发明名称 |
一种基于人工神经网络改进训练策略的短期负荷预测方法 |
摘要 |
本发明公开了一种基于人工神经网络改进训练策略的短期负荷预测方法,包括:建立Elman人工神经网络,将原始数据进行预处理获得训练样本;通过设置不同的阀值和权值,获得多组训练结果;对比获得的多组训练结果,记录误差最小的预测数据组;重新设置Elman人工神经网络的初始隐含层神经元数,带入训练样本进入网络进行训练;选择与验证样本误差最小的一组对应的人工神经网络模型作为预测模型;本发明方法改变了传统上只输入一个时间点的多个相关日历史负荷数据的做法,改为输入多个时间点的多个相关日历史负荷数据。代入模型预测后,只选取预测值序列中的中间值作为本次预测的目标值,从而避免了边缘效应及数据波动对预测的影响。 |
申请公布号 |
CN105243461A |
申请公布日期 |
2016.01.13 |
申请号 |
CN201510812904.9 |
申请日期 |
2015.11.20 |
申请人 |
江苏省电力公司;江苏省电力公司南京供电公司;山东大学;国家电网公司 |
发明人 |
朱斌;苏大威;霍雪松;张明;吴海伟;潘小辉;孙凯祺;王卓迪;胡爽 |
分类号 |
G06Q10/04(2012.01)I;G06Q50/06(2012.01)I |
主分类号 |
G06Q10/04(2012.01)I |
代理机构 |
济南圣达知识产权代理有限公司 37221 |
代理人 |
张勇 |
主权项 |
一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,包括以下步骤:步骤(1):建立Elman人工神经网络,设定人工神经网络输入层神经元个数、输出层神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差预测参数;步骤(2):设定Elman人工神经网络的初始隐含层神经元数;步骤(3):将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理和横向对比处理以及归一化后,把处理过的数据作为训练样本输入人工神经网络;步骤(4):设置初始阀值和权值,利用训练样本在网络中进行训练,通过设置不同的阀值和权值,获得多组训练结果;步骤(5):对比获得的多组训练结果,记录误差最小的预测数据组;返回步骤(2),重新设置Elman人工神经网络的初始隐含层神经元数,带入训练样本进入网络进行训练;步骤(6):对比通过设置不同的初始隐含层神经元数获得的不同组训练结果,选择与验证样本误差最小的一组对应的人工神经网络模型作为预测模型;步骤(7):在所述预测模型中输入待预测样本进行预测,选取预测值序列中的中间值作为本次预测的目标值,获得系统短期负荷预测数据。 |
地址 |
210024 江苏省南京市鼓楼区上海路215号 |