一种电力负荷的预测方法及装置与流程

本发明涉及电网技术领域，特别是指一种电力负荷的预测方法及装置。

背景技术：

目前，电力负荷主要采用动态神经网络的方法进行预测，动态神经网络一般采用批量学习的方法进行训练。批量学习的特点是在训练前收集所有数据后再进行学习，并且完成后不再重复进行。然而，在实际应用中，所有的训练样本不可能只通过一次学习就完全得到，学习过程必然需要经过时间的推移。

对于此问题，若再次进行学习，则会容纳所有的新旧数据，这样必然消耗大量的时间和资源。另外，这种方法会导致数据不断累积增加，从而导致学习的效率大大降低，同时消耗的时间和空间也会越来越多。

技术实现要素：

有鉴于此，本发明的目的在于提出一种电力负荷的预测方法及装置，能够提高训练效率，且提高预测精度。

基于上述目的本发明提供的电力负荷的预测方法包括：

获取电力新增数据和电力测试数据；所述电力新增数据为所述电力测试数据所在时间段之前的预设时间段内的电力数据；

采用所述电力新增数据对预先训练的bp神经网络进行训练，获得网络结构更新的增量bp神经网络；

将所述电力测试数据输入至所述增量bp神经网络，以预测电力负荷。

进一步地，在所述采用所述电力新增数据对预先训练的bp神经网络进行训练之前，还包括：

获取电力原始数据；所述电力原始数据为所述电力新增数据所在时间段之前的电力数据；

采用所述电力原始数据对建立的bp神经网络进行训练，获得所述bp神经网络中的每个隐节点的权值及权值有效区间。

进一步地，所述电力数据包括负荷数据和气象数据；

所述方法还包括：

在获取电力数据之后，对所述电力数据进行预处理和归一化处理。

进一步地，所述采用所述电力新增数据对预先训练的bp神经网络进行训练，获得网络结构更新的增量bp神经网络，具体包括：

在检测到所述bp神经网络的预测精度低于预设阈值时，在所述bp神经网络中添加隐节点；

采用所述电力新增数据对添加隐节点后的bp神经网络进行训练，获得所述增量bp神经网络。

进一步地，所述在所述bp神经网络中添加隐节点，具体包括：

根据所述bp神经网络中的输入层节点数计算隐节点的个数范围；

在所述bp神经网络中添加至少一个隐节点，以使添加后的隐节点的总数位于所述个数范围内；

将添加的每个隐节点的初始权值设置在所述权值有效区间内。

进一步地，所述隐节点的个数范围的计算公式为：

h＝2i+1；

h＝log2i；

其中，h为隐节点的个数阈值，i为输入层节点数。

进一步地，所述采用所述电力新增数据对添加隐节点后的bp神经网络进行训练，获得所述增量bp神经网络，具体包括：

采用所述电力新增数据对添加隐节点后的bp神经网络进行训练；

每次训练时，对所述bp神经网络中的每个隐节点的权值进行更新；

将更新后的权值低于所述权值有效区间的隐节点进行删除，获得所述增量bp神经网络。

进一步地，所述每次训练时，对所述bp神经网络中的每个隐节点的权值进行更新，具体包括：

每次训练时，对所述bp神经网络中的每个隐节点的权值进行评估，并根据评估结果将所述隐节点分为新节点、稳定节点和抑制节点；

分别设置所述新节点、所述稳定节点和抑制节点的学习速率；

根据所述学习速率和时间影响因子，并基于权值修改公式，分别对所述新节点、所述稳定节点和抑制节点的权值进行更新。

进一步地，所述权值修改公式为：

δωij(k)＝α·η·δj(k)·oi(k)；

其中，δωij(k)为权值的增量，α为时间影响因子，η是学习速率，δj(k)是指示函数，oi(k)为输出层输出数据。

相应地，本发明还提供一种电力负荷的预测装置，能够实现上述电力负荷的预测方法，所述装置包括：

数据获取模块，用于获取电力新增数据和电力测试数据；所述电力新增数据为所述电力测试数据所在时间段之前的预设时间段内的电力数据；

训练模块，用于采用所述电力新增数据对预先训练的bp神经网络进行训练，获得网络结构更新的增量bp神经网络；

预测模块，用于将所述电力测试数据输入至所述增量bp神经网络，以预测电力负荷。

从上面所述可以看出，本发明提供的电力负荷的预测方法及装置，能够通过电力新增数据对预先训练的bp神经网络进行训练，更新bp神经网络的网络结构，获得增量bp神经网络，进而将电力测试数据输入至增量bp神经网络，以预测电力负荷，提高bp神经网络训练的效率和精度，进而提高电力负荷的预测精度。

附图说明

图1为本发明实施例提供的电力负荷的预测方法的流程示意图；

图2为本发明实施例提供的电力负荷的预测方法中的增量bp神经网络的结构示意图；

图3为本发明实施例提供的电力负荷的预测方法的另一流程示意图；

图4为本发明实施例提供的电力负荷的预测方法与现有技术中的批量学习方法的预测结果对比图；

图5为本发明实施例提供的电力负荷的预测装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参见图1，是本发明实施例提供的电力负荷的预测方法的流程示意图。所述电力负荷的预测方法可以包括以下步骤：

101、获取电力新增数据和电力测试数据；所述电力新增数据为所述电力测试数据所在时间段之前的预设时间段内的电力数据。

在本实施例中，电力新增数据为训练样本，电力测试数据为测试样本，电力新增数据是指接近电力测试数据所在时间段的前两周的训练样本。

102、采用所述电力新增数据对预先训练的bp神经网络进行训练，获得网络结构更新的增量bp神经网络。

在本实施例中，bp神经网络包括输入层、隐含层和输出层，隐含层具有多个节点，即隐节点。根据电力原始数据的输入值和输出值，批量训练bp神经网络。在完成bp神经网络的训练后，获得bp神经网络中每个隐节点的权值和权值有效区间。其中，电力原始数据为所述电力新增数据所在时间段之前的电力数据。

根据电力新增数据对预先训练的bp神经网络的网络结构进行增量学习，即通过对隐节点的增加或减少来实现网络结构的更新。

具体地，步骤s2包括：

在检测到所述bp神经网络的预测精度低于预设阈值时，在所述bp神经网络中添加隐节点；

采用所述电力新增数据对添加隐节点后的bp神经网络进行训练，获得所述增量bp神经网络。

需要说明的是，bp神经网络的预测精度为bp神经网络训练的结果，即训练的准确率。在bp神经网络的预测精度低于预设阈值时，动态添加隐节点，并使用电力新增数据训练bp神经网络，从而获得增量bp神经网络。

具体地，所述在所述bp神经网络中添加隐节点，具体包括：

根据所述bp神经网络中的输入层节点数计算隐节点的个数范围；

在所述bp神经网络中添加至少一个隐节点，以使添加后的隐节点的总数位于所述个数范围内；

将添加的每个隐节点的初始权值设置在所述权值有效区间内。

需要说明的是，神经网络的学习能力是由网络结构决定的，通过增加、删减或者增加与删减的组合来实现网络结构的更新。为了避免网络丧失学习和信息处理的能力，神经网络结构中的隐节点不能太少，但如果隐节点过多也会增加网络训练量，甚至导致出现过拟合的状态，因此还需对隐节点的个数范围进行限制。

具体地，隐节点的个数范围由如下两个计算公式来决定：

h＝2i+1；

h＝log2i；

其中，h为隐节点的个数阈值，i为输入层节点数。

根据计算的隐节点个数范围，在bp神经网络中增加至少一个隐节点，即增加隐节点后的隐节点总个数需处于个数范围内。在增加隐节点时，设置新增的隐节点的初始权值，该初始权值应位于权值有效区间内。

具体地，所述采用所述电力新增数据对添加隐节点后的bp神经网络进行训练，获得所述增量bp神经网络，具体包括：

采用所述电力新增数据对添加隐节点后的bp神经网络进行训练；

每次训练时，对所述bp神经网络中的每个隐节点的权值进行更新；

将更新后的权值低于所述权值有效区间的隐节点进行删除，获得所述增量bp神经网络。

需要说明的是，通过对隐节点的状态进行检测以判断是否删除该隐节点，检测的方向有三个：一是隐节点的权值，二是隐节点的输出大小，三是隐节点输出的误差下降率。此外考虑到时间序列数据，越接近当前时间的区段影响越大，越反映最新的时间序列信息其价值也越大，为此可以为权值的更新添加时间影响因子。

具体地，所述每次训练时，对所述bp神经网络中的每个隐节点的权值进行更新，具体包括：

每次训练时，对所述bp神经网络中的每个隐节点的权值进行评估，并根据评估结果将所述隐节点分为新节点、稳定节点和抑制节点；

分别设置所述新节点、所述稳定节点和抑制节点的学习速率；

根据所述学习速率和时间影响因子，并基于权值修改公式，分别对所述新节点、所述稳定节点和抑制节点的权值进行更新。

需要说明的是，先根据隐节点的权值等指标为每个隐节点分类，即对每次训练的隐节点权值进行评估：根据隐节点的权值作用大小，将隐节点分为新节点、稳定节点和抑制节点。其中，新节点即新添的节点，稳定节点即对网络有较大贡献且表现稳定的隐节点，抑制节点即贡献不大且导致bp网络陷入局部极小值的点。

进而，为隐节点的权值变化添加时间影响因子，对于新节点，需要加速权值变化速度；对于抑制节点，需要加速衰减其权值，以加速抑制节点的淘汰；对于稳定节点，无需变化其权值。

具体地，添加时间影响因子的权值修改公式如下：

δωij(k)＝α·η·δj(k)·oi(k)；

其中，δωij(k)为权值的增量，α为时间影响因子，η是学习速率，δj(k)是指示函数，oi(k)为输出层输出数据。

为了避免系统性能的距离振荡，重新对权值衰减的抑制节点评价，当其对整个网络影响较小时，即抑制节点的权值低于权值有效区间时，删除该节点，如图2所示，图中黑色部分的节点表示要删减的隐节点。

103、将所述电力测试数据输入至所述增量bp神经网络，以预测电力负荷。

在本实施例中，将电力测试数据输入至训练好的增量bp神经网络中，获得电力负荷的预测结果，并将该预测结果与真实负荷对比，以进行误差分析。

本发明提供的电力负荷的预测方法，能够通过电力新增数据对预先训练的bp神经网络进行训练，更新bp神经网络的网络结构，获得增量bp神经网络，进而将电力测试数据输入至增量bp神经网络，以预测电力负荷，提高bp神经网络训练的效率和精度，进而提高电力负荷的预测精度。

参见图3，是本发明实施例提供的电力负荷的预测方法的另一流程示意图。所述电力负荷的预测方法可以包括以下步骤：

201、数据预处理。

具体地，先获取电力数据，所述电力数据包括负荷数据和气象数据。进而，将负荷数据和气象数据按照统一格式融合，并将其中的空值、零值和非数值数据进行删除。

202、数据归一化。

具体地，采用归一化计算公式对电力数据进行归一化处理，以避免数值问题使神经网络快速收敛。其中，归一化计算公式为：

其中，x′i是归一化之后的数值，xi是原始数据数值，xmin和xmax分别是xi中最小和最大的数值。

203、将归一化后的数据划分为训练样本和测试样本，并将训练样本划分为原始数据和新增数据。

具体地，新增数据是指训练样本中接近测试样本所在时间段的前两周训练数据，训练样本中的其余数据为原始数据。

204、根据原始数据的输入值和输出值，批量训练bp神经网络。

具体地，在训练bp神经网络后，获得bp神经网络中每个隐节点的权值和权值有效区间。

205、输入新增数据，采用隐节点增删的方法对bp神经网络的网络结构实现增量学习，获得增量bp神经网络。

206、将测试样本输入至训练好的增量bp神经网络，输出并评价预测结果。

具体地，在获得预测结果后，将预测结果与真实负荷对比，以进行误差分析。

以某一居民房屋里的负荷电量为例，采用三组学习试验进行电力负荷的预测。三组学习试验包括批量学习试验一、批量学习试验二和增量学习实验三，其中增量学习实验三是基于本发明实施例提供的电力负荷的预测方法来实现的。

三个试验的预测结果如图4所示。根据图4中的实验曲线可以看到，在实际使用中，居民7-13时段对于负荷使用较低，采用批量学习的方法对其预测的结果并不好，显然其他时段对这一时段有较大的影响。但本发明所提供的方法实现了对最新时刻序列的预测，效果要比批量学习好很多。由此可知，通过实际测试的对比，采用本发明的动态删减隐含层节点的预测方法，相比较批量学习预测方法的精度高，效果好。

相应地，本发明还提供一种电力负荷的预测装置，能够实现上述电力负荷的预测方法。

参见图5，是本发明实施例提供的电力负荷的预测装置的结构示意图。所述装置包括：

数据获取模块1，用于获取电力新增数据和电力测试数据；所述电力新增数据为所述电力测试数据所在时间段之前的预设时间段内的电力数据；

训练模块2，用于采用所述电力新增数据对预先训练的bp神经网络进行训练，获得网络结构更新的增量bp神经网络；

预测模块3，用于将所述电力测试数据输入至所述增量bp神经网络，以预测电力负荷。

本发明提供的电力负荷的预测装置，能够通过电力新增数据对预先训练的bp神经网络进行训练，更新bp神经网络的网络结构，获得增量bp神经网络，进而将电力测试数据输入至增量bp神经网络，以预测电力负荷，提高bp神经网络训练的效率和精度，进而提高电力负荷的预测精度。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。