基于T‑S模糊Elman神经网络的短期电力负荷预测方法与流程

本发明涉及一种基于t-s模糊elman神经网络的短期电力负荷预测方法，属于电力系统负荷预测领域。

背景技术：

电力系统负荷预测根据预测周期分类可分为中长期负荷预测、短期负荷预测和超短期负荷预测。其中，短期负荷预测是指针对未来一天到一周时间内每天各时段的负荷预测的研究。短期负荷预测在电力系统负荷预测研究中是至关重要的，其预测的精度直接影响到电力系统安全经济稳定运行、实现电网科学管理和调度。目前，主要采用的是人工神经网络算法的反向传播法(bp算法)，其在电力系统负荷预测研究方向得到了广阔的应用。由于电力系统负荷易受气候、经济等因素的影响呈动态特性，而bp神经网络是将动态建模问题转换为静态建模问题，这样就会使网络运行时存在陷入局部极小、单向传播没有反馈等问题。

技术实现要素：

本发明要解决的技术问题是：更好地拟合电力负荷系统的非线性、动态性和时变性的特点。

为了解决上述技术问题，本发明的技术方案是提供了一种基于t-s模糊elman神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：

步骤1、获取某地区的电力系统历史负荷数据，对历史负荷数据的异常数据进行处理；

步骤2、对影响电力负荷因素进行分析与量化，将修正后的负荷数据进行归一化；

步骤3、确定神经网络的输入输出数据，其中，将预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1、n-2日第t、t-1和t+1小时负荷值作为输入数据，预测日的第t小时整点负荷值为输出数据，并且确定最优的隐含层神经元的个数，在规则层引入延时单元，将规则层的输出即上一时刻所有规则的激活强度作为当前时刻输入的信息，从而建立基于t-s模糊elman神经网络；

步骤4、使用预测日前两个月的历史负荷数据、天气参数数据和日期类型数据进行训练，用训练好的t-s模糊elman神经网络进行预测，并将预测的数据反归一化从而得到最终的预测负荷值；

优选地，所述步骤1中获取某地区的电力历史负荷数据，其数据样本来自于scada系统。

优选地，所述步骤1中的异常数据处理的处理方式包括水平处理、垂直处理或曲线拟合。

优选地，所述步骤2中的影响负荷因素包括温度、天气特征和日期类型，根据这些因素对负荷的影响程度将其进行量化处理。

优选地，所述步骤2中负荷数据归一化，使用归一化公式将负荷数据归一化为[0，1]，使其处于同一数量级别，加快神经网络收敛。

优选地，所述步骤3中确定最优的隐含层神经元的个数中，该网络的隐含层为单隐含层，其神经元的个数根据经验公式和训练的效果进行确定。

优选地，所述步骤4中将预测的数据反归一化得到最终的预测负荷值总，其反归一化根据归一化公式的变形即可得到反归一化的公式，最终的数据就是实际数量级的负荷数据。

elman神经网络是一种典型的动态神经元网络，具有适应时变特性的能力，同时t-s模糊控制使系统的输出可以表示为输入变量的线性组合，因此该系统可以很好的拟合电力负荷系统的非线性、动态性和时变性的特点。

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明将t-s模糊控制与elman神经网络相结合应用到短期电力负荷预测中，该模型兼具elman神经网络和模糊控制的优点，不仅具有很强的动态非线性拟合能力，而且较好的模拟了误差反馈修正的动态过程，能够更好的拟合电力负荷系统的非线性、动态性和时变性的特点，预测精度较高，可广泛应用于电力系统短期负荷预测中。

附图说明

图1是本发明的流程图；

图2是本发明t-s模糊elman神经网络结构图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于t-s模糊elman神经网络的短期电力负荷预测方法，如图1所示，包括以下步骤：

(1)获取某地区的电力系统历史负荷数据，对历史负荷数据的异常数据进行处理；其中，历史负荷数据样本主要来自于scada系统；异常数据是由于其他一些因素的干扰该系统会存在不完整的数据，并存在错误数据。

(2)对影响电力负荷因素进行分析与量化，将修正后的数据进行归一化；其中，影响电力负荷因素包括温度、天气特征和日期类型等，根据这些因素对负荷的影响程度将其进行量化处理；归一化是使用归一化公式将负荷数据归一化为[0，1]，使其处于同一数量级别，加快神经网络收敛。

(3)确定神经网络的输入输出数据，并且确定最优的隐含层神经元的个数，在规则层引入延时单元，将规则层的输出即上一时刻所有规则的激活强度作为当前时刻输入的信息，从而建立基于t-s模糊elman神经网络；其中，输入输出数据是将预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1、n-2日第t、t-1和t+1小时负荷值作为输入数据，预测日的第t小时整点负荷值为输出数据；隐含层神经元的个数，根据经验公式和训练的效果进行确定；延时单元，是将规则层的输出即上一时刻所有规则的激活强度作为当前时刻输入的信息，也可看作是记忆单元。

(4)使用预测日前两个月的历史负荷数据、天气参数数据和日期类型数据进行训练，用训练好的t-s模糊elman神经网络进行预测，并将预测的数据反归一化从而得到最终的预测负荷值；其中，反归一化是将归一化公式变形得到的反归一化公式，从而得到实际数量级的负荷数据。

下面以某沿海地区地级市的历史负荷数据为研究对象为例来进一步说明本发明。其具体步骤如下：

获取历史负荷数据及数据的处理

在现阶段电力系统中，电力系统负荷数据主要来自于scada系统，由于种种原因，scada系统的数据并不完整，并存在一些错误数据。针对这些异常数据，需要采用一定的方法来对数据进行检测和修正。

数据的垂直处理：电力系统负荷具有一定的周期性，在相似日同一时刻负荷具有一定的相似性，其变化范围保持在一定的范围内。若超出这个范围，则可判定为异常数据。通过对负荷的垂直处理，可检测出部分异常数据。通过对突变负荷的平滑处理，可以使得数据波动较小。

数据的水平处理：在电力系统负荷数据中，相似时刻负荷不会出现大幅突变的情况，因此可依据前后两时刻负荷数据为基准值，设定数据的最大误差范围。如果负荷值与前后两个时刻的负荷数据之差的绝对值都超过阈值的话，则可判定该负荷值是坏数据。

对影响负荷因素量化及将修正后的数据归一化

在电力市场中，电力系统负荷受影响的因素较多，其不仅受电力负荷需求、天气状况、季节性、地域等因素，同时也受国家经济、政治、居民生活习惯等因素影响。对该沿海地区主要影响因素为温度、天气特征和日期类型。当温度变化在一定范围内，对负荷变化影响基本相似，所以在不同温度赋予一个[0，1]之间的量化值。针对天气特征，该地区四季分明，因此根据历史负荷数据和季节特点，从天气晴朗到阴到暴雨赋予一个[0，1]之间从大到小的量化值。对日期类型，主要是根据工作日和休息日对其量化处理。

构建t-s模糊elman神经网络的模型

t-s模糊elman神经网络包含五层，分别是输入层、隶属函数层、规则层、参数层、输出层，共n个输入节点，1个输出节点，其拓扑结构如图2所示。

输入层即输入的数据，包括预测日当天的天气特征、温度、日期类型和t-1小时负荷值以及预测时刻的n-1、n-2日第t、t-1和t+1小时负荷值；隶属函数层，该层的每个节点代表一个隶属函数，与输入层的连接权值为1，采用高斯函数作为隶属度函数，计算每个节点对应的隶属度；规则层引入了延时单元，将规则层的输出即上一时刻所有规则的激活强度作为当前时刻输入的信息；参数层，该层属于t-s模糊神经网络的后件部分；输出层，实现t-s模糊系统的去模糊化功能，得到一个线性组合的输出。

短期负荷预测的实现

以该地区2012年5月和6月的数据作为原始样本数据，经过异常数据的处理以及归一化后，得到一组正常的可供神经网络学习的数据，通过已经构建好的t-s模糊神经网络，最终得到预测日的一天24小时的负荷值，经检验对比，其平均绝对误差可以控制在2％以内，mse可以控制在0.6％以内。因此，该模型可以很好的预测短期电力负荷数据。