基于灰色關聯度的多重bp神經網絡負荷預測方法
【專利摘要】本發明公開了一種基于灰色關聯度的多重BP神經網絡負荷預測方法，本發明方法包括：一、基于灰色關聯度的負荷序列關聯性分析；二、基于最短距離法聚類確定多重BP神經網絡的成員集；三、基于有效性指標確定多重BP神經網絡的重數；四、還引入了動量因子，并采用多次計算求平均值的方式，改善BP神經網絡易陷入局部收斂的問題，提高其抗振蕩能力；五、將建立的多重BP神經網絡預測模型對短期電力負荷進行預測。本發明方法改善了BP神經網絡易陷入局部收斂的問題，提高了其抗振蕩能力，且多重BP神經網絡相比傳統BP神經網絡預測模型，具有更好的預測效果。
【專利說明】
基于灰色關聯度的多重BP神經網絡負荷預測方法
技術領域
[0001] 本發明設及電力系統短期負荷預測應用的技術領域，特別設及一種基于灰色關聯 度的多重BP神經網絡負荷預測方法。
【背景技術】
[0002] 電力負荷預測在保證電力系統規劃與可靠、經濟運行方面具有十分重要的意義。 隨著現代技術的不斷進步和智能電網的深入，負荷預測理論和技術已有很大發展。多年來， 電力負荷預測方法和理論不斷涌現，時間序列法、模糊理論、回歸分析法、回歸支持向量機、 貝葉斯和神經網絡等技術為電力負荷預測提供了很好的技術支撐。但現有算法仍存在一定 的局限性。時間序列法:對歷史數據準確性較高，短期負荷預測時，對天氣因素不敏感，難W 解決因氣象因素引起的短期負荷預測精度不高的問題。回歸分析法:從統計平均意義視角 定量地描述所觀察變量之間的數量關系，但受負荷數據量規模的限制較大。回歸支持向量 機:該方法在具有很好的泛化能力，但會因對懲罰系數C、損失函數的e和核函數的丫值參數 的尋優而導致訓練時間過分地冗長，尤其在訓練樣本集規模較大時，體現得越突出。
[0003] 考慮到BP神經網絡具有很強的非線性映射能力、自學習能力和容錯能力，將其應 用于負荷小數據集時，具有預測精度較高、訓練速度快等優點。然而傳統BP神經網絡應用于 負荷預測時，仍存在一個關鍵問題，隨著負荷樣本數量的增加，網絡預測精度可能會下降， 即所謂的"過擬合"問題，且同時會導致神經網絡訓練時收斂速度變慢。其原因在于歷史負 荷數據每一天的負荷都存在峰谷差，且波動較大，因此直接將全部負荷數據共用一個BP神 經網絡。顯然，在訓練時，網絡為強調整體的訓練誤差，將會出現"過擬合"的問題，會導致后 期實際負荷預測時泛化能力較弱，且隨著訓練樣本的增加，負荷預測速度也將明顯下降。

【發明內容】

[0004] 本發明所要解決的技術問題是提供一種基于灰色關聯度的多重BP神經網絡負荷 預測方法，針對傳統BP神經網絡應用于負荷預測中因存在"過擬合"而導致泛化能力較弱的 問題，基于灰色關聯度和最短距離法，定義表征聚類優劣的有效性指標，W此確定預測模型 的合理重數。
[0005] 為解決上述技術問題，本發明采用的技術方案是：
[0006] -種基于灰色關聯度的多重BP神經網絡負荷預測方法，包括W下步驟:步驟一:采 用灰色關聯度方法對負荷序列的關聯性進行分析;步驟二:根據最短距離法聚類確定多重 BP神經網絡的成員集;步驟根據有效性指標確定多重BP神經網絡的重數;步驟四：根據 步驟一的分析結果和步驟二、S確定重數后的BP神經網絡進行負荷預測。
[0007] 進一步的，還包括步驟五:對BP神經網絡進行改進，即引入動量因子，采用多次計 算求平均值的方式對BP神經網絡進行改進。
[0008] 進一步的，B巧申經網絡由信號的正向傳遞和誤差的反向傳播兩部分組成，計算實 際輸出時按輸入到輸出的方向進行，而各層權值、闊值的修正過程則從輸出到輸入的方向 進行。
[0009] 進一步的，所述誤差的反向傳播包括：由輸出層開始逐層計算各層神經元的輸出 誤差，再根據誤差梯度下降法調節各層的權值和闊值，使調節后網絡映射的最終輸出能接 近期望值。
[0010] 進一步的，所述步驟一具體包括：
[0011] 構造序列矩陣，W歷史負荷數據縱向24點負荷序列為基礎，建立初始負荷序列矩 陣L= [Li，L2，…山]，其中m數值為24，N為歷史負荷數據的縱向維度，對應負荷記錄天數，
[0012] 無量綱化，用初值法方法進行數據處理，得無量綱矩陣，記作!/=[!/1,1/2,…，L 'm]，L'i(k)=kA)/li(l)i = l，2，...，N;k=l，2，...，m;
[0013] 關聯系數計算，
'式中，P和q均為縱 向24點負荷序列的序號，S為分辨系數，k為縱向長度索引，Cpq化)為第k行P列負荷與q列負 荷的關聯系數；
[0014] 關聯度計算，Tpq為第P列負荷與q列負荷的關聯度，通過關聯度的計算負荷序列的 關聯系數矩陣
[0015] 進一步的，所述步驟二具體包括：
[0016] 采用歐式距離定量計算出表征負荷關聯矩陣序列彼此之間相似性的距離向量；
[0017] 采用最短距離法獲取包含聚類樹信息的矩陣；
[0018] 結合;
所確定的負荷序列的關聯系數矩陣，采用 最短距離法確定多重BP神經網絡重數的譜系圖。
[0019] 進一步的，所述步驟=中的有效性指標為
I:其中，Lp(i)、Lq(i)分別表示同一類中第i天p、q時 刻的負荷，Lr(i)、Lt(i)分別表示不同類中第i天r、t時刻的負荷，N為歷史負荷數據的縱向 維度，對應負荷記錄天數。
[0020] 與現有技術相比，本發明的有益效果是：提出基于灰色關聯度和最短距離法聚類 的多重BP神經網絡的重數擇取的方法，W合并部分密切相關的負荷序列，適當降低多重BP 神經網絡的重數。同時，引入動量因子，并采用多次計算求平均值的方式，改善BP神經網絡 易陷入局部收斂的問題，提高其抗振蕩能力。多重BP神經網絡相比傳統BP神經網絡預測模 型，具有更好的預測效果。
【附圖說明】
[0021] 圖1是本發明所設及到的典型S層BP神經網絡結構示意圖。
[0022] 圖2是本發明中多重BP神經網絡的成員集擇取譜系圖。
[0023] 圖3是本發明中多重BP神經網絡模型負荷短期預測效果。
[0024] 圖4是本發明中6重BP神經網絡的負荷預測結果圖。
【具體實施方式】
[0025] 下面結合附圖和【具體實施方式】對本發明作進一步詳細的說明。
[00%] 1、傳統BP神經網絡預測原理解析
[0027] 1)BP神經網絡基本模型
[0028] 在1986年，^郵1116比曰的和]\1成611曰11(1為首的科學家提出BP神經網絡，其是一種能 學習和存儲大量的輸入-輸出模式映射關系，而無需事前掲示運種映射關系的數學方程的 多層前饋神經網絡，由輸入層、隱含層和輸出層組成。圖1為一個典型的S層BP神經網絡的 結構圖，層與層之間采用全互連方式，同一層之間不存在相互連接，隱含層可W-層或多 層。圖1中，Xj表示輸入層第j個節點的輸入;WU表示隱含層第i個節點到輸入層第j個節點之 間的權值;為隱含層第i個節點的闊值；d)為隱含層的激勵函數;Wki表示輸出層第k個節點 到隱含層第i個節點之間的權值;化為輸出層第k個節點的闊值;4為輸出層的激勵函數;Ok表 示第k個節點的輸出。
[0029] 2)BP神經網絡信號傳遞和誤差修正
[0030] 基本BP神經網絡算法由信號的正向傳遞和誤差的反向傳播兩部分組成，即計算實 際輸出時按輸入到輸出的方向進行，而各層權值、闊值的修正過程則從輸出到輸入的方向 進行。根據圖1所示參數，對BP神經網絡的輸出信號、各層權值和闊值進行計算與調整。
[0031] (1)輸入信號的前向傳播過程
[0032] 依據圖1中BP神經網絡的結構圖，可得知所關屯、的隱含層第i個節點的輸入neti與 輸出量Oi、輸出層第k個節點的輸入量netk與輸出量Ok分別為
[0033] 識
[0034] 傑
[00對 巧
[0036] (4)
[0037] (2)誤差信號的反向傳播過程
[0038] 誤差的反向傳播，即首先由輸出層開始逐層計算各層神經元的輸出誤差，然后根 據誤差梯度下降法調節各層的權值和闊值，使調節后網絡映射的最終輸出能接近期望值。 依據誤差梯度下降法，可依次修正隱含層至輸出層權值修正量A wki、輸出層闊值修正量A Qk、輸入層至隱含層權值修正量A Wij和隱含層闊值修正量A 0姻式(5)-式(8)所示，式中，n 為學習速率，P為訓練樣本總數。
[0039] (、）
[0040] (6)
[0041] (巧
[0042] 腳
[0043] 2、基于灰色關聯度的負荷序列關聯性分析
[0044] 關聯分析是灰色系統理論提出的一種分析系統中各因素關聯程度的方法，其基本 思想是根據曲線間相似程度來判斷關聯程度，計算步驟如下：
[0045] 1)構造序列矩陣。W歷史負荷數據縱向24點負荷序列為基礎，建立初始負荷序列 矩陣L= [Li，L2，一Lm]，其中m數值為24，N為歷史負荷數據的縱向維度，對應負荷記錄天數。
[0046] 納：
[0047] 2)無量綱化。為消除量綱的影響，用初值法方法進行數據處理。采用式（10)可得無 量綱矩陣，記作1/ = [1/ 1,1/ 2 ,…，1/ m]。
[004引 L'i(k)=以化）/以（1)1 = 1,2,... ,N;k = l ,2,... ,m (10)
[0049] 3)關聯系數計算。
[(K)加] (11)
[0051] 式中：P和q均為縱向24點負荷序列的序號；>9為分辨系數，其作用在于提高關聯系 數間的差異顯著性，一般取其值為〇.5;k為縱向長度索引；Cpq化)為第k行P列負荷與q列負荷 的關聯系數。
[0052] 4)關聯度計算。式（12)中丫 pq為第P列負荷與q列負荷的關聯度。通過關聯度的計算 負荷序列的關聯系數矩陣。
[0化3]
(12)
[0054] 3、基于最短距離法聚類確定多重BP神經網絡的成員集
[0055] 聚類分析算法眾多，如K-Means、基于網格和密度的聚類算法、F聚類算法和最短距 離法等。其中，采用最短距離法進行聚類，相比其它算法簡便易操作。因此，選擇最短距離法 進行負荷序列聚類，并選擇適當的聚類距離量，W確定最終多重BP神經網絡的重數。在進行 聚類時，先采用歐式距離定量計算出表征負荷關聯矩陣序列彼此之間相似性的距離向量， 其次采用最短距離法獲取包含聚類樹信息的矩陣。結合式（12)所確定的負荷序列的關聯系 數矩陣，采用最短距離法可確定多重BP神經網絡重數的譜系圖。
[0056] 4、基于有效性指標確定多重BP神經網絡的重數
[0057] 為衡量聚類結果的優劣，從聚類本質定義表征聚類效果優劣的有效性指標。考慮 到較優的聚類結果應具有類內部之間距離越小越好、類間距離越大越好的特點，定義如式 (13)所示的有效性指標。
[0化引
（U)
[0059] 式中：Lp(i)、Lq(i)分別表示同一類中第i天p、q時刻的負荷;k(i)、Lt(i)分別表示 不同類中第i天r、t時刻的負荷;N含義同式(9)。
[0060] 下面通過具體實例對本發明方法及有益效果作更為詳細的說明。
[0061] 1、算例系統及數據處理
[0062] 本發明數據來源于某實際電網所采集的負荷數據和天氣數據，每個設備的采樣時 間間隔周期為化，天氣信息為干球溫度、露點溫度。實驗室數據量雖然沒有達到大數據的規 模，但可W用此實驗數據進行算法正確性實驗，為大數據環境下的負荷預測提供一種新的 方法。訓練范圍為2014年1月舊至2014年3月31日的用電數據。預測日為2014年4月舊不同 時刻的電力負荷，如表1所示。對負荷數據的研究發現運些數據呈現一種延續性、周期性、相 關性的特點，根據運些特點和大量文獻的研究成果確定樣本屬性為日前兩周同時刻負荷、 日前一周同時刻負荷、日前兩天同時刻負荷、日前一天同時刻負荷、日前一天同時刻干球溫 度、日前一天同時刻露點溫度、預測當天同時刻干球溫度和預測當天同時刻露點溫度，預測 曰同時刻實際負荷，其樣本數據如表2所示。
[0063] 表1 2014年4月1日的實際負荷數據

'[0067]值得注意的是，B巧巾經網絡對數值介于0與I之間的數比較敏感，因此，在將原始負' 荷序列輸入分布式BP神經網絡模型前，需先對數據進行歸一化處理，訓練結束后在進行反 歸一化處理，得到實際負荷預測值。
[0068] 2、實驗結果和分析
[0069] 本次實驗目的在于證實多重BP神經網絡模型相比直接將所有歷史負荷數據共用 一個BP神經網絡模型，具有更好的預測精度。結合式(13)得知建立6重的BP神經網絡的負荷 預測模型是相對合理的，對應有效性指標值最小，為0.1422。重數成員選擇依據可參照圖2， 即設置為6時，意味著創建6個BP負荷預測模型，將時刻編號為2-8、時刻編號為9、時刻編號 為1與20-24、時刻編號為10、時刻編號為11的負荷相關序列分別作為BP負荷預測模型1-5的 輸入、輸出量，剩余時刻的負荷相關序列作為BP負荷預測模型6的輸入、輸出量。
[0070] 圖3預測效果圖為多次運行求平均值的結果。可得知BP神經網絡重數對負荷預測 精度的影響較大，建立6重BP神經網絡的負荷短期預測模型，相比所有歷史負荷相關序列共 用同一 BP神經網絡預測模型，具有更好的預測精度。基于6重BP神經網絡的負荷預測效果如 圖4所示，平均絕對相對誤差為3.01%，均方根誤差為1.63%，滿足實際負荷預測精度的要 求。
【主權項】
1. 一種基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在于，包括以下步驟： 步驟一:采用灰色關聯度方法對負荷序列的關聯性進行分析;步驟二:根據最短距離法聚類 確定多重BP神經網絡的成員集;步驟三:根據有效性指標確定多重BP神經網絡的重數;步驟 四：根據步驟一的分析結果和步驟二、三確定重數后的BP神經網絡進行負荷預測。2. 如權利要求1所述的基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在于， 還包括步驟五:對BP神經網絡進行改進，即引入動量因子，采用多次計算求平均值的方式對 BP神經網絡進行改進。3. 如權利要求1或2所述的基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在 于，所述BP神經網絡由信號的正向傳遞和誤差的反向傳播兩部分組成，計算實際輸出時按 輸入到輸出的方向進行，而各層權值、閾值的修正過程則從輸出到輸入的方向進行。4. 如權利要求3所述的基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在于， 所述誤差的反向傳播包括：由輸出層開始逐層計算各層神經元的輸出誤差，再根據誤差梯 度下降法調節各層的權值和閾值，使調節后網絡映射的最終輸出能接近期望值。5. 如權利要求1或2所述的基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在 于，所述步驟一具體包括： 構造序列矩陣，以歷史負荷數據縱向24點負荷序列為基礎，建立初始負荷序列矩陣L = [L1, L2,…Lm]，其中m數值為24，N為歷史負荷數據的縱向維度，對應負荷記錄天數，無量綱化，用初值法方法進行數據處理，得無量綱矩陣，記作 (k)=Li(k)/Li(l)i = l，2，."，N;k=l，2，，m; 關聯系數計算式中，P和q均為縱向24點 負荷序列的序號，Θ為分辨系數，k為縱向長度索引，|Pq(k)為第k行p列負荷與q列負荷的關聯 系數； 關聯度計算，γΜ為第P列負荷與q列負荷的關聯度，通過關聯度的計算負荷序列的關聯 系數矩陣6. 如權利要求1或2所述的基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在 于，所述步驟二具體包括： 采用歐式距離定量計算出表征負荷關聯矩陣序列彼此之間相似性的距離向量； 采用最短距離法獲取包含聚類樹信息的矩陣； 結1斤確定的負荷序列的關聯系數矩陣，采用最短 距離法確定多重BP神經網絡重數的譜系圖。7. 如權利要求1或2所述的基于灰色關聯度的多重BP神經網絡負荷預測方法，其特征在 于，所述步驟三中的有效性指標，其中，Lp ( i)、 1^(:〇分別表示同一類中第：[天口、9時刻的負荷，1^(;〇、1^(;〇分別表示不同類中第;[天1'、1:時 刻的負荷，N為歷史負荷數據的縱向維度，對應負荷記錄天數。
【文檔編號】G06Q50/06GK106022954SQ201610323293
【公開日】2016年10月12日
【申請日】2016年5月16日
【發明人】劉天琪, 蘇學能, 焦慧明, 何川
【申請人】四川大學