一種基於Elman神經網絡的電力負荷預警方法及裝置與流程

2023-04-24 14:16:41

本發明涉及一種基於elman神經網絡的電力負荷預警方法及裝置，屬於人工神經網絡在電力數據處理領域。

背景技術：

隨著國民經濟的發展和人民生活水平的提高，人們對電能質量的要求也越來越高，電力負荷預測作為保證電能質量的一個基本工具，其重要性也越來越受到人們重視。電力系統由電力網和電力用戶共同組成，其任務是給廣大用不間斷地提供經濟、可靠、符合質量標準的電能，滿足各類負荷需求，為社會發展提供動力。如何運用可靠的方法和手段，對未來某時段內電網負荷的發展趨勢做出科學合理的估計和預測。電力系統負荷預測的核心是根據預測對象的歷史資料，建立數學模型來表述其發展變化的規律，從而得到合理的預測結果，對電力系統管理部門做出正確決策提供依據和保障。

在借鑑該領域研究成果的基礎上,國內外出現了很多電力負荷預警的方法及裝置，並提出了較為合理的預測策略:數據的預處理、歷史數據源的選取、最優模型的確定等一系列的方法。在電力負荷預警裝置中,合理利用現有指標,建立可以對電力供需形勢進行監測和識別的預警指標體系和標準平衡值,通過計算機的處理以簡單明了、形象直觀的方式顯示給用戶是電力負荷預警的關鍵。負荷預測的核心問題是預測的技術問題，即如何構造預測的數學模型，傳統的數學模型具有計算量小，速度快的優點，但也存在諸如不具備自學習性、自適應性能力，預測系統的魯棒性得不到保證等缺點和局限性。隨著電力系統的結構日趨複雜，電力負荷在變化的非線性、時變性、不確定性方面更加的明顯，很難建立一個合適的數學模型來清晰的表達負荷與影響負荷的變量之間的關係。因此，尋求合適的電力負荷預測方法來最大限度的提高預測精度意義重大。

基於elman神經網絡的電力負荷預警方法及裝置主要需考慮兩個方面的問題：(1)如何運用可靠的方法和手段，對未來某時段內電網負荷的發展趨勢做出科學合理的估計和預測。(2)由於影響電力負荷因素之間存在著非線性，因素之間存在冗餘信息，如何提高電力負荷預測的精度。

技術實現要素：

本發明所要解決的技術問題是利用elman神經網絡能夠以任意精度逼近任一非線性函數的特性及通過學習歷史數據建模的優點，提供一種基於elman神經網絡的電力負荷預警方法及裝置，反映電力負荷運行規律，實現電力負荷的準確預警，從而為電力系統的控制和調度奠定基礎，服務電力系統現代化和科學化管理的需求。

本發明為解決上述技術問題採用以下技術方案：

一方面，本發明提供一種基於elman神經網絡的電力負荷預警方法，具體步驟如下：

步驟1，採集電力系統的歷史電力負荷數據，並對歷史電力負荷數據進行預處理以剔除異常數據，形成預處理樣本；

步驟2，採用蟻群聚類方法，對步驟1中的預處理樣本進行聚類，將聚類結果作為elman神經網絡的訓練樣本；

步驟3，利用步驟2中的訓練樣本對elman神經網絡進行訓練學習；

步驟4，將步驟6中訓練好的elman神經網絡作為電力負荷預警器，從而實現電力負荷預警。

作為本發明的進一步優化方案，步驟1中的歷史電力負荷數據用序列y(x,n)表示，其中，y(x,n)表示第n年第x月的電力負荷數據，x＝0,1,...,11，n＝1,2,...,n，n表示採集的歷史電力負荷數據的年份數。

作為本發明的進一步優化方案，對電力負荷數據進行預處理的方法為：

1.1)根據均值函數計算歷史電力負荷數據的均值；

1.2)根據方差函數計算歷史電力負荷數據的方差；

1.3)根據反常函數對歷史電力負荷數據進行判斷，若p(x,n)＜1.2則判定該電力負荷數據為正常數據，否則判定為異常值數據並剔除；

1.4)根據平滑函數對剔除異常數據後的歷史電力負荷數據進行平滑處理，形成預處理樣本。

作為本發明的進一步優化方案，步驟3中對elman神經網絡進行訓練學習，具體為：首先，根據訓練樣本對elman神經網絡進行訓練學習；其次，根據全局誤差函數計算訓練完成的elman神經網絡的誤差，若e(x)＜ε則網絡收斂，elman神經網絡訓練完成；否則動態調節elman神經網絡的權值和閾值後繼續進行訓練學習，直至網絡收斂；其中，為隱層誤差，為輸出層各神經元的誤差，ε為一個極小值。

另一方面，本發明提供一種基於elman神經網絡的電力負荷預警裝置，包括：

數據採集器，用於對電力系統的歷史電力負荷數據進行採集；

數據處理器，用於對採集到的電力系統的歷史電力負荷數據進行異常剔除和平滑處理，得到預處理樣本；

數據聚類器，用於根據蟻群聚類方法對預處理樣本進行聚類，得到elman神經網絡的訓練樣本；

網絡訓練器，用於根據訓練樣本以及預設全局誤差閾值，對elman神經網絡進行訓練學習；

預警器，用於訓練完成的elman神經網絡對電力負荷進行在線預警。

本發明採用以上技術方案與現有技術相比，具有以下技術效果：一種基於elman神經網絡的電力負荷預警方法及裝置，相對於其他預測手段，具有自組織、自適應和自學習功能，能分析較為複雜的非線性系統。通過分析各個指標，建立其內在聯繫，能有效避免採用單一指標進行預測的片面性，大大提高預測的精度。同時，本發明提供了神經網絡參數的靈活設置方式，如果觸發預警器，預警器將全局誤差信息傳遞給神經網絡不斷對神經網絡的連接權值和閾值進行調整，直到得出精確的預測結果，大大提高了電力負荷預測的精確度。

附圖說明

圖1是基於elman神經網絡電力負荷預警系統結構圖。

圖2是異常數據判斷及修正處理流程圖。

圖3是本方法及裝置的基本流程圖。

具體實施方式

下面結合附圖對本發明的技術方案做進一步的詳細說明：

本發明的目的就是提供一種基於elman神經網絡的電力負荷預警方法及裝置，來解決電力系統環境下電力負荷及時準確預警問題，本機制是一種策略性方法，通過使用本方法可以使得電力系統能隨時根據系統負荷變化保持動態平衡，使整個系統保持穩定、高效地運行。

本發明的方法是一種策略性的方法，通過使用elman神經網絡並採用蟻群聚類的思想將電力系統供需形勢下的電力負荷進行預測，從而解決了電力系統環境下電力負荷的及時預警，提高了電力負荷預測的精度。

一、體系結構

圖1給出了基於elman神經網絡的電力負荷預警裝置結構圖，它主要包括四個部分：數據處理器、數據聚類器、網絡訓練器、預警器。圖1中的數據處理器主要通過計算負荷樣本數據的偏離值，剔除異常值的負荷點，形成預處理樣本數據；數據聚類器主要用來將不同屬性的數據聚類處理，將聚類後的數據作為神經網絡的訓練樣本；網絡訓練器主要功能是對全局誤差做出合理的判斷，利用神經網絡的訓練樣本對神經網絡進行訓練學習，以不斷提高電力負荷的預測精度；預警器主要用於通過訓練完成的elman神經網絡對電力負荷進行在線預警。

下面給出具體介紹：

數據處理器：數據處理器主要用來計算電力負荷樣本數據的偏差值，剔除異常值的負荷點。本發明中採用均值函數、誤差函數計算負荷樣本數據的均值和誤差，並採反常函數計算電力負荷樣本數據的偏離值，通過對電力負荷數據偏離值的判斷，將異常點的負荷值剔除。通過上述方法能有效的處理電力負荷樣本數據存在的冗餘、共線性信息，降低了神經網絡的輸入維數，提高了神經網絡的泛化能力。

數據聚類器：數據聚類器主要用來對預處理樣本數據採用蟻群聚類的思想進行預處理，利用聚類公式rij，類概率公式pij(t)，偏離誤差σj對剔除異常點的負荷數據進行聚類處理，將聚類後的數據作為神經網絡的訓練樣本，操作的目的是使elman神經網絡輸入樣本具有代表性，從而改善elman神經網絡的訓練時間和收斂速度，提高預測精度的目的。

網絡訓練器：網絡訓練器主要用來根據神經網絡的訓練樣本對elman神經網絡進行訓練學習，並通過對網絡的全局誤差做出合理的判斷，當全局誤差小於給定的極小值時，神經網絡訓練結束，將得到精確的電力負荷的預警。否則，不斷地調整神經網絡的連接權值和閾值，對神經網絡繼續訓練學習，直至滿足結束訓練的條件。。

預警器：預警器主要通過訓練完成的elman神經網絡對電力負荷進行在線預警。

二、方法流程

1、數據處理

電力負荷預測是依賴於大量歷史資料及相關因素的被動型預測，因此原始數據的完善程度與負荷預測的精度聯繫緊密。由於任何負荷預測都是基於原始數據的，所以數據預測結果的準確度直接由原始數據的正確與否決定。然而，原始數據的收集的預處理不僅瑣碎而且十分困難，一些異常數據則會導致觀測數據違背常規，如果這些異常值得不到及時的校正，他們就會以偽信息和偽變化規律的方式提供給負荷預測作為參考，將會導致負荷預測的建立發生錯誤，直接影響預測結果的可靠性。由於elman神經網絡是基於類似輸入產生類似輸出的原理，所以學習樣本的數量和質量是影響神經網絡學習效果和學習速度的重要因素。

本發明中採用均值函數和方差函數判斷負荷異常數據，並利用平滑處理函數對異常負荷數據進行剔除修正。

(1)判斷負荷異常數據。

假設電力負荷樣本用序列y(x,n)表示，其中，y(x,n)表示第n年第x月的電力負荷數據，x＝0,1,...,11，n＝1,2,...,n，n表示採集的歷史電力負荷數據的年份數。採用均值函數

和方差函數定義

為電力負荷的反常函數。在對負荷數據實際處理時，我們做出如下判斷：當p(x,n)≥1.2時，負荷點為異常點，當p(x,n)＜1.2時，負荷點為正常點。當負荷點為異常值時，需要剔除。

(2)對異常負荷數據進行剔除修正。

電力系統相鄰的負荷具有粘性，一般不會發生特別大的變化，具有平滑性，因此我們利用平滑函數進行修正，經過剔除異常數據和修正後的數據形成預處理樣本序列。

2、數據聚類

數據聚類器採用蟻群聚類的思想，假設預處理樣本序列用yi＝y(xi,ni)表示，其中，xi＝0,1,...,11表示一年中的12個月，ni＝1,2,...,n表示取n年的負荷數據，設預處理序列個數為m,yi＝1,...j...,m。y(xi,ni)表示第ni年第xi個月的預處理樣本序列，聚類過程如下表示：

1)初始化預處理樣本序列的基本參數。

設預處理樣本序列屬性為w，聚類半徑為r，允許誤差值為ε1，螞蟻所積累的信息及啟發因子在螞蟻選擇路徑中所起的不同作用的參數為a、d，參數概率值為p。

2)計算任意兩個預處理樣本序列之間的距離，本專利中採用聚類公式即：

式中，p＝(p1,p2,...,pm)為權衡因子。

3)計算各路徑上的信息量，如下式所示：

式中，q為正常數，δτij(t)為各序列路徑上的信息量，rij為任意兩個預處理樣本序列之間的距離，並作出如下判斷：

4)利用類概率公式計算序列yi聚類到yj的概率pij(t)，yi表示第i個預處理樣本序列，yj表示第j個預處理樣本序列，類概率公式如下所示：

式中，δτij(t)為在序列循環t路線上的信息量，μij為預處理樣本序列的可視度，並令同時作出如下判斷：如果pij(t)≥p，則yi歸屬於yj類，否則分為兩類。

5)計算偏離誤差和總體誤差。利用偏離誤差公式計算偏離誤差σj即：

式中，yi表示第i個預處理樣本序列yj表示第j個預處理樣本序列。預處理樣本序列的總體誤差為當總體誤差值小於允許誤差值ε1時。聚類過程結束，否則繼續聚類。

3、網絡訓練

預先設定一個極小值ε，誤差判斷器通過構造全局誤差函數對神經網絡的全局誤差做出合理的判斷，即：

式中，為隱層誤差，為輸出層各神經元的誤差。若e(x)＜ε則網絡收斂，訓練達到精度要求；否則對神經網絡的權值和閾值進行調整和選擇，繼續對神經網絡進行訓練學習，直至網絡收斂，訓練達到精度要求。

本發明一種基於elman神經網絡的電力負荷預警方法，主要工作流程如下：

(1)假設電力負荷樣本數據序列用y(x,n)表示，並作為歷史數據，採用均值函數即e(x)和方差函數v(x)計算電力負荷樣本數據的均值和方差。將計算得到的樣本數據的均值和方差e(x)、σx帶入電力負荷的反常函數p(x,n)，得到負荷預測樣本數據的偏離值。

(2)對電力負荷預測樣本的偏離值做出如下判斷：當p(x,n)≥1.2時，負荷點為異常點，當p(x,n)＜1.2時，負荷點為正常點。當負荷點為異常值時，需要剔除，並用平滑函數進行修正，經過剔除異常數據和修正後的數據形成預處理樣本序列，並將預處理樣本序列用yi＝y(xi,ni)表示。

(3)將預處理樣本數據輸入數據聚類器，採用聚類公式rij計算任意兩個樣本之間的距離，利用公式δτij(t)計算各序列路徑上的信息量，再利用類概率公式計算yi聚類到yj的概率pij(t)，如果pij(t)≥p，則yi歸屬於yj類，否則分為兩類，利用偏離誤差公式即計算偏離誤差σj，並計算樣本數據總體誤差當總體誤差值小於允許誤差值ε1時。聚類過程結束，並得到神經網絡的輸入樣本，否則繼續聚類。由此得到神經網絡的輸入樣本序列，並用序列表示。

(4)將輸入樣本序列輸入神經網絡，採用網絡的誤差函數為e(x)＜ε，並預先設定一個極小值ε，通過動態調節網絡權值和閾值，計算網絡的誤差，若e(x)＜ε網絡收斂，訓練達到精度要求；否則對神經網絡的權值和閾值進行調整後，重新進行訓練學習。

本發明的一種基於elman神經網絡的電力負荷預警方法，如圖3所示，包含的步驟為：

步驟1：假設電力負荷樣本數據序列用y(x,n)表示，並作為歷史數據，採用均值函數即：式中x＝0,1,...,11表示一年中的12個月，n＝1,2,...,n表示取n年的負荷數據，利用方差函數即：計算電力負荷預測樣本數據的均值和方差。進入步驟2；

步驟2：將步驟1計算得到的預測樣本數據的均值和方差e(x)、σx帶入電力負荷的反常函數式中x＝0,1,...,11，n＝1,2,...,n。得到負荷預測樣本數據的偏離值。進入步驟3；

步驟3：對步驟2計算得到電力負荷預測樣本的偏離值做出如下判斷：當p(x,n)≥1.2時，負荷點為異常點，當p(x,n)＜1.2時，負荷點為正常點。當負荷點為異常值時，需要剔除。由此得到預處理樣本數據，並將預處理樣本序列表示預處理樣本序列為yi＝y(xi,ni)，其中xi＝0,1,...,11表示一年中的12個月，yi＝1,2,...j...,n表示取n年的負荷數據，i＝1,...,m。y(xi,ni)表示第ni年第xi個月的預處理樣本序列。進入步驟4；

步驟4：將預處理樣本數據輸入數據聚類器，採用聚類公式(w為樣本屬性)計算任意兩個樣本序列之間的距離，利用公式δτij(t)計算各序列路徑上的信息量，再利用類概率公式計算yi聚類到yj的概率pij(t)，如果pij(t)≥p，則yi歸屬於yj類，否則分為兩類。進入步驟5；

步驟5：利用偏離誤差公式計算偏離誤差σj，樣本數據總體誤差為當總體誤差值小於允許誤差值ε1時。聚類過程結束，由此得到神經網絡的輸入樣本序列進入步驟6；否則返回步驟4繼續聚類；

步驟6：設網絡的每個連接權值為wab、fbc，閾值為αb、βc，並將連接權值和閾值賦予(-1,1)區間內的隨機值。進入步驟7；

步驟7：將wab、fbc、yx帶入公式中得到神經網絡隱層神經元的輸入mb，其中θb為神經網絡隱層神經元間的角常量，p為隱層神經元個數，n為神經網絡連接權值個數。進入步驟8；

步驟8：將步驟7計算得到的mb帶入隱層傳遞函數nb＝f(mb)(此處傳遞函數取為sigmoid函數，)，計算各個神經元的輸出nb；進入步驟9；

步驟9：將隱含層各神經元的連接權值fbc、閾值βc和神經網絡隱層神經元的輸入nb帶入公式得到輸出層各神經元的輸出，其中q為輸出層神經元個數，並利用傳遞函數得到輸出層的實際輸出pc＝f(rc)。進入步驟10；

步驟10：利用網絡終極向量得到輸出層各神經元的誤差其中代表輸出層第一個神經元的終極向量，進入步驟11；

步驟11：將連接權值fbc，輸出層誤差uc和隱層輸出nb帶入公式中得到隱層誤差進入步驟12；

步驟12：採用公式(其中b＝1,2,...,p。c＝1,2,...q)和(其中1＜η＜1)，並根據輸出層各神經元的誤差與隱層輸出nb來修正連接權值fbc和閾值βc。進入步驟13；

步驟13：採用公式(其中x＝0,1,...,11。b＝1,2,...,p)和(其中0＜ξ＜1)，並輸入輸入層各單元的輸入來修正連接權值fbc和閾值αb。進入步驟14；

步驟14：設網絡的誤差函數為並預先設定一個極小值ε，若e＜ε網絡收斂，訓練達到精度要求；否則需要對神經網絡進行調整，重新進行訓練學習，直至網絡收斂，訓練達到精度要求；進入步驟15；

步驟15：將訓練好的elman神經網絡作為電力負荷預警器，從而實現電力負荷預警。

根據需要，該預警結果可以通過多種顯示設備(如pc機、行動裝置等)提以多種顯示方式(如文字、圖表等)提供給電力系統管理部門作為決策參考。當預測結果觸發預警時，提供文字、聲音或圖像預警信息，並向不同權限的管理人員傳送不同的相應預警信息。

為方便描述，我們假設有如下應用實例：

電力局提交最近10年電力系統的負荷負荷原始數據，首先要對著10年的原始數據進行預處理，將異常負荷數據進行剔除修正，以提高負荷的預測精度，然後對採用蟻群聚類的思想對剔除過異常數據的樣本數據進行聚類，以此來達到神經網絡的輸入樣本更具有代表性，從而改善網絡訓練時間和收斂速度，有效提高預測精度，將聚類後的數據作為神經網絡的輸入樣本數據，當網絡全局誤差大於給定的極小值時，通過計算網絡的整體誤差來不斷調整神經網絡的連接權值和閾值，直到網絡的總體誤差小於給定的極小值。

其具體的實施方案為：

(1)將電力局提供的電力系統10年的原始數據進行預處理，首先通過數據處理器，採用均值函數和方差函數來計算原始數據的均值和方差，並利用為電力負荷的反常函數p(x,n)計算原始數據的偏離值，將異常負荷點進行剔除。

(2)將剔除異常負荷點的數據輸入數據聚類器進行聚類處理，採用聚類公式rij計算任意兩個樣本之間的距離，利用公式δτij(t)計算各序列路徑上的信息量，再利用類概率公式計算yi聚類到yj的概率pij(t)，如果pij(t)≥p，則yi歸屬於yj類，否則分為兩類，由此得到神經網絡的輸入樣本數據利用偏離誤差公式計算偏離誤差σj，並計算樣本數據總體誤差當總體誤差值小於允許誤差值ε1時。聚類過程結束，否則繼續聚類。

(3)將聚類後的數據作為神經網絡的輸入樣本數據，採用網絡的誤差函數為並預先設定一個極小值ε，通過動態調節網絡權值和閾值，計算網絡的誤差，若e(x)＜ε網絡收斂，訓練達到精度要求；否則對神經網絡進行調整，重新進行訓練學習。

(4)將通過訓練完成的神經網絡作為電力負荷預警器，從而實現電力負荷預警。

以上所述，僅為本發明中的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉該技術的人在本發明所揭露的技術範圍內，可理解想到的變換或替換，都應涵蓋在本發明的包含範圍之內，因此，本發明的保護範圍應該以權利要求書的保護範圍為準。