CN106600050A - 一种基于bp神经网络的超短期负荷预测方法 - Google Patents

Abstract

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。

Description

一种基于BP神经网络的超短期负荷预测方法

技术领域

本发明属于智能电网控制技术领域，特别涉及基于RBF神经网络的微网短期负荷预测方法。

背景技术

超短期负荷预测又称时分预测，指以5～30min为周期，预测未来1h之内的负荷变化情况。由于预测时刻间隔小，天气等因素对负荷变化的影响不显著，因此通常在预测中忽略气象等外部条件；预测系统在线运行，并实时地根据历史数据快速、精确地预测出下一时刻的负荷变化，预测结果通常无需人为处理。超短期负荷预测在电力系统状态估计、实时调度、自动发电控制以及实时电价制定等方面发挥着极其重要的作用。

近年来，微电网作为智能电网的浓缩已成为国内外学者的研究热点。超短期负荷预测是微电网优化运行策略和能量管理系统的重要组成之一。由于用户侧响应、冷热负荷以及电动汽车充电等具有的波动性和滞后性，导致了负荷预测精度的降低。因此，提高超短期负荷预测精度是现代电力系统发展的必然要求。

发明内容

针对上述现有技术存在的问题，本发明提出一种基于RBF神经网络的超短期负荷预测方法，其特征在于，该预测方法包括以下步骤：

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；

所述步骤1中具体处理流程为：

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：

其中，L_d,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L_d,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L_d,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，L_d-m，t为第d-m天t时刻的负荷数据；λ为权值系数0＜λ_i＜1，即表示L_d-m,t对L_d,t的影响程度；

步骤2：数据采用最值法归一化，公式如下：

其中，L_max和L_min分别为训练样本集中负荷数据的最大值和最小值；L_d,t、分别为归一化前、后的负荷数值；

步骤3：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；

选择软阈值函数法，公式如下：

其中y(ω)为小波系数估计；ω_j,k为在尺度j上第k层含噪信号的小波系数，k＝1,2,…,n_j,(n_j＝N/2^J-j+1)，J为分解尺度，N为信号的长度，T为阈值门限值；

选择通用阈值估计法，公式如下：

式中，σ_n为噪声标准方差，N为信号的长度；

步骤4：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I_i,t，列矩阵如下：

I_i,t＝(L_i,t-1,L_i,t-2,L_i-1,t,L_i-1,t-1,L_i-1,t-2,△L_i,t-1,d)

式中

第i天t时刻的训练样本，列矩阵如下：

X_i，t＝((I_i-1，t，L_i-1，t)，…，（I_i-n，t,L_i-n，t))^T

其中n为X_i,t中的样本容量，且i>n；t>2，

对第i天t时刻的训练样本X_i,t进行回归分析，公式如下

将预测第j天t时刻时的输入样本I_j,t中相应元素代入上式，，得t-1时刻的回归估计值公式如下：

式中，0＜a_k＜1，k＝0，1…，6；

计算第j天t时刻的负荷样本差异度r_j,t，公式如下：

所述的步骤5：建立RBF神经网络负荷预测模型并进行在线预测负荷

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,...,x_r,...x_R)，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，x_p＝(x₁,x₂,...,x_p)^T，p＝7为第r个输入样本；w_ij为隐含层到输出层的连接权值；y_j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r_j,t≤u，则执行子步骤5-3；否则，更新训练样本X_j,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。

本发明为提高超短期负荷预测精度，在传统RBF神经网络预测模型的基础上，建立一种基于RBF神经网络超短期负荷预测模型。结合回归分析法对样本数据与预测误差进行分析研究，定义了负荷样本差异度及其计算方法，在预测过程中以此估算当前预测样本所产生的误差并调整预测模型，实现了预测模型对负荷变化规律的自适应。

附图说明

图1是本发明的系统流程图；

图2是在线预测负荷流程图；

图3是RBF神经网络结构图。

具体实施方式

下面结合附图对本发明具体说明。

本方法是根据以某市某一天96点负荷数据为样本，所述的日信息d为1到7的整数，以周为周期。具体步骤如图1所示：

步骤1进行微电网数据预处理

(1)突变数据辨识，根据如下公式

L_d,t为第d天t时刻的负荷值；u＝0.01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L_d,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；

(2)数据不全采用如下公式

L_d-m,t为第d-m天t时刻的负荷数据；λ为权值系数，即表示L_d-m,t对L_d,t的影响程度。

步骤2数据归一化处理，采用如下公式

L_max和L_min分别为训练样本集中负荷数据的最大值和最小值；L_d,t、分别为归一化前、后的负荷数值。

步骤3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；

选择软阈值函数法和通用阈值估计法，公式如下：

其中y(ω)为小波系数估计；ω_j,k为在尺度j上第k层含噪信号的小波系数，k＝1,2,…,n_j,(n_j＝N/2^J-j+1)，J为分解尺度，N为信号的长度，T为阈值门限值；

式中，σ_n为噪声标准方差，N为信号的长度；

步骤4负荷样本训练，求样本差异度。

(1)输入第i天t时刻的负荷样本I_i,t，其公式如下：

I_i,t＝(L_i,t-1,L_i,t-2,L_i-1,t,L_i-1,t-1,L_i-1,t-2,△L_i,t-1,d)

式中

(2)第i天t时刻的训练样本,式子如下

X_i,t＝((I_i-1,t,L_i-1,t),…,(I_i-n,t,L_i-n,t))^T

其中n为X_i,t中的样本容量，且i>n；t>2,

(3)对第i天t时刻的训练样本X_i,t进行回归分析，公式如下

式中，0＜a_k＜1，k＝0，1…，6；

(4)将预测第j天t时刻时的输入样本I_j,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：

式中，0＜a_k＜1，k＝0，1…，6；

(5)计算第j天t时刻的负荷样本差异度r_j,t，公式如下

步骤5在线预测负荷，如图2所示：

(1)建立RBF神经网络负荷数学模型，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，如图3所示；

设输入向量X＝(x₁,x₂,...,x_r,...x_R)，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，b_2＝0.5…，0.8；最终输出层的输出结果为

式中，x_p＝(x₁,x₂,...,x_p)^T，p＝7为第r个输入样本；w_ij为隐含层到输出层的连接权值；y_j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；

(2)阈值判断，若r_j,t≤u，则执行子步骤5.3；否则，更新训练样本X_j,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；

(3)加载t时刻的预测模型进行预测，并输出预测结果；

(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。

对发明提出的改进RBF神经网络超短期预测模型进行仿真实验，设定负荷样本差异度阈值u为0.015，即限定最大相对误差百分数为3％。

最大相对误差为1.43％，满足最大限定要求，平均相对误差为0.29％，由此可见：与传统预测模型相比，基于RBF神经网络超短期预测模型有效地提高了预测精度。

本发明为提高超短期负荷预测精度，在传统RBF神经网络预测模型的基础上，建立一种基于RBF神经网络超短期负荷预测模型。结合回归分析法对样本数据与预测误差进行分析研究，定义了负荷样本差异度及其计算方法，在预测过程中以此估算当前预测样本所产生的误差并调整预测模型，实现了预测模型对负荷变化规律的自适应。

以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于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：

$\left\{\begin{array}{cc}\frac{L_{d,t}-L_{d,t-1}}{L_{d,t-1}}>u,& t\≠1\\ \frac{L_{d,t}-L_{d-1,M}}{L_{d-1,M}}>u,& t=1\end{array}\right.$

其中，L_d,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L_d,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L_d,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：

${\hat{L}}_{d,t}={\mathrm{\λ}}_1{L}_{d-1,t}+{\mathrm{\λ}}_2{L}_{d-2,t}+...+{\mathrm{\λ}}_m{L}_{d-m,t}$

其中，L_d-m,t为第d-m天t时刻的负荷数据；λ为权值系数即表示L_d-m,t对L_d,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：

${\hat{L}}_{d,t}=\frac{L_{d,t}-L_{\min }}{L_{\max }-L_{\min }}$

其中，L_max和L_min分别为训练样本集中负荷数据的最大值和最小值；L_d,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I_i,t，列矩阵如下：I_i,t＝(L_i,t-1,L_i,t-2,L_i-1,t,L_i-1,t-1,L_i-1,t-2,△L_i,t-1,d)

式中

第i天t时刻的训练样本，列矩阵如下：

X_i,t＝((I_i-1,t,L_i-1,t),…,(I_i-n,t,L_i-n,t))^T

其中n为X_i,t中的样本容量，且i>n；t>2，

对第i天t时刻的训练样本X_i,t进行回归分析，公式如下

${\hat{L}}_{i,t-1}=a_0+a_1{L}_{i-1,t}+a_2{L}_{i-1,t-1}+a_3{L}_{i-1,t-2}+a_4{L}_{i,t-2}+a_5{\mathrm{\ΔL}}_{i,t-1}+a_6{d}_i$

式中：k＝0，1…，6，将预测第j天t时刻时的输入样本I_j,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r_j,t，公式如下：

$r_{j,t}=|{\hat{L}}_{j,t-1}-L_{j,t-1}|/L_{j,t-1}$

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,…,x_r,…x_R)，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

$a_i=radbas\left(\right||V\·X|{|}_i{b}_{i1})=\exp \left(-\frac{{\left(\right||V\·X|{|}_i{b}_{i1})}^2}{2{\mathrm{\σ}}^2}\right)$

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

$y_j=purelin(a\·X+b_2)=\underset{i=1}{\overset{h}{\Σ}}{w}_{ij}\exp \left(-\frac{{\left(\right||V\·X|{|}_i{b}_{i1})}^2}{2{\mathrm{\σ}}^2}\right)+b_{j2}$

式中，x_p＝(x₁,x₂,...,x_p)^T，p＝7为第r个输入样本；w_ij为隐含层到输出层的连接权值；y_j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r_j,t≤u，则执行子步骤5-3；否则，更新训练样本X_j,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。

2.进一步地，步骤3中，选择软阈值函数法，公式如下：

$y\left(\mathrm{\ω}\right)=\left\{\begin{array}{cc}\mathrm{sgn}\left({\mathrm{\ω}}_{j,k}\right)\left(\right|{\mathrm{\ω}}_{j,k}|-T)& \left|{\mathrm{\ω}}_{j,k}\right|>T\\ 0& \left|{\mathrm{\ω}}_{j,k}\right|\≤T\end{array}\right.$

其中y(ω)为小波系数估计；ω_j,k为在尺度j上第k层含噪信号的小波系数，k＝1,2,…,n_j,(n_j＝N/2^J-j+1)，J为分解尺度，N为信号的长度，T为阈值门限值；

选择通用阈值估计法，公式如下：

$T={\mathrm{\σ}}_n\sqrt{2{\log }_2^N}$

式中，σ_n为噪声标准方差，N为信号的长度。