一种考虑重大社会活动影响的地区中期用电量预测方法与流程

本发明涉及用电量预测领域，具体地说是一种考虑重大社会活动影响的地区中期用电量预测方法。

背景技术：

目前，用电量预测的方法主要分两大类：传统预测方法和智能预测方法。传统方法主要包括：弹性系数法、回归分析法、时间序列预测法、产值单耗法及它们的衍化方法。智能方法主要包括神经网络、模糊逻辑、专家系统等。现有的预测方法聚焦因素在于时间、天气、周期等，未考虑或无法适应重大社会活动发生(例如g20峰会、2008年奥运会等国际活动)时的用电量极度反常的情况。

技术实现要素：

为解决上述现有技术存在的问题，本发明提供一种能对重大社会活动期间进行合理用电量预测的地区中期用电量预测方法。

本发明采用的技术方案如下：一种考虑重大社会活动影响的地区中期用电量预测方法，其采用elman神经网络预测模型与离散小波分解结合的方法，先对地区逐月用电量进行二维分解，再对逐层分解后的用电量波进行预测，最后将得到的分层预测结果重构得到预测总结果。

进一步地，所述地区逐月用电量的原始波为sj,m，分解为低频部分sa及高频部分sa’，然后对sa’进行进一步分解为s1和s1’，再对s1’进行分解得到s2和s3，其中一次分解的低频部分sa为基波，代表整体波形趋势，s1～s3是时域上各次谐波；

对于sa和s1波段采用下面各式计算修正权值：

对于s2和s3波段，采用以下方法计算修正权值：

上述各式中，k表示计算序列号，i、j表示矩阵的第i行第j列；为输入层至隐含层第k、k+1次计算得到的连接权值，为输入层至隐含层的修正权值；为承接层至隐含层第k、k+1次计算得到的连接权值，为承接层至隐含层的修正权值；为隐含层至输出层第k、k+1次计算得到的连接权值，为隐含层至输出层的修正权值；ηh、ηc、ηout分别为隐含层、承接层、输出层的学习速率因子；为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得值，即样本值，ep为误差目标函数，a、b、c、d为敏感性控制系数，按照搜索灵敏性调整；xh、分别为隐含层的输出值、第i个样本隐含层的输出值、第j个样本隐含层的输出值；xc、分别为承接层的输出值、第i个样本承接层的输出值、第j个样本承接层的输出值；为第j个样本第k-1次计算获得值；

计算得到的修正权值对连接权值进行更新，得到预测计算的连接权值。

进一步地，所述elman神经网络的计算逻辑如下：

对于该神经网络，输入向量为n维向量，隐含层及承接层输出向量及为n+1维向量，输出为单一值；考虑以上情况，w^h为输入层至隐含层的连接权值,维度为(n+1)×n，w^c为承接层至隐含层的连接权值，维度为(n+1)×(n+1)，w^out为隐含层至输出层的连接权值，维度为n+1，elman神经网络的运算公式如下：

xh(k)＝f[w^h·xc(k)+w^c·sin(k-1)]

xc(k)＝xh(k-1)

sout(k)＝g(w^out·xh(k))

式中，k表示计算序列号，f[w^h·xc(k)+w^c·sin(k-1)]为隐含层单元激励函数，g(w^out·xh(k))为输出层单元的激励函数；样本训练时，误差目标函数如下：

为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得。

进一步地，每月用电量si采用二维分解：

第一个维度，按照产业分解为分别代表第一、二、三产业及居民用电量当月值，其分解方法按照下式：

其中，表示第j个产业第i个月的用电量，γj％表示第j个产业当月的地区生产值占总产值占比；

第二个维度，在产业分解后，采用离散小波分解的方法对每个产业的逐月用电量序列进行分解，按照下面公式：

式中，j为分解尺度，k,m为平移系数，sj,m为原始波，sj+1,k为分解后低频成分尺度系数；s'j+1,k为高频成分小波系数；

h(m-2k)＝{ψ,φj-1,i}，

g(m-2k)＝{φj,φj-1,i}，

上式中，φj、φj-1,i为尺度函数，其对应关系为：第j-1层尺度函数的排列通过高通滤波h(k)后，得到第j层尺度函数φj；ψ为小波函数，n为采样点数量。

进一步地，将地区负荷二维分解后采用elman神经网络进行计算，在得到预测点后采用重构方式对分解电量值进行重构，重构推导如下：

式中，j为分解尺度，k,m为平移系数，sj-1,m为上级整合波，sj,k为低频成分尺度系数，s'j,k为高频成分小波系数。

进一步地，训练及计算时，采用以下输入输出格式：

其中，代表输入向量，q为控制字，若有重大事件发生，则值为1，若无值为0；esty为社会活动形式，1为会议，2为经济活动，3为节庆；elv∈[0,5]为事件重要性，对人民生活影响越大取值越高；et为时间节点，表示事件发生时间，本月发生其值为0，上月发生其值为1，以此类推；est∈[0,5]为生产限制等级，对于生产限制条件越高取值越大；代表小波分解后波形p的第i年，第j-1月的用电量情况，等以此类推，输出向量采用

本发明充分分析重大社会活动造成的用电量变化的分层差异性，采用二维分解思想，对产业进行用电量分层，再采用小波变换方法离散化处理，在不同层级通过elman神经网络方式进行预测，最终通过去离散化得到综合用电量预测结果。

本发明合理提取用电量特征，解决了重大社会活动因素背景下用电量趋势模糊、量化难的情况，能对重大社会活动期间进行合理用电量预测。本发明的方法经验证，结果拟合度较好，精度符合工程需求。

附图说明

图1为本发明改进的elman神经网络结构形式图；

图2为某地区2013年至2016年用电量经过产业分层后得到的分产业曲线图；

图3为某地区第一产业波形进行小波分解后得到的各频段曲线图；

图4为某地区第二产业波形进行小波分解后得到的各频段曲线图；

图5为某地区第三产业波形进行小波分解后得到的各频段曲线图；

图6为某地区居民用电波形进行小波分解后得到的各频段曲线图；

图7为本发明的步骤构成及计算关系图。

具体实施方式

下面结合说明书附图及具体实施方式对本发明进一步说明。

1.用电量分层

第一个维度，按照产业分解，分解为分别代表第一、二、三产业及居民用电量当月值，其分解方法按照下式：

其中，表示第j个产业第i个月的用电量，γj％表示第j个产业当月的地区生产值占总产值占比。

2.离散小波分析

第二个维度，在产业分解后，对于每个产业的曲线，采用离散小波分解的方法对每个产业的逐月用电量序列进行分解，按照下式：

式中，j为分解尺度，k、m为平移系数，sj,m为原始波，sj+1,k为分解后低频成分尺度系数；s'j+1,k为高频成分小波系数；

h(m-2k)＝{ψ,φj-1,i}，

g(m-2k)＝{φj,φj-1,i}，

上式中，φj、φj-1,i为尺度函数，其对应关系为：第j-1层尺度函数的排列通过高通滤波h(k)后，得到第j层尺度函数φj；ψ为小波函数，n为采样点数量。

本发明涉及离散小波分解共进行三次分解，分解为4层，本发明将sj,m分解为低频部分sa及高频部分sa’，然后对sa’进行进一步分解为s1和s1’，再对s1’进行分解得到s2和s3。其中一次分解的低频部分sa为基波，代表整体波形趋势，s1～s3是时域上各次谐波。

3.elman神经网络模型

由输入层、隐含层、承接层、输出层组成，其隐含层采用非线性激励函数，承接层获取隐含层第n次输出，反馈作用于隐含层第n+1次计算。结合本发明需要，网络输入层向量维度为n，考虑隐含层级承接层维度为n+1，出于计算精度及算法逻辑考虑，此处针对性的把输出层元素数量设为1。

对于该神经网络，输入向量为n维向量，隐含层及承接层输出向量及为n+1维向量，输出为单一值。考虑以上情况，w^h为输入层至隐含层的连接权值，维度为(n+1)×n，w^c为承接层至隐含层的连接权值，维度为(n+1)×(n+1)，w^out为隐含层至输出层的连接权值，维度为n+1。神经网络的运算如下：

xh(k)＝f[w^h·xc(k)+w^c·sin(k-1)]

xc(k)＝xh(k-1)

sout(k)＝g(w^out·xh(k))

式中，k表示计算序列号，f[w^h·xc(k)+w^c·sin(k-1)]为隐含层单元激励函数，g(w^out·xh(k))为输出层单元的激励函数f(k)为隐含层单元激励函数。样本训练时，误差目标函数ep如下：

为第i个样本第k次计算实际输出值，为第i个样本第k次计算获得值(样本值)

4.激励函数的选择

经大量实验选优，对于sa及s1波段输出单元激励函数g(x)采用s函数：

上式中a为敏感性控制系数，按照搜索灵敏性调整。

对于s2及s3波段，由于其单值变化率较大，且幅值在0线上下波动，考虑输出单元激励函数f(x)采用双曲正切函数：

上式中b为敏感性控制系数，按照搜索灵敏性调整。

对于隐含层激励函数f(x)，采用可扩展曲线扩大学习范围，避免由于隐含层、输出层均在±1区间附近范围内反馈造成的麻痹效应，扩充内部学习的灵活性，采用激励函数如下：

其中c，d为敏感性控制系数，c控制激励函数斜率，d控制激励函数水平位置。

应用例：相关计算及实现步骤如下：

其主要流程如下：

1.收集地区用电量向量按照产业分为

2.针对单一产业或民用用电量波形采用离散小波分解计算得到分频用电量波其中为基波数据向量，为该产业或民用用电量波形分解后的高频波数据向量；

3.采用elman神经网络对中第k个向量进行用电量预测，输入量如修正输出量为将其加入并向量形成向量，重复本步骤直至k＝4；

4.回到步骤2计算下一个产业用电量分量，若一、二、三产业及居民用电全部计算完毕则进入下一步；

5.对单一产业分频用电量分量进行重构得到单一产业用电量分量地区整体用电量新向量(包含单个预测点)为

6.考虑用电量预测的趋势指导性，将得到的包含新的单点预测的地区用电量向量作为以知历史值返回步骤1，持续预测4次形成可参考趋势。