一种基于神经网络算法的电能消耗预测系统.pdf

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。

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υ-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.  一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。

一种基于神经网络算法的电能消耗预测系统
技术领域
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
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。
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
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。
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。
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：
x(d，t)=ω₁x(d₁，t)+ω₂x(d₂，t)
x(d，t)是第d天第t小时的负荷数据值，x(d_i，t)是与其具有相同日期类型相邻两天的负荷数据值，ω_i是线性组合的权重，本章中均取0.5。
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：
假设x(d，t)表示负荷序列，d=1，2，…，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)：
E(t)=1NΣd=1Nx(d,t)]]>
V(t)=1NΣd=1N(x(d,t)-E(t))2]]>
那么在第d天t时刻所测负荷的偏离率就可以利用下式求出。
ρ(d,t)=|x(d,t)-E(t)|V(t)]]>
假若事先设定负荷数据允许的偏离率为η，那么在对负荷数据进行是否正常的判断时，就可以根据以下的方式进行。当ρ(i，t)≤η时，负荷数据正常；当ρ(i，t)＞η时，负荷数据为异常数据。
由上可知，通过调整η的值就能够人为控制负荷数据的偏离程度。当负荷数据异常数据时，则按下式所示的对其进行进一步的处理。
x‾(d,t)=x(d-1,t)+x(d+1,t)2]]>
原始负荷数据中的异常数据使用上述方式进行初步处理后，历史负荷序列就会更加的趋于合理。
在上述处理过程中，由于是用相同类型日相邻两天同时刻的负荷值取平均代替异常数据，它对原始数据特性改变较小。所以可以对较多的负荷值进行处理，从而提高历史负荷数据的质量。
所谓的负荷预测误差，也就是预测值与实际负荷值之间的差距，它主要是因为在负荷预测时，使用的是历史的负荷数据对将来负荷数据进行的预先估计，所以会和实际值有一定的差别。它的大小和预测结果的准确性有着密切的关系，预测误差越小，说明预测结果的准确性越高。预测误差越大，准确性则越低。因此可知，计算预测误差的大小并研究它所产生原因对负荷预测有着极为重大的意义。通过分析预测误差，不仅能够根据预测结果的准确程度来指导电力部门更好地工作，而且还可以改进负荷预测的模型，从而研究出更好地预测技术对电力负荷进行预测。
附图说明
图1为DE算法流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步详细阐述：
(1)对历史负荷数据进行预处理，得到支持向量机的样本集；
(2)利用自适应DE算法对基于混合核的SVM预测模型中的参数寻优；
(3)使用训练样本集对支持向量机进行训练；
(4)根据预测样本集完成对次日的负荷预测；
(5)对预测的结果进行分析评价。