一种短期负荷预测方法、系统及相关装置制造方法及图纸

本申请所提供的一种短期负荷预测方法，包括：获取负荷历史数据中各个指标的指标参数；将各个指标的指标参数输入预设BP神经网络模型，输出归一化后的各个指标的短期负荷预测结果；其中，预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且偏差值不大于偏差收敛阈值。该方法中的预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且偏差值不大于偏差收敛阈值，能保证该预设BP神经网络模型的复杂度不会过大，也即能够保证该预设BP神经网络模型不会过拟合，进而能够在保证模型训练精度的同时，减小短期负荷预测误差。本申请还提供一种短期负荷预测系统、设备及计算机可读存储介质，均具有上述有益效果。

A Short-term Load Forecasting Method, System and Related Devices

【技术实现步骤摘要】
一种短期负荷预测方法、系统及相关装置
本申请涉及电力系统调度运行领域，特别涉及一种短期负荷预测方法、系统、设备及计算机可读存储介质。
技术介绍
人工神经网络(ArtificialNeuralNetwork，即ANN)是近年来备受关注的人工智能算法，在人工神经网络的众多分支中BP神经网络以其较强的学习能力成为使用最多的人工神经网络算法，并在电力系统短期负荷预测中得到了广泛的应用。所谓短期负荷预测是指在日前对次日的负荷曲线、最大负荷、用电量等指标进行预测的负荷预测类型。相关文献的研究表明气温、分布式电源、需求侧响应等多项因素均将对短期负荷产生影响。而当采用BP神经网络人工智能算法进行短期负荷预测时，往往面临由于相关因素较多、历史数据复杂造成的“过拟合”问题，造成尽管训练阶段能够获得较高的训练精度，而预测阶段测试误差较大的问题。因此，如何在保证模型训练精度的同时，减小短期负荷预测误差是本领域技术人员亟需解决的技术问题。
技术实现思路
本申请的目的是提供一种短期负荷预测方法、系统、设备及计算机可读存储介质，能够在保证模型训练精度的同时，减小短期负荷预测误差。为解决上述技术问题，本申请提供一种短期负荷预测方法，包括：获取负荷历史数据中各个指标的指标参数；将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果；其中，所述预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值。优选地，所述将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果，包括：在对原始负荷训练数据进行数据归一化处理得到负荷训练数据后，利用所述负荷训练数据确定BP神经网络中各个神经元的连接权值和偏置量；在将各个所述神经元的所述连接权值和所述偏置量代入对应的数值转换函数，得到第一BP神经网络模型后，将经过所述数据归一化处理得到的负荷验证数据输入所述第一BP神经网络模型，得到输出结果；在利用各个所述神经元的所述连接权值和预设的权重系数，构建所述复杂度收敛项后，利用所述复杂度收敛项和原始偏差计算公式，确定所述偏差计算公式；在将所述负荷验证数据和所述输出结果代入所述偏差计算公式，得到所述偏差值后，判断所述偏差值是否大于所述偏差收敛阈值；若否，则将所述第一BP神经网络模型确定为所述预设BP神经网络模型；将各个所述指标的所述指标参数输入所述预设BP神经网络模型，输出归一化后的各个所述指标的所述短期负荷预测结果。优选地，若判断出所述偏差值大于所述偏差收敛阈值，包括：根据修正公式对所述第一BP神经网络模型的各个所述神经元的所述连接权值和所述偏置量进行修正操作，得到对应的连接权修正值和偏置量修正值。优选地，所述在对原始负荷训练数据进行数据归一化处理得到负荷训练数据后，利用所述负荷训练数据确定BP神经网络中各个神经元的连接权值和偏置量，包括：根据线性转换公式对所述原始负荷训练数据进行数据归一化处理，得到所述负荷训练数据；利用所述负荷训练数据确定所述BP神经网络中各个所述神经元的所述连接权值和所述偏置量。本申请还提供一种短期负荷预测系统，包括：指标参数获取模块，用于获取负荷历史数据中各个指标的指标参数；短期负荷预测结果输出模块，用于将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果；其中，所述预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值。优选地，所述短期负荷预测结果输出模块，包括：连接权值和偏置量确定单元，用于在对原始负荷训练数据进行数据归一化处理得到负荷训练数据后，利用所述负荷训练数据确定BP神经网络中各个神经元的连接权值和偏置量；结果输出单元，用于在将各个所述神经元的所述连接权值和所述偏置量代入对应的数值转换函数，得到第一BP神经网络模型后，将经过所述数据归一化处理得到的负荷验证数据输入所述第一BP神经网络模型，得到输出结果；偏差计算公式确定单元，用于在利用各个所述神经元的所述连接权值和预设的权重系数，构建所述复杂度收敛项后，利用所述复杂度收敛项和原始偏差计算公式，确定所述偏差计算公式；判断单元，用于在将所述负荷验证数据和所述输出结果代入所述偏差计算公式，得到所述偏差值后，判断所述偏差值是否大于所述偏差收敛阈值；预设BP神经网络模型确定单元，用于若所述偏差值不大于所述偏差收敛阈值，则将所述第一BP神经网络模型确定为所述预设BP神经网络模型；短期负荷预测结果输出单元，用于将各个所述指标的所述指标参数输入所述预设BP神经网络模型，输出归一化后的各个所述指标的所述短期负荷预测结果。优选地，所述短期负荷预测结果输出模块，包括：修正操作单元，用于若所述偏差值大于所述偏差收敛阈值，则根据修正公式对所述第一BP神经网络模型的各个所述神经元的所述连接权值和所述偏置量进行修正操作，得到对应的连接权修正值和偏置量修正值。优选地，所述连接权值和偏置量确定单元，包括：数据归一化处理子单元，用于根据线性转换公式对所述原始负荷训练数据进行数据归一化处理，得到所述负荷训练数据；连接权值和偏置量确定子单元，用于利用所述负荷训练数据确定所述BP神经网络中各个所述神经元的所述连接权值和所述偏置量。本申请还提供一种设备，包括：存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的短期负荷预测方法的步骤。本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的短期负荷预测方法的步骤。本申请所提供的一种短期负荷预测方法，包括：获取负荷历史数据中各个指标的指标参数；将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果。其中，所述预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值。该方法中的预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值，能够保证该预设BP神经网络模型的复杂度不会过大，也即能够保证该预设BP神经网络模型不会过拟合，进而能够在保证模型训练精度的同时，减小短期负荷预测误差。本申请还提供一种短期负荷预测系统、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种短期负荷预测方法的流程图；图2为本申请实施例所提供的一种BP神经网络结构示意图；图3为本申请实施例所提供的一种神经元结构示意图；图4为本申请实施例所提供的一种短期负荷预测系统的结构框图。具体实施方式本申请的核心是提供一种短期负荷预测方法，能够在保证模型训练精度的同时，减小短期负荷预测误差。本申请的另一核心是提供一种短期负荷预测系统、设备及计算机可读存储本文档来自技高网...

【技术保护点】
1.一种短期负荷预测方法，其特征在于，包括：获取负荷历史数据中各个指标的指标参数；将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果；其中，所述预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值。

【技术特征摘要】
1.一种短期负荷预测方法，其特征在于，包括：获取负荷历史数据中各个指标的指标参数；将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果；其中，所述预设BP神经网络模型的偏差值是由增加复杂度收敛项的偏差计算公式得出的，且所述偏差值不大于偏差收敛阈值。2.根据权利要求1所述的短期负荷预测方法，其特征在于，所述将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果，包括：在对原始负荷训练数据进行数据归一化处理得到负荷训练数据后，利用所述负荷训练数据确定BP神经网络中各个神经元的连接权值和偏置量；在将各个所述神经元的所述连接权值和所述偏置量代入对应的数值转换函数，得到第一BP神经网络模型后，将经过所述数据归一化处理得到的负荷验证数据输入所述第一BP神经网络模型，得到输出结果；在利用各个所述神经元的所述连接权值和预设的权重系数，构建所述复杂度收敛项后，利用所述复杂度收敛项和原始偏差计算公式，确定所述偏差计算公式；在将所述负荷验证数据和所述输出结果代入所述偏差计算公式，得到所述偏差值后，判断所述偏差值是否大于所述偏差收敛阈值；若否，则将所述第一BP神经网络模型确定为所述预设BP神经网络模型；将各个所述指标的所述指标参数输入所述预设BP神经网络模型，输出归一化后的各个所述指标的所述短期负荷预测结果。3.根据权利要求2所述的短期负荷预测方法，其特征在于，若判断出所述偏差值大于所述偏差收敛阈值，包括：根据修正公式对所述第一BP神经网络模型的各个所述神经元的所述连接权值和所述偏置量进行修正操作，得到对应的连接权修正值和偏置量修正值。4.根据权利要求2所述的短期负荷预测方法，其特征在于，所述在对原始负荷训练数据进行数据归一化处理得到负荷训练数据后，利用所述负荷训练数据确定BP神经网络中各个神经元的连接权值和偏置量，包括：根据线性转换公式对所述原始负荷训练数据进行数据归一化处理，得到所述负荷训练数据；利用所述负荷训练数据确定所述BP神经网络中各个所述神经元的所述连接权值和所述偏置量。5.一种短期负荷预测系统，其特征在于，包括：指标参数获取模块，用于获取负荷历史数据中各个指标的指标参数；短期负荷预测结果输出模块，用于将各个所述指标的所述指标参数输入预设BP神经网络模型，输出归一化后的各个所述指标的短期负荷预测结果；其中，所述预设B...

【专利技术属性】
技术研发人员：杨韵，蔡秋娜，刘思捷，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：广东,44