申请/专利权人:宁波立新科技股份有限公司
申请日:2020-10-28
公开(公告)日:2024-05-17
公开(公告)号:CN112200384B
主分类号:H02J3/00
分类号:H02J3/00;G06Q10/04;G06Q50/06;G06F17/16;G06F17/18;G06N3/045;G06N3/0499;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.05.17#授权;2021.01.26#实质审查的生效;2021.01.08#公开
摘要:本发明公开了一种基于EWT神经网络的电力负荷短时预测方法,特点是将供电区域内每小时测量得到的电力负荷数据组成一个列向量,并对其实施标准化处理得到列向量,利用EWT将列向量转换成D个子信号向量,并实施归一化处理,以新输入矩阵中的各个行向量作为输入,同时以新输出矩阵中的各个行向量做为输出,搭建Elman神经网络模型,并确定中间层神经元的传递函数,利用BP算法训练Elman神经网络模型并建立电力负荷短时预测模型,使用最近七天内的168个电力负荷数据对未来一天的电力负荷数据进行预测;优点是通过前7天的电力负荷数据实现对未来一天的24小时的电力负荷数据的预测,提高预测的精准度。
主权项:1.一种基于EWT神经网络的电力负荷短时预测方法,其特征在于,包括以下步骤:步骤1、将供电区域内每小时测量得到的电力负荷数据组成一个列向量x∈RN×1,并根据如下所示公式对其实施标准化处理得到列向量 上式中,μ与δ分别表示列向量x中所有元素的平均值与标准差,RN×1表示N×1维的实数向量;步骤2、利用EWT将列向量转换成D个子信号向量z1,z2,…,zD,并根据如下所示公式分别构造输入矩阵X1,X2,…,XD与输出矩阵Y1,Y2,…,YD: 上式中,d∈{1,2,…,D},zdi表示子信号向量zd中的第i个元素,i∈{1,2,…,N};步骤3、分别对Xd与Yd实施归一化处理,得到新输入矩阵与新输出矩阵步骤4、以新输入矩阵中的各个行向量做为输入,同时以新输出矩阵中的各个行向量做为输出,搭建一个输入层有168个神经元,中间层有h个神经元,输出层有24个神经元的Elman神经网络模型,并确定中间层神经元的传递函数为fx=11+e-x,其中,x表示函数自变量;步骤5、利用BP算法训练第d个Elman神经网络模型,并保留中间层权重系数Wd和阈值bd,承接层到中间层的连接权值Vd和阈值ad,以及输出层权重系数和阈值步骤6、重复步骤4至步骤5从而训练完成第1个Elman神经网络模型,第2个Elman神经网络模型,直至第D个Elman神经网络模型,并保留相应的权重系数、连接权值和阈值;步骤7、通过上述步骤1至步骤6建立电力负荷短时预测模型,使用最近七天内的168个电力负荷数据对未来一天的电力负荷数据进行预测。
全文数据:
权利要求:
百度查询: 宁波立新科技股份有限公司 一种基于EWT神经网络的电力负荷短时预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。