一种基于神经网络算法的电能消耗预测系统的制作方法
【技术领域】
[0001] 本发明属于人工智能技术领域，特别涉及一种基于神经网络算法的电能消耗预测 系统。
【背景技术】
[0002] 随着世界范围内能源危机的加剧和我国经济的发展，必然要求加强对高能耗产业 的能源管理，为了顺应国家的节能政策和在激烈的市场竞争中获得优势，节能有着深远的 经济和社会意义。企业以往节能方案的制定多是依赖在生产过程中积累的经验，缺乏严格 的理论推理，达不到理想的节能效果。本发明运用工业工程的理论，从生产的整个工艺流程 出发，运用人工神经网络，研究能源消耗趋势和影响因素的变化规律，确定影响能耗的薄弱 环节和节能潜力比较大的因素，为节能方案的制定和评价提供理论根据。
[0003] 短期负荷预测中最典型的是根据历史数据对未来一天的负荷进行预测。支持向量 机在解决非线性、小样本等实际应用问题中表现出来的优势，也使得它近年来越来越多的 被应用到电力负荷预测领域。研究表明，使用支持向量机进行电力负荷预测，具有精度高、 速度快等优点，有效地改进了负荷预测的效果。
【发明内容】
[0004] 数据预处理是短期负荷预测中关键的一步，负荷预测时需要大量的历史相关数 据，这些历史数据大多都是通过电力系统采集而来，因此这些数据不仅受到测量、传输设备 的影响，也受到了拉闸、限电等人为因素的影响。所以在使用这些数据进行预测前，应该先 对其进行分析处理，对其中的不规则数据予以删除，对缺失的数据进行补齐，否则这些异常 数据的存在会降低负荷预测的精度。
[0005] 本文通过对缺失负荷数据的修补、对异常负荷数据做垂直和水平处理这两个手段 得到平滑的历史负荷曲线，如下将对这两个方面进行详细的介绍。
[0006] 所谓的负荷数据缺失，是指在采集到的负荷数据中，出现某一天的数据相对明显 较少，对这些缺失数据一般可以参照相邻几天的负荷数据对其进行人工补齐。然而不同日 期类型的负荷数据差异通常会相差较大，所以在补充这些数据时一定要选用相同日期类型 的相邻几天的负荷数据进行填充。可以采用式下所描述的进行处理：
[0007] X (d, t) = ω jX ((I1, t) + ω 2χ (d2, t)
[0008] x(d，t)是第d天第t小时的负荷数据值，Χ(φ，t)是与其具有相同日期类型相邻 两天的负荷数据值，O i是线性组合的权重，本章中均取〇. 5。
[0009] 在所获得的历史数据中，因受随机因素的影响，可能会出现某些异于正常的负荷 数据，通常称它们为异常数据。如果正常的负荷序列中存在大量的这种数据，会导致整体噪 声的增加，降低负荷曲线的平滑性，从而增加了预测的难度。所以在使用历史数据之前，要 先对其中的异常数据进行删除或平滑等预处理。根据电力负荷的周期性特点，可以利用24 小时为小周期对负荷数据进行处理。其理论依据是，不同日期在同一时刻的负荷是具有相 似性的，它会维持在一定的范围内，从而就可以对超出这个范围的那些异常数据进行处理。 处理的方式如下：
[0010] 假设x(d，t)表示负荷序列，d=l，2,…，N表示第几天，t=0,1, "·，47代表第d天 的第几个负荷点。利用式下计算出每个负荷点N天内的平均值E(t)和方差V(t):
【主权项】
1. 一种基于神经网络算法的电能消耗预测系统。其特征在于SVM的变形：为了使SVM 能够适应实际问题的应用要求，根据结构风险最小化原则和核函数理论，许多学者从改变 SVM的具体实现形式方面着手，提出了很多SVM变形算法。如Scholkopf?等从如何控制支持 向量数量出发，提出了 u-SVM算法，Chang等则为该算法设计了高效的训练方法。Suykens 等提出了最小二乘支持向量机，将SVM中的二次规划问题转化成线性规划问题，使得算法 变得简单，但却失去了稀疏性。另外还有模糊SVM及光滑SVM等各种SVM变形算法。
2. -种基于神经网络算法的电能消耗预测系统。其特征在于核函数和参数选择：SVM 的性能由它的核函数和参数决定，在实际应用时，应该根据不同的问题选择核函数和参数。 一般来说，选择的核函数应该可以有效地反映出数据的实际模型，而设置的参数也应该能 让训练误差与模型复杂度之间达到最佳的折中，选取不当的核函数与参数都会使得SVM达 不到较好的效果。然而，目前没有固定的方法选择核函数及相关参数，通常依赖于人为经验 进行选择和调整，但由于缺乏理论指导，所以效率和可靠性一般都较低。
【专利摘要】本发明属于人工智能技术领域，具体公开了一种基于神经网络算法的电能消耗预测系统，本发明提出基于支持向量机的电力负荷预测问题的最终目的是以历史数据作为训练样本，通过训练网络，找出以影响电力负荷的因素为输入，待预测负荷为输出的最优函数关系。因此历史负荷数据的数量和质量、支持向量机核函数的选取以及参数的选择对预测模型的精度和泛化能力都有着重要的影响。
【IPC分类】G06N3-02, G06Q10-04
【公开号】CN104657781
【申请号】CN201310601412
【发明人】李童, 吴滨
【申请人】江南大学
【公开日】2015年5月27日
【申请日】2013年11月20日