地铁供电负荷预测系统的回声状态神经网络负荷预测模型的制作方法

本发明涉及地铁供电系统短期负荷预测领域，尤其涉及一种基于回声状态神经网络负荷预测模型的地铁供电系统短期负荷预测系统。

背景技术：

城市地铁交通是城市现代化标志，是现代化城市中理想的、能满足市民出行需求的一种公共交通工具。它在给我们带来快捷、方便的同时，也会给电网带来负面影响，地铁作为大功率非线性负荷，其运行的特点及投运后对地区电网的影响应是电力部门重点关注的问题。对预估较为严重的问题，应采取适当的防范措施，使其负面影响控制在允许范围内。地铁供电系统负荷具有随机性、波动性及不稳定性的特点，这些特点导致地铁供电系统负荷对电网产生冲击，干扰电网的安全、稳定及经济运行。通过对地铁供电系统负荷进行预测能够有效降低对电网产生的不利影响，以保证电力系统能够安全稳定地运行。

回声状态神经网络由输入层、储备池、输出层构成，储备池为动态网络，由大量随机稀疏连接的神经元构成。储备池的应用克服了传统神经网络收敛速度慢和易陷入局部极小的问题。回声状态神经网络已应用于光伏发电功率预测等多个研究领域。然而地铁供电系统负荷预测研究是当前的一个研究空白，尤其是采用回声状态神经网络对地铁供电系统负荷进行预测处于研究真空。

技术实现要素：

为了填补现有技术的空白，本发明提出了一种地铁供电系统短期负荷预测系统，包括负荷统计模块，负荷数据调用模块，负荷数据预测模块，预测误差统计模块，图形输出模块以及数据输出模块；其中负荷统计模块用于统计历史负荷数据，负荷数据调用模块调用负荷统计模块中的历史负荷数据并发送给负荷数据预测模块，负荷数据预测模块根据历史负荷数据对未来的负荷进行预测并输出预测数据，预测误差统计模块对输出的预测数据进行校准后，通过图形输出模块以及数据输出模块输出修正后的预测的数据；其中所述负荷数据预测模块是采用基于回声状态神经网络的地铁供电系统短期负荷预测模型而构建的。

进一步的，所述基于回声状态神经网络的地铁供电系统短期负荷预测模型采用下述算法获得：构建回声状态神经网络，包括输入层、储备池、输出层；网络模型中输入层有k个输入节点，储备池有n个内部节点，输出层有l个输出节点；

在t时刻时，网络的输入向量为u(t)＝[u₁(t),u₂(t),···,u_k(t)]^T，内部状态向量为x(t)＝[x₁(t),x₂(t),···,x_n(t)]^T，输出向量为y(t)＝[y₁(t),y₂(t),···,y_l(t)]^T，则ESN预测模型的状态方程和输出方程分别为：

x(t+1)＝f(wⁱⁿu(t+1)+wx(t)+w^backy(t)) (1)

y(t+1)＝f^out(w^out(u(t+1),x(t+1),y(t+1))) (2)

式中，wⁱⁿ表示输入层到储备池的输入连接权值矩阵，w表示储备池内部连接权值矩阵，w^back表示输出层到储备池的反馈连接权值矩阵，w^out表示储备池到输出层的输出连接权值矩阵，f表示储备池单元的激励函数，取双曲正切函数；f^out表示输出单元的激励函数，取恒等函数；

其中输出连接权值矩阵w^out通过给定的训练样本(u(t),y(t),(t＝1,2,···,q))来确定，其训练过程可分为两个阶段：

(1)采样阶段

首先对网络的初始状态进行赋值，通常情况下网络的初始状态为0，即x(t)＝0。然后将训练样本(u(t),t＝1,2,···,q)通过wⁱⁿ输入到动态储备池中，按照式(1)和式(2)依次完成网络状态向量x(t)和输出向量y(t)的计算；

从某一时刻h开始记录回声状态神经网络系统内部状态变量和相应的样本数据，然后用相量([u₁(j),u₂(j),···,u_k(j)]^T；[x₁(j),x₂(j),···,x_n(j)]^T)来构成矩阵B(q-h+1)，并用相量([y₁(j),y₂(j),···,y₃(j)]^T)来构成矩阵T(q-h+1,l)。其中j＝h,h+1,···,q；

(2)权值计算阶段

根据采样过程中回声状态神经网络系统记录的内部状态数据和样本数据，通过最小二乘法线性回归计算得到输出连接权值矩阵w^out。由于网络的内部的状态变量x(t)与网络的实际输出之间为线性关系，所以利用网络的实际输出来逼近网络的理想输出y(t)：

在计算权值w_i^out的过程需要保证上述公式的均方根误差最小，于是问题可以转化为求解下面公式的优化问题：

从数学的角度来看，这是一个线性回归的问题，可以转换为求矩阵B的逆矩阵问题，即w^out＝B^-1T,回声状态神经网络训练结束。

本发明设计了统计与预测一体的地铁供电系统短期负荷预测系统，提出了基于回声状态神经网络的地铁供电系统短期负荷预测模型及其构建方法。回声状态神经网络由输入层、储备池、输出层构成，储备池为动态网络，由大量随机稀疏连接的神经元构成。储备池的应用克服了传统神经网络收敛速度慢和易陷入局部极小的问题。利用实际地铁供电系统的历史数据进行仿真验证，仿真结果表明基于回声状态神经网络的预测模型具有良好的预测精度和预测稳定性。

附图说明

图1是本发明的地铁供电系统短期负荷预测系统的示意图；

图2是本发明的地铁供电系统短期负荷预测系统的回声状态神经网络预测模型的示意图；

图3是本发明的地铁供电系统短期负荷预测系统与BP-NN预测模型的预测比较曲线图。

具体实施方式

在全面深入的地铁供电系统负荷特性分析和精确先进的负荷预测模型研究的基础上，设计了统计与预测一体的地铁供电系统短期负荷预测系统。如图1所示，本发明的地铁供电系统短期负荷预测系统包括负荷统计模块，负荷数据调用模块，负荷数据预测模块，预测误差统计模块，图形输出模块以及数据输出模块。其中负荷统计模块用于统计历史负荷数据，负荷数据调用模块调用负荷统计模块中的统计数据并发送给负荷数据预测模块，负荷数据预测模块根据历史负荷数据对未来的负荷进行预测并输出预测数据，预测误差统计模块对输出的预测数据进行校准后，通过图形输出模块以及数据输出模块输出修正后的预测的数据。

在所述地铁供电系统短期负荷预测系统中，负荷预测模块是核心模块，基于回声状态神经网络的地铁供电系统短期负荷预测模型为该模块的一种核心算法。

回声状态神经网络是一种新型递归神经网络，它的网络结构由输入层、储备池、输出层构成。储备池是一个动态网络，它是由大量随机稀疏连接的神经元构成的，当输入信号进入储备池内部时，会激发其内部复杂的非线性状态空间，然后通过输出层输出网络信号。传统递归神经网络训练算法复杂，计算量大，而在回声状态神经网络预测模型中建立储备池和完成网络训练是分别进行的,在网络训练时只需要调整储备池到输出层的权值，其它权值在网络初始化后便不再改变，训练算法简单，计算量小，可有效解决局部最优问题，回声状态神经网络预测模型如图2所示。

图2中实线连接表示预测模型的必要连接权值，虚线连接对于构成预测模型不是必需的，是根据不同情况来选择的连接权值。由图2可知，网络模型中输入层有k个输入节点，储备池有n个内部节点，输出层有l个输出节点。在t时刻时，网络的输入向量为u(t)＝[u₁(t),u₂(t),···,u_k(t)]^T，内部状态向量为x(t)＝[x₁(t),x₂(t),···,x_n(t)]^T，输出向量为y(t)＝[y₁(t),y₂(t),···,y_l(t)]^T。则ESN预测模型的状态方程和输出方程分别为：

x(t+1)＝f(wⁱⁿu(t+1)+wx(t)+w^backy(t)) (1)

y(t+1)＝f^out(w^out(u(t+1),x(t+1),y(t+1))) (2)

式中，wⁱⁿ表示输入层到储备池的输入连接权值矩阵，w表示储备池内部连接权值矩阵，w^back表示输出层到储备池的反馈连接权值矩阵，w^out表示储备池到输出层的输出连接权值矩阵。f表示储备池单元的激励函数，一般取双曲正切函数；f^out表示输出单元的激励函数，一般取恒等函数。

回声状态神经网络预测模型只需通过给定的训练样本(u(t),y(t),(t＝1,2,···,q))来确定网络输出连接权值矩阵w^out即可，其训练过程可分为两个阶段：采样阶段和权值计算阶段。

(1)采样阶段

首先对网络的初始状态进行赋值，通常情况下网络的初始状态为0，即x(t)＝0。然后将训练样本(u(t),t＝1,2,···,q)通过wⁱⁿ输入到动态储备池中，按照式(1)和式(2)依次完成网络状态向量x(t)和输出向量y(t)的计算。

通过计算得到输出连接权值矩阵w^out，回声状态神经网络系统需要从某一时刻h开始记录其内部状态变量和相应的样本数据，然后用相量([u₁(j),u₂(j),···,u_k(j)]^T；[x₁(j),x₂(j),···,x_n(j)]^T)来构成矩阵B(q-h+1)，并用相量([y₁(j),y₂(j),···,y₃(j)]^T)来构成矩阵T(q-h+1,l)。其中j＝h,h+1,···,q。

(2)权值计算阶段

根据采样过程中回声状态神经网络系统记录的内部状态数据和样本数据，通过最小二乘法线性回归计算得到输出连接权值矩阵w^out。由于网络的内部的状态变量x(t)与网络的实际输出之间为线性关系，所以利用网络的实际输出来逼近网络的理想输出y(t)：

在计算权值w_i^out的过程需要保证上述公式的均方根误差最小，于是问题可以转化为求解下面公式的优化问题：

从数学的角度来看，这是一个线性回归的问题，可以转换为求矩阵B的逆矩阵问题，即w^out＝B^-1T,回声状态神经网络训练结束。

以某城市地铁供电系统作为研究对象，对该地铁供电系统的历史负荷数据进行相关的仿真分析，通过对地铁供电系统的负荷特性分析可知，日类型因素对地铁供电系统的负荷的影响比较大。因此本专利预测模型采用的输入量包括预测日的日类型以及预测日前一天同一时刻的负荷,以及前三小时和后三小时的负荷,以及预测日前一周同一时刻的负荷。预测模型的输出量为预测日预测时刻的负荷值。

由于样本数据中有奇异值的存在，变量的量纲也不同，对于预测模型的预测进精度产生影响，因此在网络训练之前需要对原始数据进行归一化处理。日类型数据分为三类，周一取1,周二至周五取0.2，周六和周日取0.1。

构建回声状态神经网络预测模型和BP预测模型分别对地铁供电系统某日的负荷进行仿真预测，仿真结果如图3所示，并把预测值和实际值与BP预测模型的预测值进行比较，其误差比较结果如表1所示。

表1 两种模型预测误差比较

从图1和表1可以看出，回声状态神经网络预测模型的平均预测误差比BP-NN预测模型的平均预测误差提高了2.65％，回声状态神经网络预测模型的最大预测误差比BP-NN预测模型的最大预测误差提高了2.90％，表明了ESN预测模型的预测精度明显高于BP-NN预测模型的预测精度。

尽管已经结合实施例对本发明进行了详细地描述，但是本领域技术人员应当理解地是，在不背离本发明精神和实质下的各种修正、形变都是允许的，它们都落入本发明权利要求的保护范围之中。