【技术实现步骤摘要】
基于SOM
‑
BP神经网络改进Prophet模型的短期负荷预测方法
[0001]本专利技术属于电力系统短期负荷预测
,特别涉及一种基于SOM
‑
BP神经网络改进Prophet模型的短期负荷预测方法。
技术介绍
[0002]准确有效的短期用电负荷预测和经济合理的调度指令与发电计划能够有效提高电力系统的安全性和可靠性,降低新能源出力波动带来的不利影响,未来电力系统对于高精度的短期负荷预测需求将更为迫切。然而,综合能源系统和储能技术的发展使得电力系统的能量交易与消耗情况更为复杂,干扰负荷预测准确性的因素不断增加,负荷预测难度不断攀升。
[0003]人工智能技术因其较高的预测精度和应用价值常被用于短期负荷预测相关的研究。随机森林算法、GBDT(gradient boosted decision tree,梯度增强决策树)算法、XGboost(extreme gradient boosting,极端的梯度增加)模型、LSTM(long short term memory长短期记忆)模型、自回归移动模型、时间卷积网络等模型已经较为广泛地应用于短期负荷的预测中,也取得较快的模型的收敛速度和较高的预测精度。上述已有研究大多仅考虑历史数据周期性规律或时间序列变化趋势的单一特征,侧重对数据的变化趋势进行预测,缺失针对单点值的预测功能,少有模型同时考虑历史数据中的其它非功率信息数据,其准确性和稳定性往往难以提高。
技术实现思路
[0004]针对上述问题,本专利技术的目的在于 ...
【技术保护点】
【技术特征摘要】
1.一种基于SOM
‑
BP神经网络改进Prophet模型的短期负荷预测方法,其特征在于,包括以下步骤:步骤1:分别提取历史数据的功率信息和非功率信息,所述功率信息包括日期、时刻及其对应的负荷值,所述非功率信息包括日期、时刻及其对应的气温;步骤2:对数据进行预处理,将特殊日期赋予不同的权重值,形成训练数据集和测试数据集,其中测试数据集为随机选取,与训练数据无交集;步骤3:将训练数据和测试数据中的多维非功率信息数据输入到SOM神经网络模型中,根据输出层神经元拓扑结构得到相似日集合,即每一个测试数据,即预测日,都有对应的若干组训练数据,共同构成相似日数据集合;找到预测日对应的相似日集合,将其中的训练数据非功率信息作为BP神经网络的输入,对预测日单点负荷值进行预测;步骤4:根据所述功率信息,汇同被预测日时刻信息导入到Prophet时序模型中,得到负荷时序趋势预测结果;步骤5:计算预测结果与训练数据的拟合误差,并分别反馈至SOM
‑
BP神经网络和Prophet时序模型中,通过反复调节优化所提改进模型的关键超参数,使其处于最佳性能状态;步骤6:通过最佳性能状态的模型对预测日单点负荷值和时序趋势进行预测,采用误差倒数法拟合得到最终负荷预测结果。2.根据权利要求1所述基于SOM
‑
BP神经网络改进Prophet模型的短期负荷预测方法,其特征在于,所述步骤3中对预测日单点负荷值进行预测具体包括:步骤3.1:对历史数据中的非功率信息数据进行归一化处理,包括负荷数据对应的日期、时刻、温度;选取随机数作为SOM神经网络模型输入权重的初始值,设置初始邻域和训练次数;步骤3.2:随机选取非功率信息数据作为SOM神经网络模型的输入向量并将其导入至输入层神经元中;一个输入向量为一个训练样本;步骤3.3:计算输入向量与所有竞争层神经元的空间距离,按照WTA原则选取距离最近的神经元作为获胜神经元,并更新获胜神经元及其周边邻域的连接权重;步骤3.4:选取新的输入向量,重复步骤3.2~3.3,直到达到训练次数上限,完成SOM神经网络模型训练部分;步骤3.5:设计BP神经网络模型的输入输出层,由于SOM神经网络模型的输入向量为相似日集合,BP神经网络的输入层节点数与相似日集合维度一致;输出层为预测日某时刻的负荷数据,节点数为1;步骤3.6:设计BP神经网络的隐含层,并计算隐含层初始神经元个数,经验公式如下所示:式中,x为输入层神经元个数;y为输出层神经元个数;β为调节参数;步骤3.7:设定输入层、隐含层中各个节点的连接权重值和初始阈值,初始权重和阈值处于(
‑
1,1)之间;步骤3.8:选取S型正切函数作为隐含层激励函数,选取S型对数函数作为输出层神经元
激励函数;输入相似日数据集合对BP神经网络模型进行训练,得到预测日负荷单点值预测结果。3.根据权利要求1所述基于SOM
‑
BP神经网络改进Prophet模型的短期负荷预测方法,...
【专利技术属性】
技术研发人员:南璐,陈宇航,何川,王腾鑫,张敏,
申请(专利权)人:国网山西省电力公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。