，N；N为所述单一预测模型的个数。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

获取与所述初始预测值对应的真实负荷值；

计算所述实际预测值与所述真实负荷值的差值；

判断所述差值与预设误差精度的大小，若所述差值小于等于所述预测误差精度，则确定所述差值小于等于所述预测误差精度的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述差值小于等于所述预测误差精度的情况下所对应的第二权值为所述第二计算公式的实际权值；

确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

若所述差值大于所述预测误差精度，则利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值，并返回所述以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值的步骤，直至所述实际预测值小于等于所述预测误差精度；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

3.根据权利要求1所述的方法，其特征在于，该方法还包括：

获取与所述初始预测值对应的真实负荷值；

利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值；

统计修正次数，并判断所述修正次数与预设次数的大小；

若所述修正次数大于等于所述预设次数，则确定所述修正次数大于等于所述预设次数的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述修正次数大于等于所述预设次数的情况下所对应的第二权值为所述第二计算公式的实际权值；

确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

若所述修正次数小于所述预设次数，则返回所述以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式求出实际预测值的步骤，直至所述修正次数大于等于所述预设次数；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

4.根据权利要求1所述的方法，其特征在于，所述单一预测模型包括：变差分析模型、年度分解模型、周期傅立叶分析法模型、时间序列分析方法模型以及计量经济法模型。

5.根据权利要求1所述的方法，其特征在于，该方法还包括：

利用所述初始预测值、所述第一计算公式的计算值、以及所述实际预测值构建神经网络结构模型；其中，所述神经网络结构模型包括输入层神经元、与所述输入层神经元相连的隐层神经元以及与所述隐层神经元相连的输出层神经元，所述初始预测值为所述神经网络结构模型的输入层神经元，所述第一计算公式的计算值为所述神经网络结构模型的隐层神经元，所述实际预测值为所述输出层神经元。

6.一种负荷组合预测装置，其特征在于，该装置包括：

第一获取单元，用于获取预设的不同单一预测模型的初始预测值；

初始化单元，用于初始化第一计算公式的第一权值和第一阈值以及第二计算公式中的第二权值和第二阈值；

第一计算单元，用于以所述初始预测值为输入，利用所述第一计算公式和所述第二计算公式计算求出实际预测值；

所述第一计算公式为： $h_p=f_{\mathrm{hp}}(\underset{r}{\mathrm{\Σ}}{V}_{\mathrm{pr}}{f}_r-{\mathrm{\Θ}}_p);$

所述第二计算公式为： $\hat{y}=f_o(\underset{p}{\mathrm{\Σ}}{W}_p{h}_p-\mathrm{\Φ});$

其中：f_r为所述初始预测值；

为所述实际预测值；

$f_{\mathrm{hp}}\left(x\right)=\frac{1}{1+\exp (-x)};f_o\left(x\right)=x;$

V_pr为第一权值；Θ_p为第一阈值；W_p为第二权值；Φ为第二阈值；

p=1,2，…，L；L为预设数值；r=1,2，…，N；N为所述单一预测模型的个数。

7.根据权利要求6所述的装置，其特征在于，该装置还包括：

第二获取单元，用于获取与所述初始预测值对应的真实负荷值；

第二计算单元，用于计算所述实际预测值与所述真实负荷值的差值；

第一判断单元，判断所述差值与预设误差精度的大小；

第一确定单元，用于当所述差值小于等于所述预测误差精度时，确定所述差值小于等于所述预测误差精度的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述差值小于等于所述预测误差精度的情况下所对应的第二权值为所述第二计算公式的实际权值；

第二确定单元，用于确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

第一修正触发单元，用于当所述差值大于所述预测误差精度时，利用第一修正公式修正所述第一计算公式中的第一权值，利用所述第二修正公式修正所述第二计算公式中的第二权值，并触发所述第一计算单元；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；

为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

8.根据权利要求6所述的装置，其特征在于，该装置还包括：

第三获取单元，用于获取与所述初始预测值对应的真实负荷值；

第二修正单元，用于利用第一修正公式修正所述第一权值，利用所述第二修正公式修正所述第二权值；

统计判断单元，用于统计修正次数，并判断所述修正次数与预设次数的大小；

第三确定单元，用于当所述修正次数大于等于所述预设次数时，确定所述修正次数大于等于所述预设次数的情况下所对应的第一权值为所述第一计算公式的实际权值，确定所述修正次数大于等于所述预设次数的情况下所对应的第二权值为所述第二计算公式的实际权值；

第四确定单元，用于确定初始化的第一阈值为第一计算公式的实际阈值，确定初始化的第二阈值为第二计算公式的实际阈值；

第一触发单元，用于当所述修正次数小于所述预设次数时，触发所述第一计算单元；

其中：所述第一修正公式为：

V_pr(t+1)=V_pr(t)+η_p(t)δ_r(t)f_r+α_p(t)·[V_pr(t)-V_pr(t-1)]；

所述第二修正公式为：

W_p(t+1)=W_p(t)+η_p(t)δ(t)h_p(t)+α_p(t)·[W_p(t)-W_p(t-1)]；

其中，t为修正次数；

为第t次修正的时变学习率；为2次循环学习之间误差超曲面的夹角，ω为比例系数；

$\mathrm{\δ}\left(t\right)=(\hat{y}(t-1)-y)y(1-y),$ y为所述真实负荷值；

δ_r(t)=h_p(t-1)(1-h_p(t-1))δ(t)W_p(t-1)；

${\mathrm{\α}}_p\left(t\right)={\mathrm{\δ}}^2\left(t\right)/\underset{m=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\δ}}^2\left(m\right),$ 为时变动量因子。

9.根据权利要求6所述的装置，其特征在于，所述单一预测模型包括：变差分析模型、年度分解模型、周期傅立叶分析法模型、时间序列分析方法模型以及计量经济法模型。

10.根据权利要求6所述的装置，其特征在于，该装置还包括：

构建模型单元，用于利用所述初始预测值、所述第一计算公式的计算值、以及所述实际预测值构建神经网络结构模型；

其中，所述神经网络结构模型包括输入层神经元、与所述输入层神经元相连的隐层神经元以及与所述隐层神经元相连的输出层神经元，所述初始预测值为所述神经网络结构模型的输入层神经元，所述第一计算公式的计算值为所述神经网络结构模型的隐层神经元，所述实际预测值为所述输出层神经元。

Images