一种基于Elman神经网络的电力负荷预警方法及装置与流程

本发明涉及一种基于elman神经网络的电力负荷预警方法及装置，属于人工神经网络在电力数据处理领域。

背景技术：

随着国民经济的发展和人民生活水平的提高，人们对电能质量的要求也越来越高，电力负荷预测作为保证电能质量的一个基本工具，其重要性也越来越受到人们重视。电力系统由电力网和电力用户共同组成，其任务是给广大用不间断地提供经济、可靠、符合质量标准的电能，满足各类负荷需求，为社会发展提供动力。如何运用可靠的方法和手段，对未来某时段内电网负荷的发展趋势做出科学合理的估计和预测。电力系统负荷预测的核心是根据预测对象的历史资料，建立数学模型来表述其发展变化的规律，从而得到合理的预测结果，对电力系统管理部门做出正确决策提供依据和保障。

在借鉴该领域研究成果的基础上,国内外出现了很多电力负荷预警的方法及装置，并提出了较为合理的预测策略:数据的预处理、历史数据源的选取、最优模型的确定等一系列的方法。在电力负荷预警装置中,合理利用现有指标,建立可以对电力供需形势进行监测和识别的预警指标体系和标准平衡值,通过计算机的处理以简单明了、形象直观的方式显示给用户是电力负荷预警的关键。负荷预测的核心问题是预测的技术问题，即如何构造预测的数学模型，传统的数学模型具有计算量小，速度快的优点，但也存在诸如不具备自学习性、自适应性能力，预测系统的鲁棒性得不到保证等缺点和局限性。随着电力系统的结构日趋复杂，电力负荷在变化的非线性、时变性、不确定性方面更加的明显，很难建立一个合适的数学模型来清晰的表达负荷与影响负荷的变量之间的关系。因此，寻求合适的电力负荷预测方法来最大限度的提高预测精度意义重大。

基于elman神经网络的电力负荷预警方法及装置主要需考虑两个方面的问题：(1)如何运用可靠的方法和手段，对未来某时段内电网负荷的发展趋势做出科学合理的估计和预测。(2)由于影响电力负荷因素之间存在着非线性，因素之间存在冗余信息，如何提高电力负荷预测的精度。

技术实现要素：

本发明所要解决的技术问题是利用elman神经网络能够以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点，提供一种基于elman神经网络的电力负荷预警方法及装置，反映电力负荷运行规律，实现电力负荷的准确预警，从而为电力系统的控制和调度奠定基础，服务电力系统现代化和科学化管理的需求。

本发明为解决上述技术问题采用以下技术方案：

一方面，本发明提供一种基于elman神经网络的电力负荷预警方法，具体步骤如下：

步骤1，采集电力系统的历史电力负荷数据，并对历史电力负荷数据进行预处理以剔除异常数据，形成预处理样本；

步骤2，采用蚁群聚类方法，对步骤1中的预处理样本进行聚类，将聚类结果作为elman神经网络的训练样本；

步骤3，利用步骤2中的训练样本对elman神经网络进行训练学习；

步骤4，将步骤6中训练好的elman神经网络作为电力负荷预警器，从而实现电力负荷预警。

作为本发明的进一步优化方案，步骤1中的历史电力负荷数据用序列y(x,n)表示，其中，y(x,n)表示第n年第x月的电力负荷数据，x＝0,1,...,11，n＝1,2,...,n，n表示采集的历史电力负荷数据的年份数。

作为本发明的进一步优化方案，对电力负荷数据进行预处理的方法为：

1.1)根据均值函数计算历史电力负荷数据的均值；

1.2)根据方差函数计算历史电力负荷数据的方差；

1.3)根据反常函数对历史电力负荷数据进行判断，若p(x,n)＜1.2则判定该电力负荷数据为正常数据，否则判定为异常值数据并剔除；

1.4)根据平滑函数对剔除异常数据后的历史电力负荷数据进行平滑处理，形成预处理样本。

作为本发明的进一步优化方案，步骤3中对elman神经网络进行训练学习，具体为：首先，根据训练样本对elman神经网络进行训练学习；其次，根据全局误差函数计算训练完成的elman神经网络的误差，若e(x)＜ε则网络收敛，elman神经网络训练完成；否则动态调节elman神经网络的权值和阈值后继续进行训练学习，直至网络收敛；其中，为隐层误差，为输出层各神经元的误差，ε为一个极小值。

另一方面，本发明提供一种基于elman神经网络的电力负荷预警装置，包括：

数据采集器，用于对电力系统的历史电力负荷数据进行采集；

数据处理器，用于对采集到的电力系统的历史电力负荷数据进行异常剔除和平滑处理，得到预处理样本；

数据聚类器，用于根据蚁群聚类方法对预处理样本进行聚类，得到elman神经网络的训练样本；

网络训练器，用于根据训练样本以及预设全局误差阈值，对elman神经网络进行训练学习；

预警器，用于训练完成的elman神经网络对电力负荷进行在线预警。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：一种基于elman神经网络的电力负荷预警方法及装置，相对于其他预测手段，具有自组织、自适应和自学习功能，能分析较为复杂的非线性系统。通过分析各个指标，建立其内在联系，能有效避免采用单一指标进行预测的片面性，大大提高预测的精度。同时，本发明提供了神经网络参数的灵活设置方式，如果触发预警器，预警器将全局误差信息传递给神经网络不断对神经网络的连接权值和阈值进行调整，直到得出精确的预测结果，大大提高了电力负荷预测的精确度。

附图说明

图1是基于elman神经网络电力负荷预警系统结构图。

图2是异常数据判断及修正处理流程图。

图3是本方法及装置的基本流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明的目的就是提供一种基于elman神经网络的电力负荷预警方法及装置，来解决电力系统环境下电力负荷及时准确预警问题，本机制是一种策略性方法，通过使用本方法可以使得电力系统能随时根据系统负荷变化保持动态平衡，使整个系统保持稳定、高效地运行。

本发明的方法是一种策略性的方法，通过使用elman神经网络并采用蚁群聚类的思想将电力系统供需形势下的电力负荷进行预测，从而解决了电力系统环境下电力负荷的及时预警，提高了电力负荷预测的精度。

一、体系结构

图1给出了基于elman神经网络的电力负荷预警装置结构图，它主要包括四个部分：数据处理器、数据聚类器、网络训练器、预警器。图1中的数据处理器主要通过计算负荷样本数据的偏离值，剔除异常值的负荷点，形成预处理样本数据；数据聚类器主要用来将不同属性的数据聚类处理，将聚类后的数据作为神经网络的训练样本；网络训练器主要功能是对全局误差做出合理的判断，利用神经网络的训练样本对神经网络进行训练学习，以不断提高电力负荷的预测精度；预警器主要用于通过训练完成的elman神经网络对电力负荷进行在线预警。

下面给出具体介绍：

数据处理器：数据处理器主要用来计算电力负荷样本数据的偏差值，剔除异常值的负荷点。本发明中采用均值函数、误差函数计算负荷样本数据的均值和误差，并采反常函数计算电力负荷样本数据的偏离值，通过对电力负荷数据偏离值的判断，将异常点的负荷值剔除。通过上述方法能有效的处理电力负荷样本数据存在的冗余、共线性信息，降低了神经网络的输入维数，提高了神经网络的泛化能力。

数据聚类器：数据聚类器主要用来对预处理样本数据采用蚁群聚类的思想进行预处理，利用聚类公式rij，类概率公式pij(t)，偏离误差σj对剔除异常点的负荷数据进行聚类处理，将聚类后的数据作为神经网络的训练样本，操作的目的是使elman神经网络输入样本具有代表性，从而改善elman神经网络的训练时间和收敛速度，提高预测精度的目的。

网络训练器：网络训练器主要用来根据神经网络的训练样本对elman神经网络进行训练学习，并通过对网络的全局误差做出合理的判断，当全局误差小于给定的极小值时，神经网络训练结束，将得到精确的电力负荷的预警。否则，不断地调整神经网络的连接权值和阈值，对神经网络继续训练学习，直至满足结束训练的条件。。

预警器：预警器主要通过训练完成的elman神经网络对电力负荷进行在线预警。

二、方法流程

1、数据处理

电力负荷预测是依赖于大量历史资料及相关因素的被动型预测，因此原始数据的完善程度与负荷预测的精度联系紧密。由于任何负荷预测都是基于原始数据的，所以数据预测结果的准确度直接由原始数据的正确与否决定。然而，原始数据的收集的预处理不仅琐碎而且十分困难，一些异常数据则会导致观测数据违背常规，如果这些异常值得不到及时的校正，他们就会以伪信息和伪变化规律的方式提供给负荷预测作为参考，将会导致负荷预测的建立发生错误，直接影响预测结果的可靠性。由于elman神经网络是基于类似输入产生类似输出的原理，所以学习样本的数量和质量是影响神经网络学习效果和学习速度的重要因素。

本发明中采用均值函数和方差函数判断负荷异常数据，并利用平滑处理函数对异常负荷数据进行剔除修正。

(1)判断负荷异常数据。

假设电力负荷样本用序列y(x,n)表示，其中，y(x,n)表示第n年第x月的电力负荷数据，x＝0,1,...,11，n＝1,2,...,n，n表示采集的历史电力负荷数据的年份数。采用均值函数

和方差函数定义

为电力负荷的反常函数。在对负荷数据实际处理时，我们做出如下判断：当p(x,n)≥1.2时，负荷点为异常点，当p(x,n)＜1.2时，负荷点为正常点。当负荷点为异常值时，需要剔除。

(2)对异常负荷数据进行剔除修正。

电力系统相邻的负荷具有粘性，一般不会发生特别大的变化，具有平滑性，因此我们利用平滑函数进行修正，经过剔除异常数据和修正后的数据形成预处理样本序列。

2、数据聚类

数据聚类器采用蚁群聚类的思想，假设预处理样本序列用yi＝y(xi,ni)表示，其中，xi＝0,1,...,11表示一年中的12个月，ni＝1,2,...,n表示取n年的负荷数据，设预处理序列个数为m,yi＝1,...j...,m。y(xi,ni)表示第ni年第xi个月的预处理样本序列，聚类过程如下表示：

1)初始化预处理样本序列的基本参数。

设预处理样本序列属性为w，聚类半径为r，允许误差值为ε1，蚂蚁所积累的信息及启发因子在蚂蚁选择路径中所起的不同作用的参数为a、d，参数概率值为p。

2)计算任意两个预处理样本序列之间的距离，本专利中采用聚类公式即：

式中，p＝(p1,p2,...,pm)为权衡因子。

3)计算各路径上的信息量，如下式所示：

式中，q为正常数，δτij(t)为各序列路径上的信息量，rij为任意两个预处理样本序列之间的距离，并作出如下判断：

4)利用类概率公式计算序列yi聚类到yj的概率pij(t)，yi表示第i个预处理样本序列，yj表示第j个预处理样本序列，类概率公式如下所示：

式中，δτij(t)为在序列循环t路线上的信息量，μij为预处理样本序列的可视度，并令同时作出如下判断：如果pij(t)≥p，则yi归属于yj类，否则分为两类。

5)计算偏离误差和总体误差。利用偏离误差公式计算偏离误差σj即：

式中，yi表示第i个预处理样本序列yj表示第j个预处理样本序列。预处理样本序列的总体误差为当总体误差值小于允许误差值ε1时。聚类过程结束，否则继续聚类。

3、网络训练

预先设定一个极小值ε，误差判断器通过构造全局误差函数对神经网络的全局误差做出合理的判断，即：

式中，为隐层误差，为输出层各神经元的误差。若e(x)＜ε则网络收敛，训练达到精度要求；否则对神经网络的权值和阈值进行调整和选择，继续对神经网络进行训练学习，直至网络收敛，训练达到精度要求。

本发明一种基于elman神经网络的电力负荷预警方法，主要工作流程如下：

(1)假设电力负荷样本数据序列用y(x,n)表示，并作为历史数据，采用均值函数即e(x)和方差函数v(x)计算电力负荷样本数据的均值和方差。将计算得到的样本数据的均值和方差e(x)、σx带入电力负荷的反常函数p(x,n)，得到负荷预测样本数据的偏离值。

(2)对电力负荷预测样本的偏离值做出如下判断：当p(x,n)≥1.2时，负荷点为异常点，当p(x,n)＜1.2时，负荷点为正常点。当负荷点为异常值时，需要剔除，并用平滑函数进行修正，经过剔除异常数据和修正后的数据形成预处理样本序列，并将预处理样本序列用yi＝y(xi,ni)表示。

(3)将预处理样本数据输入数据聚类器，采用聚类公式rij计算任意两个样本之间的距离，利用公式δτij(t)计算各序列路径上的信息量，再利用类概率公式计算yi聚类到yj的概率pij(t)，如果pij(t)≥p，则yi归属于yj类，否则分为两类，利用偏离误差公式即计算偏离误差σj，并计算样本数据总体误差当总体误差值小于允许误差值ε1时。聚类过程结束，并得到神经网络的输入样本，否则继续聚类。由此得到神经网络的输入样本序列，并用序列表示。

(4)将输入样本序列输入神经网络，采用网络的误差函数为e(x)＜ε，并预先设定一个极小值ε，通过动态调节网络权值和阈值，计算网络的误差，若e(x)＜ε网络收敛，训练达到精度要求；否则对神经网络的权值和阈值进行调整后，重新进行训练学习。

本发明的一种基于elman神经网络的电力负荷预警方法，如图3所示，包含的步骤为：

步骤1：假设电力负荷样本数据序列用y(x,n)表示，并作为历史数据，采用均值函数即：式中x＝0,1,...,11表示一年中的12个月，n＝1,2,...,n表示取n年的负荷数据，利用方差函数即：计算电力负荷预测样本数据的均值和方差。进入步骤2；

步骤2：将步骤1计算得到的预测样本数据的均值和方差e(x)、σx带入电力负荷的反常函数式中x＝0,1,...,11，n＝1,2,...,n。得到负荷预测样本数据的偏离值。进入步骤3；

步骤3：对步骤2计算得到电力负荷预测样本的偏离值做出如下判断：当p(x,n)≥1.2时，负荷点为异常点，当p(x,n)＜1.2时，负荷点为正常点。当负荷点为异常值时，需要剔除。由此得到预处理样本数据，并将预处理样本序列表示预处理样本序列为yi＝y(xi,ni)，其中xi＝0,1,...,11表示一年中的12个月，yi＝1,2,...j...,n表示取n年的负荷数据，i＝1,...,m。y(xi,ni)表示第ni年第xi个月的预处理样本序列。进入步骤4；

步骤4：将预处理样本数据输入数据聚类器，采用聚类公式(w为样本属性)计算任意两个样本序列之间的距离，利用公式δτij(t)计算各序列路径上的信息量，再利用类概率公式计算yi聚类到yj的概率pij(t)，如果pij(t)≥p，则yi归属于yj类，否则分为两类。进入步骤5；

步骤5：利用偏离误差公式计算偏离误差σj，样本数据总体误差为当总体误差值小于允许误差值ε1时。聚类过程结束，由此得到神经网络的输入样本序列进入步骤6；否则返回步骤4继续聚类；

步骤6：设网络的每个连接权值为wab、fbc，阈值为αb、βc，并将连接权值和阈值赋予(-1,1)区间内的随机值。进入步骤7；

步骤7：将wab、fbc、yx带入公式中得到神经网络隐层神经元的输入mb，其中θb为神经网络隐层神经元间的角常量，p为隐层神经元个数，n为神经网络连接权值个数。进入步骤8；

步骤8：将步骤7计算得到的mb带入隐层传递函数nb＝f(mb)(此处传递函数取为sigmoid函数，)，计算各个神经元的输出nb；进入步骤9；

步骤9：将隐含层各神经元的连接权值fbc、阈值βc和神经网络隐层神经元的输入nb带入公式得到输出层各神经元的输出，其中q为输出层神经元个数，并利用传递函数得到输出层的实际输出pc＝f(rc)。进入步骤10；

步骤10：利用网络终极向量得到输出层各神经元的误差其中代表输出层第一个神经元的终极向量，进入步骤11；

步骤11：将连接权值fbc，输出层误差uc和隐层输出nb带入公式中得到隐层误差进入步骤12；

步骤12：采用公式(其中b＝1,2,...,p。c＝1,2,...q)和(其中1＜η＜1)，并根据输出层各神经元的误差与隐层输出nb来修正连接权值fbc和阈值βc。进入步骤13；

步骤13：采用公式(其中x＝0,1,...,11。b＝1,2,...,p)和(其中0＜ξ＜1)，并输入输入层各单元的输入来修正连接权值fbc和阈值αb。进入步骤14；

步骤14：设网络的误差函数为并预先设定一个极小值ε，若e＜ε网络收敛，训练达到精度要求；否则需要对神经网络进行调整，重新进行训练学习，直至网络收敛，训练达到精度要求；进入步骤15；

步骤15：将训练好的elman神经网络作为电力负荷预警器，从而实现电力负荷预警。

根据需要，该预警结果可以通过多种显示设备(如pc机、移动设备等)提以多种显示方式(如文字、图表等)提供给电力系统管理部门作为决策参考。当预测结果触发预警时，提供文字、声音或图像预警信息，并向不同权限的管理人员传送不同的相应预警信息。

为方便描述，我们假设有如下应用实例：

电力局提交最近10年电力系统的负荷负荷原始数据，首先要对着10年的原始数据进行预处理，将异常负荷数据进行剔除修正，以提高负荷的预测精度，然后对采用蚁群聚类的思想对剔除过异常数据的样本数据进行聚类，以此来达到神经网络的输入样本更具有代表性，从而改善网络训练时间和收敛速度，有效提高预测精度，将聚类后的数据作为神经网络的输入样本数据，当网络全局误差大于给定的极小值时，通过计算网络的整体误差来不断调整神经网络的连接权值和阈值，直到网络的总体误差小于给定的极小值。

其具体的实施方案为：

(1)将电力局提供的电力系统10年的原始数据进行预处理，首先通过数据处理器，采用均值函数和方差函数来计算原始数据的均值和方差，并利用为电力负荷的反常函数p(x,n)计算原始数据的偏离值，将异常负荷点进行剔除。

(2)将剔除异常负荷点的数据输入数据聚类器进行聚类处理，采用聚类公式rij计算任意两个样本之间的距离，利用公式δτij(t)计算各序列路径上的信息量，再利用类概率公式计算yi聚类到yj的概率pij(t)，如果pij(t)≥p，则yi归属于yj类，否则分为两类，由此得到神经网络的输入样本数据利用偏离误差公式计算偏离误差σj，并计算样本数据总体误差当总体误差值小于允许误差值ε1时。聚类过程结束，否则继续聚类。

(3)将聚类后的数据作为神经网络的输入样本数据，采用网络的误差函数为并预先设定一个极小值ε，通过动态调节网络权值和阈值，计算网络的误差，若e(x)＜ε网络收敛，训练达到精度要求；否则对神经网络进行调整，重新进行训练学习。

(4)将通过训练完成的神经网络作为电力负荷预警器，从而实现电力负荷预警。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。