基于非线性自回归神经网络的负荷预测方法与系统
技术领域
本发明涉及电力网络技术领域,尤其涉及一种基于非线性自回归神经网络的负荷预测方法与系统。
背景技术
伴随着时代与经济的快速发展,进入二十一世纪后,各种科技成果的创新,用电量急剧攀升,这对电力网络的负荷预测提出来更高的要求。负荷预测在能量管理系统中占有重要位置,一直以来,负荷预测就是电力能量系统研究和应用的重要方向,电力负荷预测分为经典预测方法和现代预测方法。随着现代科学技术的快速发展,负荷预测技术的研究也在不断深化,各种各样的负荷预测方法不断涌现,从经典的单耗法、弹性系数法、统计分析法,到现代的灰色预测法、专家系统法和模糊数学法,神经网络法等。神经网络以其具有自学习功能、具有联想存储功能、具有高速寻找优化解的能力而收到青睐而成为运用的热点。当前,越来越复杂的电力网络和极强的非线性负荷变化使神经网络的研究更为重要,并成为负荷预测的主要研究和发展方向。
中国专利公开号CN201610245868.7中所述的基于网络的负荷预测与需求响应控制的光伏冷库系统,首先进行数据收集归一化处理,然后建立BP神经网络,最后训练数据输出结果数据,这种方法训练数据收敛速度较慢,难以适应复杂高速网络实时监测的需求。中国专利公开号CN201410353874.5一种配电网负荷预测方法及系统,首先收集数据进行分析处理,然后选择负荷预测决策进行负荷预测,最后输出预测数据,该种方法需要选择预测决策,降低了容错性。
发明内容
本发明实施例提出基于非线性自回归神经网络的负荷预测方法与系统,能够提高用电侧负荷预测的准确性。
本发明一方面提供一种基于非线性自回归神经网络的负荷预测方法,所述方法包括:
收集用电侧负荷预测所需原始数据,并对所述原始数据进行标准化处理和分类,以得到若干训练样本数据、若干验证样本数据和测试数据;
初始化神经网络的参数,并搭建神经网络;其中,所述参数包括训练误差指标值和验证误差指标值;所述参数还包括权值阈值;
采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标值且验证误差小于验证误差指标值的非线性自回归神经网络;
将所述测试数据输入所述非线性自回归神经网络,以输出最终预测值;
其中,所述采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标值且验证误差小于验证误差指标值的非线性自回归神经网络,包括:
执行训练步骤:采用所述若干训练样本数据中的第一训练样本数据训练神经网络,以输出预测值;其中,所述第一训练样本数据为所述若干训练样本数据中的任一训练样本数据;
对执行所述训练步骤输出的预测值进行误差检测,以得到训练误差;
判断所述训练误差是否小于训练误差指标值;当判定所述训练误差大于或等于所述训练误差指标值时,修正权值阈值,并采用所述若干训练样本数据中的第二训练样本数据重新训练所述神经网络;当判定所述训练误差小于所述训练误差指标值时,执行验证步骤:采用所述若干验证样本数据中的第一验证样本数据验证所述神经网络,以输出预测值;其中,所述第二训练样本数据为排列在所述第一训练样本数据的之后的下一个数据;
对执行所述验证步骤输出的预测值进行误差检测,以得到验证误差;
判断所述验证误差是否小于验证误差指标值;
当判定所述验证误差大于或等于所述验证误差指标值时,修正权值阈值,并所述若干训练样本数据中的第三训练样本数据重新训练所述神经网络;其中,所述第三训练样本数据为排列在所述第二训练样本数据的之后的下一个数据;
当判定所述验证误差小于所述验证误差指标值时,将所述神经网络确定为所述非线性自回归神经网络;
其中,所述参数还包括第一常数μ0和第二常数β,迭代次数k,误差指标E(ω(k)),Jacobian矩阵J(ω(k)),权值阈值增量Δω;所述当判定所述训练误差大于或等于所述训练误差指标值时,修正权值阈值,包括:
当判定所述训练误差大于或等于所述训练误差指标值时,以ω(k+1)=ω(k)+Δω为新的权值阈值向量,计算E(ω(k+1));其中,ω(k)为迭代次数k的权值阈值;
判断E(ω(k+1))是否小于E(ω(k));
当判定E(ω(k+1))小于E(ω(k))时,则令k=k+1,μ=μ0β;
当判定E(ω(k+1))大于或等于E(ω(k))时,令μ=μ0/β,并重新计算权值阈值增量Δω,以修正所述权值阈值。
进一步地,所述搭建神经网络,包括:
给定神经网络初始值m、n、d;其中,m为输入层神经元个数,n为隐含层神经元个数,d为输出层神经元个数;
给定神经网络训练算法trainlm,以搭建神经网络。
进一步地,所述收集用电侧负荷预测所需原始数据,并对所述原始数据进行标准化处理和分类,以得到若干训练样本数据、若干验证样本数据和测试数据,包括:
收集用电侧负荷预测所需相关原始数据;
对所原始数据进行线性变换,min-max标准化成[0,1]区间的值;
将标准化处理后的数据划分成所述训练样本数据、所述验证样本数据和所述测试数据;
从训练数据中选取若干所述训练样本数据;
从验证数据中选取若干所述验证样本数据。
进一步地,所述对执行所述训练步骤输出的预测值进行误差检测,以得到训练误差,包括:
根据预设的误差指标函数E(ω)计算预测值与执行所述训练步骤输出的预测值的均方差,作为所述训练误差。
进一步地,所述对执行所述验证步骤输出的预测值进行误差检测,以得到验证误差,包括:
根据所述误差指标函数E(ω)计算预测值与执行所述验证步骤输出的预测值的均方差,作为所述验证误差。
本发明一实施例提供一种基于非线性自回归神经网络的负荷预测系统,包括:
数据获取模块,用于收集用电侧负荷预测所需原始数据,并对所述原始数据进行标准化处理和分类,以得到若干训练样本数据、若干验证样本数据和测试数据;
神经网络搭建模块,用于初始化神经网络的参数,并搭建神经网络;其中,所述参数包括训练误差指标值和验证误差指标值;所述参数还包括权值阈值;
预测模型生成模块,用于采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标值且验证误差小于验证误差指标值的非线性自回归神经网络;
测试模块,用于将所述测试数据输入所述非线性自回归神经网络,以输出最终预测值;
其中,所述预测模型生成模块包括:
训练单元,用于执行训练步骤:采用所述若干训练样本数据中的第一训练样本数据训练神经网络,以输出预测值;其中,所述第一训练样本数据为所述若干训练样本数据中的任一训练样本数据;
训练误差检测单元,用于对执行所述训练步骤输出的预测值进行误差检测,以得到训练误差;
第一判断单元,用于判断所述训练误差是否小于训练误差指标值;
第一判定单元,用于当判定所述训练误差大于或等于所述训练误差指标值时,修正权值阈值,并采用所述若干训练样本数据中的第二训练样本数据重新训练所述神经网络;其中,所述第二训练样本数据为排列在所述第一训练样本数据的之后的下一个数据;
第二判定单元,用于当判定所述训练误差小于所述训练误差指标值时,执行验证步骤:采用所述若干验证样本数据中的第一验证样本数据验证所述神经网络,以输出预测值;
验证误差检测单元,用于对执行所述验证步骤输出的预测值进行误差检测,以得到验证误差;
第二判断单元,用于判断所述验证误差是否小于验证误差指标值;
第三判定单元,用于当判定所述验证误差大于或等于所述验证误差指标值时,修正权值阈值,并所述若干训练样本数据中的第三训练样本数据重新训练所述神经网络;其中,所述第三训练样本数据为排列在所述第二训练样本数据的之后的下一个数据;
第四判定单元,用于当判定所述验证误差小于所述验证误差指标值时,将所述神经网络确定为所述非线性自回归神经网络。
进一步地,所述神经网络搭建模块包括:
第一给定单元,用于给定神经网络初始值m、n、d;其中,m为输入层神经元个数,n为隐含层神经元个数,d为输出层神经元个数;
第二给定单元,用于给定神经网络训练算法trainlm,以搭建神经网络。
权值阈值权值阈值权值阈值权值阈值权值阈值权值阈值权值阈值预测值预测值权值阈值权值阈值权值阈值相对于现有技术,本发明具有如下突出的有益效果:本发明提供了一种基于非线性自回归神经网络的负荷预测方法与系统,其中,所述方法通过对收集到的用电侧的历史数据进行标准化处理;将处理后的数据作为训练样本输入到NARX中进行训练;将验证样本与测试样本输入到训练好的NARX中,得到输出值并进行反标准化得到实际预测值;通过采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标且验证误差小于验证误差指标的非线性自回归神经网络;该模型准确地描述一个动态的非线性的复杂的系统,利用神经网络良好的非线性映射能力,提高用电侧负荷预测的准确性;根据用电侧负荷选择了模型的相关参数,预测相关问题方便且预测精度高,从而提高了供电质量与用电质量的平衡。
附图说明
图1是本发明提供的基于非线性自回归神经网络的负荷预测方法的第一实施例的流程示意图;
图2是本发明提供的基于非线性自回归神经网络的负荷预测系统的第一实施例的结构示意图。
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作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。
参见图1,其是本发明提供的基于非线性自回归神经网络的负荷预测方法的第一实施例的流程示意图,如图1所示,所述方法包括:
步骤S101、收集用电侧负荷预测所需原始数据,并对所述原始数据进行标准化处理和分类,以得到若干训练样本数据、若干验证样本数据和测试数据。
在一种可选的实施方式中,所述收集用电侧负荷预测所需原始数据,并对所述原始数据进行标准化处理和分类,以得到若干训练样本数据、若干验证样本数据和测试数据,包括:
收集用电侧负荷预测所需相关原始数据;
对所原始数据进行线性变换,min-max标准化成[0,1]区间的值;
将标准化处理后的数据划分成所述训练样本数据、所述验证样本数据和所述测试数据;
从训练数据中选取若干所述训练样本数据;
从验证数据中选取若干所述验证样本数据。
即收集用电侧负荷预测所需相关原始的历史数据以及对所收集的数据作预处理和分类;把所收集的原始数据进行线性变换,min-max标准化成[0,1]区间的值。其中x*表示第n个处理后的数据,max和min分别表示第n个原始数据的理论最大值和理论最小值;
步骤S102、初始化神经网络的参数,并搭建神经网络;其中,所述参数包括训练误差指标值和验证误差指标值。
在一种可选的实施方式中,所述搭建神经网络,包括:
给定神经网络初始值m、n、d;其中,m为输入层神经元个数,n为隐含层神经元个数,d为输出层神经元个数;
给定神经网络训练算法trainlm,以搭建神经网络。
步骤S103、采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标值且验证误差小于验证误差指标值的非线性自回归神经网络。
在一种可选的实施方式中,所述参数还包括权值阈值;所述采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标值且验证误差小于验证误差指标值的非线性自回归神经网络,包括:
执行训练步骤:采用所述若干训练样本数据中的第一训练样本数据训练神经网络,以输出预测值;其中,所述第一训练样本数据为所述若干训练样本数据中的任一训练样本数据;
对执行所述训练步骤输出的预测值进行误差检测,以得到训练误差;
判断所述训练误差是否小于训练误差指标值;当判定所述训练误差大于或等于所述训练误差指标值时,修正权值阈值,并采用所述若干训练样本数据中的第二训练样本数据重新训练所述神经网络;当判定所述训练误差小于所述训练误差指标值时,执行验证步骤:采用所述若干验证样本数据中的第一验证样本数据验证所述神经网络,以输出预测值;其中,所述第二训练样本数据为排列在所述第一训练样本数据的之后的下一个数据;
权值阈值对执行所述验证步骤输出的预测值进行误差检测,以得到验证误差;
判断所述验证误差是否小于验证误差指标值;
当判定所述验证误差大于或等于所述验证误差指标值时,修正权值阈值,并所述若干训练样本数据中的第三训练样本数据重新训练所述神经网络;其中,所述第三训练样本数据为排列在所述第二训练样本数据的之后的下一个数据。
权值阈值
在一种可选的实施方式中,所述对执行所述训练步骤输出的预测值进行误差检测,以得到训练误差,包括:
根据预设的误差指标函数E(ω)计算预测值预测值与执行所述训练步骤输出的预测值的均方差,作为所述训练误差。
在一种可选的实施方式中,所述对执行所述验证步骤输出的预测值进行误差检测,以得到验证误差,包括:
根据所述误差指标函数E(ω)计算预测值预测值与执行所述验证步骤输出的预测值的均方差,作为所述验证误差。
在一种可选的实施方式中,所述参数还包括第一常数μ0和第二常数β,迭代次数k,误差指标E(ω(k)),Jacobian矩阵J(ω(k)),权值阈值增量Δω;所述当判定所述训练误差大于或等于所述训练误差指标值时,修正权值阈值,包括:
当判定所述训练误差大于或等于所述训练误差指标值时,以ω(k+1)=ω(k)+Δω为新的权值阈值向量,计算E(ω(k+1));其中,ω(k)为迭代次数k的权值阈值;
判断E(ω(k+1))是否小于E(ω(k));
当判定E(ω(k+1))小于E(ω(k))时,则令k=k+1,μ=μ0β;
当判定E(ω(k+1))大于或等于E(ω(k))时,令μ=μ0/β,并重新计算权值阈值增量Δω,以修正所述权值阈值。
其中,J(ω)表示为:
误差指标函数E(ω)为:
权值阈值增量Δω为:
Δω=[J(ω)ΓJ(ω)+μI]-1J(ω)Γe(ω)
在一种可选的实施方式中,所述当判定所述验证误差大于或等于所述验证误差指标值时,修正权值阈值,包括:
当判定所述验证误差大于或等于所述验证误差指标值时,以ω(k+1)=ω(k)+Δω为新的权值阈值向量,计算E(ω(k+1));其中,ω(k)为迭代次数k的权值阈值;
判断E(ω(k+1))是否小于E(ω(k));
当判定E(ω(k+1))小于E(ω(k))时,则令k=k+1,μ=μ0β;
当判定E(ω(k+1))大于或等于E(ω(k))时,令μ=μ0/β,并重新计算权值阈值增量Δω,以修正所述权值阈值。
其中,J(ω)表示为:
误差指标函数E(ω)为:
权值阈值增量Δω为:
Δω=[J(ω)ΓJ(ω)+μI]-1J(ω)Γe(ω)
步骤S104、将所述测试数据输入所述非线性自回归神经网络,以输出最终预测值。
即通过采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标且验证误差小于验证误差指标的非线性自回归神经网络;该模型准确地描述一个动态的非线性的复杂的系统,利用神经网络良好的非线性映射能力,并且引入自回归模型(Auto-regression with Externalinput,ARX),使得模型具备良好的动态特性和高抗干扰能力,能够用来逼近任意的非线性动态系统,以弥补传统静态神经网络在预测方面上存在的不足,提高用电侧负荷预测的准确性;根据用电侧负荷选择了模型的相关参数,预测相关问题方便且预测精度高,从而提高了供电质量与用电质量的平衡。
本发明还提供了基于非线性自回归神经网络的负荷预测方法的第二实施例;所述方法包括以下步骤:
原始数据的采集与提成汇总的步骤;
神经网络动态学习的步骤;
误差检测分析的步骤;
其中,所述原始数据的采集与提成汇总的步骤包括:
1)收集用电侧负荷预测所需原始数据的步骤:收集用电侧负荷相关原始历史数据并预处理,即收集用电侧负荷预测所需相关原始的历史数据以及对所收集的数据作预处理和分类;
2)对原始数据进行标准化处理的步骤:把所收集的原始数据进行线性变换,min-max标准化成[0,1]区间的值。其中x*表示第n个处理后的数据,max和min分别表示第n个原始数据的理论最大值和理论最小值;划分目标数据的步骤:即把处理好数据划分成训练数据、验证数据、测试数据,选取若干的数据作为训练数据,若干的数据作为验证数据,若干的数据作为测试数据;
3)划分目标数据的步骤:即把处理好数据划分成训练数据、验证数据、测试数据,选取若干的数据作为训练数据,若干的数据作为验证数据,若干的数据作为测试数据;
所述神经网络动态学习的步骤包括:
1)网络参数初始化的步骤:即模型参数的初始化,包括初始化权值阈值,给定训练误差指标值ε0,验证误差指标值ε'(一般误差指标设定为10^-6),常数μ0和β(0<β<1),μ0和β是训练算法中Jacobian矩阵的参数,迭代次数k,误差指标E(ω(k)),Jacobian(雅可比)矩阵J(ω(k)),权值阈值增量Δω。其中,J(ω)表示为:
误差指标函数E(ω)为:
权值阈值增量Δω为:
Δω=[J(ω)ΓJ(ω)+μI]-1J(ω)Γe(ω)
2)构建神经网络模型结构的步骤:给定神经网络初始值m、n、d,其中m为输入层神经元个数,n为隐含层神经元个数,d为输出层神经元个数(默认为1),给定神经网络训练算法trainlm,n一般选取20以上,构建神经网络模型结构;
3)读入训练样本数据的步骤:即读入一个训练数据;
4)训练网络的步骤:学习并训练网络;
5)判断训练误差是否小于ε0的步骤:判断训练误差是否小于ε0,当判定E(ω(k+1))小于E(ω(k))时,则读入验证数据,当判定E(ω(k+1))大于或等于E(ω(k))时,则修正权值阈值,重新训练网络;
6)修正权值阈值的步骤:读入训练数据,计算输出及误差指标E(ω(k)),计算Jacobian矩阵J(ω(k)),计算权值阈值增量Δω,判断E(ω(k))是否小于ε0,当判定E(ω(k+1))小于E(ω(k))时,输出新的权值阈值向量,当判定E(ω(k+1))大于或等于E(ω(k))时,以ω(k+1)=ω(k)+Δω为新的权值阈值向量,计算E(ω(k+1)),判断E(ω(k+1))是否小于E(ω(k)),当判定E(ω(k+1))小于E(ω(k))时,即表示新的权值阈值有效,令k=k+1,μ=μβ,当判定E(ω(k+1))大于或等于E(ω(k))时,即表示新的权值阈值无效,令μ=μ/β,重新计算权值阈值增量Δω;
7)读入验证数据步骤:即读入一个样本数据;
8)判断验证误差是否小于ε'步骤:判断验证误差是否小于ε',当判定E(ω(k+1))小于E(ω(k))时,则读入测试数据,当判定E(ω(k+1))大于或等于E(ω(k))时,则修正权值阈值,重新训练网络;
9)读入测试数据输出预测值步骤:读入测试数据得到预输出值。
所述误差检测分析的步骤包括:
1)读入预测值的步骤:即读入神经网络动态学习的步骤输出的预测值;
2)计算预测值与预测值的均方差函数值的步骤:即利误差指标函数E(ω)计算预测值与预测值的均方差;
3)输出误差值的步骤:输出误差值。
本方法属于时间序列的预测范畴。其模型的特点是由当前时间序列的输入与过去时间序列的输出共同决定模型当前的输出。其模型的优越性特别体现在能准确地描述一个动态的非线性的复杂的系统,利用了神经网络良好的非线性映射能力,并且引入ARX(Auto-regression with External input)模型的时间序列概念,使得NARX模型具备良好的动态特性和高抗干扰能力。对收集到的用电侧的历史数据进行标准化处理;将处理后的数据作为训练样本输入到NARX中进行训练;将验证样本与测试样本输入到训练好的NARX中,得到输出值并进行反标准化得到实际预测值。本发明建立于用电侧负荷并根据用电侧负荷选择了模型的相关参数,预测相关问题方便且预测精度高,从而提高了供电质量与用电质量的平衡。除此之外,本发明的NARX模型能够用来逼近任意的非线性动态系统,适于应用推广。
本发明另一方面还提供一种基于非线性自回归神经网络的负荷预测系统,包括:
数据获取模块201,用于收集用电侧负荷预测所需原始数据,并对所述原始数据进行标准化处理和分类,以得到若干训练样本数据、若干验证样本数据和测试数据;
神经网络搭建模块202,用于初始化神经网络的参数,并搭建神经网络;其中,所述参数包括训练误差指标值和验证误差指标值;
预测模型生成模块203,用于采用所述若干训练样本数据训练所述神经网络,并采用所述若干验证样本数据验证所述神经网络,以生成训练误差小于训练误差指标值且验证误差小于验证误差指标值的非线性自回归神经网络;
测试模块204,用于将所述测试数据输入所述非线性自回归神经网络,以输出最终预测值。
在一种可选的实施方式中,所述参数还包括权值阈值;所述预测模型生成模块包括:
训练单元,用于执行训练步骤:采用所述若干训练样本数据中的第一训练样本数据训练神经网络,以输出预测值;其中,所述第一训练样本数据为所述若干训练样本数据中的任一训练样本数据;
训练误差检测单元,用于对执行所述训练步骤输出的预测值进行误差检测,以得到训练误差;
第一判断单元,用于判断所述训练误差是否小于训练误差指标值;
第一判定单元,用于当判定所述训练误差大于或等于所述训练误差指标值时,修正权值阈值,并采用所述若干训练样本数据中的第二训练样本数据重新训练所述神经网络;其中,所述第二训练样本数据为排列在所述第一训练样本数据的之后的下一个数据;
第二判定单元,用于当判定所述训练误差小于所述训练误差指标值时,执行验证步骤:采用所述若干验证样本数据中的第一验证样本数据验证所述神经网络,以输出预测值;
验证误差检测单元,用于对执行所述验证步骤输出的预测值进行误差检测,以得到验证误差;
第二判断单元,用于判断所述验证误差是否小于验证误差指标值;
第三判定单元,用于当判定所述验证误差大于或等于所述验证误差指标值时,修正权值阈值,并所述若干训练样本数据中的第三训练样本数据重新训练所述神经网络;其中,所述第三训练样本数据为排列在所述第二训练样本数据的之后的下一个数据;
第四判定单元,用于当判定所述验证误差小于所述验证误差指标值时,将所述神经网络确定为所述非线性自回归神经网络。
在一种可选的实施方式中,所述神经网络搭建模块包括:
第一给定单元,用于给定神经网络初始值m、n、d;其中,m为输入层神经元个数,n为隐含层神经元个数,d为输出层神经元个数;
第二给定单元,用于给定神经网络训练算法trainlm,以搭建神经网络。
在一种可选的实施方式中,所述参数还包括第一常数μ0和第二常数β,迭代次数k,误差指标E(ω(k)),Jacobian矩阵J(ω(k)),权值阈值增量Δω;所述第一判定单元包括:
第一计算单元,用于当判定所述训练误差大于或等于所述训练误差指标值时,以ω(k+1)=ω(k)+Δω为新的权值阈值向量,计算E(ω(k+1));其中,ω(k)为迭代次数k的权值阈值;
第三判断单元,用于判断E(ω(k+1))是否小于E(ω(k));
第五判定单元,用于当判定E(ω(k+1))小于E(ω(k))时,则令k=k+1,μ=μ0β;
第六判定单元,用于当判定E(ω(k+1))大于或等于E(ω(k))时,令μ=μ0/β,并重新计算权值阈值增量Δω,以修正所述权值阈值。
在一种可选的实施方式中,所述第三判定单元包括:
第二计算单元,用于当判定所述验证误差大于或等于所述验证误差指标值时,以ω(k+1)=ω(k)+Δω为新的权值阈值向量,计算E(ω(k+1));其中,ω(k)为迭代次数k的权值阈值;
第四判断单元,用于判断E(ω(k+1))是否小于E(ω(k));
第七判定单元,用于当判定E(ω(k+1))小于E(ω(k))时,则令k=k+1,μ=μ0β;
第八判定单元,用于当判定E(ω(k+1))大于或等于E(ω(k))时,令μ=μ0/β,并重新计算权值阈值增量Δω,以修正所述权值阈值。
在一种可选的实施方式中,所述数据获取模块包括:
收集单元,用于收集用电侧负荷预测所需相关原始数据;
线性变换单元,用于对所原始数据进行线性变换,min-max标准化成[0,1]区间的值;
分类单元,用于将标准化处理后的数据划分成所述训练样本数据、所述验证样本数据和所述测试数据;
第一选取单元,用于从训练数据中选取若干所述训练样本数据;
第二选取单元,用于从验证数据中选取若干所述验证样本数据。
在一种可选的实施方式中,所述训练误差检测单元包括:
第三计算单元,用于根据预设的误差指标函数E(ω)计算预测值与执行所述训练步骤输出的预测值的均方差,作为所述训练误差。
在一种可选的实施方式中,所述验证误差检测单元包括:
第四计算单元,用于根据所述误差指标函数E(ω)计算预测值与执行所述验证步骤输出的预测值的均方差,作为所述验证误差。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
需说明的是,以上所描述的装置或系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。