一种基于bp网络模型的负荷预测的模型输入变量优化方法
【专利摘要】本发明公开了一种基于BP网络模型的负荷预测的模型输入变量优化方法，包括如下步骤：通过方差贡献法选择预测器的输入变量；对步骤S1所得的输入变量的相关因素的方差贡献进行F检验，剔除负荷的影响作用不显著的输入变量；检查已选择的输入变量，去除对负荷作用变得不显著的输入变量；建立BP人工神经网络模型，引入步骤S3所得的输入变量；进行负荷预测。本发明提高了负荷预测的精度。
【专利说明】一种基于BP网络模型的负荷预测的模型输入变量优化方 法
【技术领域】
[0001] 本发明涉及符合预测领域，具体涉及一种基于BP网络模型的负荷预测的模型输 入变量优化方法。
【背景技术】
[0002] 负荷预测是城网规划的基础，对规划的质量起关键作用[1]。目前，关于中长期负荷 预测有多种方法，新的预测方法仍在不断的研宄中。由于城市建设发展的过程是变化的，经 济预测数据及经济的增长也是变化的，未来发展的不确定性影响着负荷预测的准确性。尽 管目前已有多种预测方法，但各种方法都有局限性，不管采用何种算法和模型，都无法保证 负荷预测的绝对准确。
[0003] 为提高负荷预测的准确性，在进行负荷预测时我们总希望凡是影响负荷的所有因 素都能作为输入变量，特别是那些作用显著的因素不能漏掉。但是如果选择的相关因素太 多，意味着在资料收集上要全面准确，在实际中有些资料的收集是很困难的，并且用人工神 经网络进行预测时，选择的输入变量越多，预测的模型就越复杂，预测的精度也难以保证。
【发明内容】
[0004] 为解决上述问题，本发明提供了一种基于BP网络模型的负荷预测的模型输入变 量优化方法，提高负荷预测的精度。
[0005] 为实现上述目的，本发明采取的技术方案为：
[0006] 一种基于BP网络模型的负荷预测的模型输入变量优化方法，包括如下步骤：
[0007]S1、通过方差贡献法选择预测器的输入变量；
[0008]S2、对步骤Sl所得的输入变量的相关因素的方差贡献进行F检验，剔除负荷的影 响作用不显著的输入变量；
[0009]S3、检查已选择的输入变量，去除对负荷作用变得不显著的输入变量；
[0010]S4、建立BP人工神经网络模型，引入步骤S3所得的输入变量；
[0011]S5、进行负荷预测。
[0012] 其中，所述BP人工神经网络模型采用一个隐含层的BP网络模型。
[0013] 本发明基于人工神经网络原理，设计了一个由输入层、隐含层和输出层组成的三 层BP网络模型，利用神经网络高度非线性建模能力，选取影响电力负荷的一些经济因素作 为BP人工神经网络的输入变量，采用新定义的方差贡献法对输入变量进行优化选择，提高 了负荷预测的精度。
【专利附图】
【附图说明】
[0014] 图1为本发明实施例一种基于BP网络模型的负荷预测方法中BP网络模型的结构 图。
【具体实施方式】
[0015] 为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步 详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发 明。
[0016] 一种基于BP网络模型的负荷预测的模型输入变量优化方法，包括如下步骤：
[0017] S1、通过方差贡献法选择预测器的输入变量；
[0018] 方差贡献法就是用来分析各类影响因素对负荷的影响程度。假设当输入变量为 X1,x2,...，Xn，负荷的预测值为^真实值为y时，我们可以根据
[0019]
【权利要求】
1. 一种基于BP网络模型的负荷预测的模型输入变量优化方法，其特征在于，包括如下 步骤： 51、 通过方差贡献法选择预测器的输入变量； 52、 对步骤S1所得的输入变量的相关因素的方差贡献进行F检验，剔除负荷的影响作 用不显著的输入变量； 53、 检查已选择的输入变量，去除对负荷作用变得不显著的输入变量； 54、 建立BP人工神经网络模型，引入步骤S3所得的输入变量； 55、 进行负荷预测。
2. 根据权利要求1所述的一种基于BP网络模型的负荷预测的模型输入变量优化方法， 其特征在于，所述BP人工神经网络模型采用一个隐含层的BP网络模型。
【文档编号】G06N3/02GK104484700SQ201410659476
【公开日】2015年4月1日 申请日期:2014年11月7日 优先权日:2014年11月7日
【发明者】朱继萍, 刘霞, 刘密歌, 张伟 申请人:西安文理学院