本发明涉及一种基于BP神经网络模型的台区日用电量的预测方法及系统，属于电网用电技术领域。
背景技术：
用电量预测是电网公司制定生产综合计划制定经营计划的关键基础，合理准确的预测结论会给公司的经营决策带来正向效应，反之就会导致公司经营策略的背离，因此对未来季度或者年度的用电量预测显得至关重要。纵览国内外市场预测技术可知，现有的用电量预测技术可以归结为三类，但是都不能解决用电量预测的关键问题。
第一类用电量预测技术是依据历史用电量的实际发生值进行趋势外推，预测结论所包含的信息就是基于预测期的经济环境沿袭上一周期的发展模式，例如中国专利101976301。但是如果预测周期内的用电形势发生了较大改变或者方向性的掉头，该方法无法预测，因此在当前经济不稳定时期，该类方法的预测结论常常较实际发生的偏差较大。
第二类用电量预测技术是基于预测人员的经验判断预测年的增长幅度，预测人员会根据当前的经济形势、和自己的预测经验开展预测，这种对经济形势的判断仅局限于定性分析层面，而无法定量到具体的预测模型上，而对于预测的经验增长则更加依赖于预测人员个人的综合判断能力，预测结果的可信度不能得到有效保证。
第三类用电量预测技术是采用不同的算法对历史用电量实际发生值进行外推，从算法上解决用电量预测问题。但是现有的算法较为复杂，并且 对用电量的预测的精度也不够。
技术实现要素：
本发明的目的就是为了解决现有技术中存在的上述问题，提供一种基于BP神经网络模型的台区日用电量的预测方法及系统。
本发明的目的通过以下技术方案来实现：
一种基于BP神经网络模型的台区日用电量的预测方法，包括如下步骤：
S1、搭建N个BP神经网络模型；
S2、分别对应地选择历史数据作为训练样本，提取训练样本的气象影响因子、以及相似日的用电量D’作为训练函数newff的输入矩阵P，即：
其中：气象影响因子包括平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V；
S3、提取训练样本的实际用电量D作为训练函数newff的目标矩阵T，即：
S4、训练神经网络net；
net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N个隐层程序单元 (3)
net.trainParam.epochs＝1000；允许最大训练步数1000步 (4)
net.trainParam.Ir＝0.05；学习速率0.05 (5)
S5、将预测日的气象影响因子、相似日用电量结合在一起组成矩阵p，即：
S6、将p作为输入矩阵代入经过训练而得的神经网络net，可以得到台区日用电量的预测值即：
优选的，所述S1中BP神经网络模型的数目为8个。
优选的，所述S2中训练样本为15天的历史数据。
本发明还揭示了一种基于BP神经网络模型的台区日用电量的预测系统，包括，
模型建立单元，搭建N个BP神经网络模型；
矩阵建立单元，分别对应地选择历史数据作为训练样本，提取训练样本的气象影响因子、以及相似日的用电量D’作为训练函数newff的输入矩阵P，即：
其中：气象影响因子包括平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V；
目标矩阵建立单元，提取训练样本的实际用电量D作为训练函数newff的目标矩阵T，即：
神经网络训练单元，训练神经网络net；
net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N个隐层程序单元 (3)
net.trainParam.epochs＝1000；允许最大训练步数1000步 (4)
net.trainParam.Ir＝0.05；学习速率0.05 (5)
矩阵计算单元，将预测日的气象影响因子、相似日用电量结合在一起组成矩阵p，即：
预测值计算单元，将p作为输入矩阵代入经过训练而得的神经网络net，可以得到台区日用电量的预测值即：
本发明技术方案的优点主要体现在：方法简单，且精准度较高。
具体实施方式
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。
本发明揭示了一种基于BP神经网络模型的台区日用电量的预测方法，应用于台区日用电量预测，将台区日用电量预测按照四季的工作日、节假日进行分类，分别搭建8个BP神经网络模型，比如春季工作日模型、春季节假日模型。针对每一个模型，选择台区时间距离较近相似日的实际用电量、平均气温等气象影响因子进行训练，得到对应的BP神经网络。最后将预测日的相似日实际用电量、气象影响因子传入相应的BP神经网络模型，可以得到日用电量预测值。具体的步骤如下：
S1、搭建8个BP神经网络模型；
S2、分别对应地选择15天的历史数据作为训练样本，提取训练样本的气象影响因子、以及相似日的用电量D’作为训练函数newff的输入矩阵P， 即：
其中：气象影响因子包括平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V；
S3、提取训练样本的实际用电量D作为训练函数newff的目标矩阵T，即：
S4、训练神经网络net；
net＝newff(P,T,8,{‘tansig’,‘purelin’},‘trainlm’)；8个隐层程序单元 (3)
net.trainParam.epochs＝1000；允许最大训练步数1000步 (4)
net.trainParam.Ir＝0.05；学习速率0.05 (5)
S5、将预测日的气象影响因子、相似日用电量结合在一起组成矩阵p，即：
S6、将p作为输入矩阵代入经过训练而得的神经网络net，可以得到台区日用电量的预测值即：
本发明还揭示了一种基于BP神经网络模型的台区日用电量的预测系统，包括，
模型建立单元，搭建N个BP神经网络模型；
矩阵建立单元，分别对应地选择历史数据作为训练样本，提取训练样本的气象影响因子、以及相似日的用电量D’作为训练函数newff的输入矩阵P，即：
其中：气象影响因子包括平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V；
目标矩阵建立单元，提取训练样本的实际用电量D作为训练函数newff的目标矩阵T，即：
神经网络训练单元，训练神经网络net；
net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N个隐层程序单元 (3)
net.trainParam.epochs＝1000；允许最大训练步数1000步 (4)
net.trainParam.Ir＝0.05；学习速率0.05 (5)
矩阵计算单元，将预测日的气象影响因子、相似日用电量结合在一起组成矩阵p，即：
预测值计算单元，将p作为输入矩阵代入经过训练而得的神经网络net，可以得到台区日用电量的预测值即：
本发明技术方案的优点主要体现在：方法简单，且精准度较高。
发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。