一种基于人工神经网络和d-s证据理论的用户变化量预测方法
【专利摘要】本发明提供一种基于人工神经网络和D-S证据理论的用户变化量预测方法，包括如下步骤：1）采集用户用电量状况和用电习惯等数据；2）获取用户的原始样本数据，随机等分为n等分，对采集的数据进行预处理；3）初始化n个RBF神经网络，设置网络参数，进行网络离线学习训练；4）RBF神经网络训练完成后建立基于神经网络的特征级融合模型；5）获得检测样本，数据预处理后作为每个神经网络的输入；6）得到n组神经网络输出结果，对每组结果归一化，作为一组证据的信任函数；7）根据合成规则，利用D-S证据理论对这些证据进行融合；以及8）得到最终的信任函数，根据判断规则作出用户变化量的预测。
【专利说明】—种基于人工神经网络和D-S证据理论的用户变化量预测
方法
【技术领域】
[0001]本发明涉及一种基于人工神经网络和D-S证据理论的用户变化量预测方法。
【背景技术】
[0002]随着电力市场的不断发展，用户对电力的需求不断提高，对电力服务的需求也不断提高。电力用户数量巨大，电力需要从用户的用电状况和特性出发，准确预测用户变化量，从而制定精细的服务计划和方案。为此，本发明提出了一种基于人工神经网络和D-S证据理论的电力用户变化量预测方法。
【发明内容】
[0003]本发明的一种基于人工神经网络和D-S证据理论的用户变化量预测方法，包括如下步骤:
[0004]I)采集用户用电量状况和用电习惯等数据；
[0005]2)获取用户的原始样本数据，随机等分为η等分，对采集的数据进行预处理；
[0006]3)初始化η个RBF神经网络，设置网络参数，进行网络离线学习训练；
[0007]4) RBF神经网络训练完成后建立基于神经网络的特征级融合模型；
[0008]5)获得检测样本，数据预处理后作为每个神经网络的输入；
[0009]6)得到η组神经网络输出结果，对每组结果归一化，作为一组证据的信任函数；
[0010]7)根据合成规则，利用D-S证据理论对这些证据进行融合；以及
[0011]8)得到最终的信任函数，根据判断规则作出用户变化量的预测。
[0012]根据该方法，较好地预测了电力用户变化量，取得了很好的社会效益和经济效益。
【专利附图】
【附图说明】
[0013]图1为基于数据融合的电力用户变化量预测方法的原理图；
[0014]图2为RBF神经网络的结构；
[0015]图3为基于神经网络和D-S证据理论的融合决策方法的原理图。
[0016]图4为根据一个实施例的用户变化量测试结果。
【具体实施方式】
[0017]数据融合是一种自动化信息综合处理技术，利用多源数据的互补性和智能计算技术来综合分析数据的信息，从而更精确地描述对象的特性，对对象做出准确的识别和判断。本发明中采用数据融合方法来研究电力用户变化量，实施过程如图1所示:首先，将用户用电习惯和状况作为输入数据，并进行数据的预处理；随后，从海量数据中进行用电用户特征提取与归一化；最后采用一种基于神经网络和D-S证据理论的预测方法，预测出电力用户变化量。[0018]本发明采用的RBF神经网络基本结构如图2所示，使用RBF函数作为隐单元的激活函数，构成隐层空间，输入矢量与隐层之间权值为1，隐层到输出层之间的权值采用学习算法调整。整个RBF网络实现了输入到输出的非线性映射，可以应用于不同非线性关系的分析，同时网络输出与连接权值之间又是线性关系，这样网络的训练速度快。
[0019]D-S证据理论是一种处理不确定性的常用方法，通过建立命题与集合之间的对应关系，使用基本概率分配函数或信任函数来描述识别不确定度的大小，通过对不同证据使用D-S合成规则来更新信任函数。
[0020]本发明中采用一种融合决策方法，如图3所示。采用神经网络进行特征级融合，采用D-S证据进行决策级融合，先由多个神经网络对用户用电量状况和用电习惯作初步处理后，每个网络输出结果归一化之后作为一条证据，D-S证据理论对这些证据进行融合，根据判决规则合成处理后作出用电用户量预测方法。
[0021]这样，便建立了一种基于神经网络和D-S证据理论融合的电力用户量预测方法。其具体步骤包括:采集用户用电量状况和用电习惯等数据；获取用户的原始样本数据，随机等分为η等分，对数据进行预处理；η个RBF神经网络初始化，设置网络参数、网络离线学习训练；RBF神经网络训练完成，建立基于神经网络的特征级融合模型；获得检测样本，数据预处理后作为每个神经网络的输入；得到η组神经网络输出结果，每组结果归一化，作为一组证据的信任函数；根据合成规则，利用D-S证据理论对这些证据进行融合；得到最终的信任函数，根据判断规则作出用户变化量的预测。
[0022]根据一个实施例，为了验证本发明的用户量预测方法的有效性，这里选取了某一供电片区的数据进行训练和测试。首先，随机抽取供电片区的300天用户量数据作为神经网络的训练样本，随后，另外选取了 30天用电量数据来测试该方法的有效性。
[0023]仿真测试的数据如下:
[0024]实测数据值序列=[282303 316 308 289 297 301 322 289 317 309299 292 301 304 290 309 294 301 309 296 298 312 298 320 327317 302 312 293]。
[0025]预测数据值序列=[288309 321 304 290 290 300 319 284 312 308293 293 301 307 293 311 287 295 306 296 300 311 303 323 334317 299 306 295]。
[0026]测试的结果如图4所示，结果表明，该方法预测误差小于3%，具有较好的准确度。
[0027]虽然已经关于具体实施例描述了本发明，但是本发明不是意在对其进行限制。相关【技术领域】的技术人员很容易作出修改、改进和变形，意在将所有的这些修改、改进和变形包含在本发明的权利要求的范围内。
【权利要求】
1.一种基于人工神经网络和D-S证据理论的用户变化量预测方法，包括如下步骤:1)采集用户用电量状况和用电习惯等数据；2)获取用户的原始样本数据，随机等分为η等分，对采集的数据进行预处理；3)初始化η个RBF神经网络，设置网络参数，进行网络离线学习训练；4)RBF神经网络训练完成后建立基于神经网络的特征级融合模型；5)获得检测样本，数据预处理后作为每个神经网络的输入；6)得到η组神经网络输出结果，对每组结果归一化，作为一组证据的信任函数；7)根据合成规则，利用D-S证据理论对这些证据进行融合；以及8)得到最终的信任函数，根据判断规则作出用户变化量的预测。
【文档编号】G06Q10/04GK103544539SQ201310474134
【公开日】2014年1月29日 申请日期:2013年10月12日 优先权日:2013年10月12日
【发明者】齐明, 朱佳柯, 唐义德, 刘永亮, 李艳西, 张鹏, 蒋苏湘, 陈中伟, 谢俭 申请人:国家电网公司, 国网湖南省电力公司信息通信公司, 湖南同飞电力调度信息有限责任公司