專利名稱：基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法，具體涉及一種基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)亩唐陔娏ω?fù)荷預(yù)測(cè)方法。

背景技術(shù)：
對(duì)于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)理論和方法，國(guó)內(nèi)外學(xué)者作了大量研究，其主要方法有基于時(shí)間序列、回歸分析的傳統(tǒng)預(yù)測(cè)方法；基于人工神經(jīng)網(wǎng)絡(luò)、小波分析、專家系統(tǒng)等人工智能理論的現(xiàn)代預(yù)測(cè)方法。
回歸分析預(yù)測(cè)模型是假定待預(yù)測(cè)負(fù)荷同一個(gè)或多個(gè)影響因素存在相關(guān)關(guān)系并尋找兩者間相關(guān)關(guān)系的方法，預(yù)測(cè)模型目前大多采用多元線性回歸模型，對(duì)各個(gè)模型輸入變量的選取是該方法成功的關(guān)鍵，并且各個(gè)模型具有很好的可解釋性。
電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的傳統(tǒng)方法主要優(yōu)點(diǎn)是模型簡(jiǎn)單、預(yù)測(cè)速度快，但這些方法多是線性模型，很難描述負(fù)荷和影響因素之間的非線性關(guān)系；而且模型過(guò)于僵硬，缺乏靈活性，模型參數(shù)難以及時(shí)、準(zhǔn)確的估計(jì)和調(diào)整，不能反映負(fù)荷的突然變化，限制了預(yù)測(cè)精度的提高。
智能預(yù)測(cè)模型的典型代表是人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，人工神經(jīng)網(wǎng)絡(luò)是通過(guò)借鑒人腦對(duì)信息的處理過(guò)程而創(chuàng)立的一種數(shù)學(xué)方法。由于神經(jīng)網(wǎng)絡(luò)良好的學(xué)習(xí)能力和便于處理負(fù)荷及其影響因素之間復(fù)雜非線性關(guān)系的特點(diǎn)，使得其在短期負(fù)荷預(yù)測(cè)理論與方法的研究中得到了高度關(guān)注與廣泛應(yīng)用。
雖然神經(jīng)網(wǎng)絡(luò)方法用于短期負(fù)荷預(yù)測(cè)已經(jīng)取得了大量研究成果，但是該模型在實(shí)際應(yīng)用中仍存在一些缺陷 1)已有的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法僅依據(jù)人為經(jīng)驗(yàn)非常粗略的選擇一批歷史樣本用于預(yù)測(cè)模型的構(gòu)建，這種簡(jiǎn)單的樣本組織方法，經(jīng)常會(huì)引入很多不良樣本，對(duì)建模預(yù)測(cè)造成嚴(yán)重的干擾，影響了負(fù)荷預(yù)測(cè)精度的提高。
2)對(duì)于影響負(fù)荷變化因素(如氣象因素)的處理，現(xiàn)有人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型都是將其作為一種輸入變量，這種處理方法由于無(wú)法準(zhǔn)確描述該因素對(duì)于負(fù)荷變化的某種非線性關(guān)系，因此難以提高預(yù)測(cè)精度。


發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能夠有效提高負(fù)荷預(yù)測(cè)的精度的基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)方法，該方法能夠?yàn)樯窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練提供更為優(yōu)質(zhì)的樣本，避免了不良樣本帶來(lái)的誤差干擾；在神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)中引入溫度補(bǔ)償模型，充分利用了溫度信息，對(duì)負(fù)荷變化規(guī)律的描述更加精確，其預(yù)測(cè)精度與一般神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相比得到了顯著提高。
為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是 1)讀取歷史樣本數(shù)據(jù)讀取電力部門(mén)提供的待預(yù)測(cè)日前2年的負(fù)荷數(shù)據(jù)、星期類型及溫度數(shù)據(jù)為歷史樣本數(shù)據(jù)； 2)構(gòu)建時(shí)間分類樹(shù)與樣本組織映射表進(jìn)行樣本初步篩選 a、根據(jù)地區(qū)特點(diǎn)設(shè)定時(shí)間分類樹(shù)的季節(jié)參數(shù)，構(gòu)建時(shí)間分類樹(shù)； b、利用負(fù)荷變化相似性規(guī)律構(gòu)建樣本組織映射表； c、將預(yù)測(cè)日時(shí)間信息(年月日)輸入時(shí)間分類樹(shù)，得出該預(yù)測(cè)日日期類別； d、利用預(yù)測(cè)日的日期類別查詢樣本組織映射表，找出對(duì)應(yīng)的樣本篩選規(guī)則； e、根據(jù)樣本篩選規(guī)則為預(yù)測(cè)日初步篩選訓(xùn)練樣本。
3)構(gòu)建氣象及負(fù)荷水平模糊化模型 a、將歷史樣本的歷史氣象數(shù)據(jù)中的最高溫度數(shù)據(jù)由低到高進(jìn)行排序； b、調(diào)用有序聚類算法對(duì)排序后的最高溫度數(shù)據(jù)進(jìn)行聚類分析，得到分割點(diǎn)Tempmax(1)和Tempmax(2)； c、依據(jù)分割點(diǎn)對(duì)最高溫度數(shù)據(jù)進(jìn)行模糊化處理。
4)根據(jù)溫度與負(fù)荷模糊化特征進(jìn)一步初選樣本 采用多元線性回歸法估算待預(yù)測(cè)日負(fù)荷水平(Loadave)，估算出預(yù)測(cè)日負(fù)荷水平后，將形成一個(gè)與預(yù)測(cè)日負(fù)荷變化曲線相關(guān)性的日氣象負(fù)荷特征向量 F＝[Tempmax，Tempmin，Tempave，Loadave]T (1) 其中，Tempmax，Tempmin，Tempave分別為最高溫度、最低溫度與平均溫度，Loadave為估算出的平均負(fù)荷； 利用已構(gòu)建的氣象負(fù)荷模糊模型，對(duì)該特征向量中的每個(gè)元素進(jìn)行模糊化處理，最終可得到一個(gè)模糊化特征向量 其中每個(gè)元素將表示為0～3中的某個(gè)離散值； 使用同樣的方法對(duì)初步篩選的n個(gè)樣本分別形成日氣象負(fù)荷特征向量，并進(jìn)行模糊化處理后得到n個(gè)日氣象負(fù)荷模糊化特征向量 再利用F′與

進(jìn)行比較，當(dāng)

(列向量每個(gè)元素對(duì)應(yīng)相等)時(shí)，該樣本稱為相似樣本，并將其存入初選樣本數(shù)據(jù)庫(kù)，否則，將其剔除，經(jīng)過(guò)n次比較，最終我們會(huì)得到一個(gè)初選的樣本數(shù)據(jù)庫(kù)，樣本數(shù)計(jì)為N′，其中每個(gè)樣本都滿足 5)改進(jìn)SOFM網(wǎng)絡(luò)提取負(fù)荷變化趨勢(shì)特征曲線 在形成初選樣本數(shù)據(jù)庫(kù)(樣本數(shù)計(jì)為N′)后，對(duì)該數(shù)據(jù)庫(kù)中樣本所對(duì)應(yīng)的N′個(gè)負(fù)荷水平變化趨勢(shì)向量采用基于FCM與灰色關(guān)聯(lián)的改進(jìn)自組織特征映射網(wǎng)絡(luò)(SOFM)進(jìn)行智能化地自組織聚類分析，提取隱含在初選樣本數(shù)據(jù)庫(kù)中的多條負(fù)荷水平變化趨勢(shì)特征曲線，再利用待預(yù)測(cè)日對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量與多條負(fù)荷水平變化趨勢(shì)特征曲線進(jìn)行相似性比較，得到最為相似的變化趨勢(shì)特征曲線，而該特征曲線所對(duì)應(yīng)的樣本子集便構(gòu)成了預(yù)測(cè)日最終建模預(yù)測(cè)所需要的精選樣本數(shù)據(jù)庫(kù)。
6)利用負(fù)荷變化特征曲線對(duì)初選樣本集進(jìn)行特征劃分并精選樣本 改進(jìn)SOFM網(wǎng)絡(luò)訓(xùn)練收斂后，提取出三條特征各異的負(fù)荷水平變化趨勢(shì)特征曲線XT1，XT2，XT3，然后再將這N′個(gè)趨勢(shì)向量依次重新輸入訓(xùn)練好的SOFM網(wǎng)絡(luò)，原初選樣本數(shù)據(jù)庫(kù)E將被劃分為三個(gè)樣本子集E1，E2，E3，并且滿足
E1∪E2∪E3＝E (5) 其中對(duì)于某一趨勢(shì)向量Xj，其網(wǎng)絡(luò)輸出向量為{y1，y2，y3}T，由SOFM網(wǎng)絡(luò)特性可知 在特征曲線提取與樣本分類完畢后，分別計(jì)算預(yù)測(cè)日對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量Xd與三條負(fù)荷水平變化趨勢(shì)特征曲線XT1，XT2，XT3之間的關(guān)聯(lián)度，找出關(guān)聯(lián)度最大也就是最為相似的變化趨勢(shì)特征曲線XTi，從而斷定該特征曲線所對(duì)應(yīng)的樣本子集Ei就是預(yù)測(cè)日負(fù)荷建模預(yù)測(cè)所需的精選樣本數(shù)據(jù)庫(kù)； 7)形成預(yù)測(cè)時(shí)刻t的訓(xùn)練樣本集考慮對(duì)負(fù)荷影響較大的溫度信息，其樣本的輸入變量主要由四部分組成負(fù)荷變量、溫度變量、日期變量和節(jié)假日變量； 8)ANN網(wǎng)絡(luò)權(quán)值、各隱層神經(jīng)元域值以及溫度補(bǔ)償模型參數(shù)初始化 隨機(jī)給定ANN網(wǎng)絡(luò)權(quán)值及神經(jīng)元域值(0～1均勻分布隨機(jī)數(shù)) 溫度補(bǔ)償模型中的參數(shù)包括臨界溫度Tcrmax、Tcrmin，溫度補(bǔ)償系數(shù)α、λ； 對(duì)于臨界溫度，設(shè)歷史樣本最高溫度Tmax，最低溫度Tmin，則其初始值的選取如下式所示 溫度補(bǔ)償系數(shù)α、λ，取
區(qū)間均勻分布的隨機(jī)數(shù)生成； 9)基于BFGS優(yōu)化算法對(duì)t時(shí)刻ANN網(wǎng)絡(luò)進(jìn)行訓(xùn)練以獲得網(wǎng)絡(luò)權(quán)值和溫度補(bǔ)償系數(shù)； 10)預(yù)測(cè)t時(shí)刻的假想負(fù)荷值； 11)根據(jù)預(yù)測(cè)日溫度補(bǔ)償系數(shù)求出t時(shí)刻真實(shí)負(fù)荷值； 然后賦予t＝t+1，進(jìn)入步驟7)至11)直至t滿足預(yù)測(cè)日或96點(diǎn)或24點(diǎn)負(fù)荷預(yù)測(cè)值。
本發(fā)明是基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)方法，其中，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練采用求解非線性規(guī)劃的BFGS(Broyden，F(xiàn)letcher，Goldfarb，Shanno)擬牛頓優(yōu)化算法，較好的克服了BP算法因?qū)W習(xí)速率η難以選取產(chǎn)生的各種缺陷；并且在該預(yù)測(cè)模型基礎(chǔ)上，創(chuàng)建了樣本動(dòng)態(tài)組織模型與溫度補(bǔ)償模型，使得預(yù)測(cè)模型的訓(xùn)練很好避免了不良樣本的誤差干擾，而且能夠更加有效的挖掘出溫度對(duì)負(fù)荷變化的影響信息，充分利用了溫度信息，對(duì)負(fù)荷變化規(guī)律的描述更加精確。預(yù)測(cè)效果將得到顯著提升，本發(fā)明的預(yù)測(cè)精度與一般神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相比得到了顯著提高，對(duì)電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行將發(fā)揮積極、有效的作用。



圖1是帶溫度補(bǔ)償人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖； 圖2是時(shí)間分類樹(shù)圖； 圖3是本發(fā)明整體流程圖。

具體實(shí)施例方式 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。
參見(jiàn)圖3，讀取歷史樣本數(shù)據(jù)讀取歷史樣本數(shù)據(jù)讀取電力部門(mén)提供的待預(yù)測(cè)日前2年的負(fù)荷數(shù)據(jù)、星期類型及溫度數(shù)據(jù)為歷史樣本數(shù)據(jù)； 本發(fā)明以人工神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型基本結(jié)構(gòu)，在該預(yù)測(cè)模型基礎(chǔ)上，創(chuàng)建了樣本動(dòng)態(tài)組織模型與溫度補(bǔ)償模型，使得預(yù)測(cè)模型的訓(xùn)練很好避免了不良樣本的誤差干擾，而且能夠更加有效的挖掘出溫度對(duì)負(fù)荷變化的影響信息，預(yù)測(cè)效果將得到顯著提升。
人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu) 本發(fā)明基于前向單隱層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)模型所使用的訓(xùn)練樣本的輸入變量由四部分組成負(fù)荷變量、溫度變量、日期變量和節(jié)假日變量，輸出變量為預(yù)測(cè)日的實(shí)際負(fù)荷值。在形成訓(xùn)練樣本之后，調(diào)用BFGS擬牛頓優(yōu)化算法訓(xùn)練預(yù)測(cè)模型，得出模型的權(quán)值參數(shù)。
設(shè)其中輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)分別為n、

、m，神經(jīng)元函數(shù)為g(x)，閾值為bi，樣本數(shù)目為N，每個(gè)樣本表示為(Xi，Yi)，i＝1，2，…N，其中 Xi＝[xi1，xi2，...，xin]T∈Rn為輸入變量；Yi＝[yi1，yi2，...，yim]T∈Rm為輸出變量。
如果設(shè)該神經(jīng)網(wǎng)絡(luò)的負(fù)荷輸出值為Oi＝[oi1，oi2，...，oim]T∈Rm，則該網(wǎng)絡(luò)的數(shù)學(xué)模型可表示為 式中wi＝[wi1，wi2，...win]T，βi＝[βi1，βi2，...，βim]T。
網(wǎng)絡(luò)訓(xùn)練的理想目標(biāo)為找到合理輸入輸出權(quán)值，使得如下關(guān)系式成立 因此，整個(gè)訓(xùn)練過(guò)程可歸結(jié)為網(wǎng)絡(luò)權(quán)值的優(yōu)化問(wèn)題，目標(biāo)函數(shù)為 其中W′＝(wi，i＝1，2，…，

；bj，j＝1，2，…，

)，包含了網(wǎng)絡(luò)左權(quán)值參數(shù)及隱層神經(jīng)元域值。
創(chuàng)建了溫度補(bǔ)償模型 為進(jìn)一步提高預(yù)測(cè)精度，對(duì)影響負(fù)荷較大的氣象因素，建立了具有溫度補(bǔ)償?shù)姆蔷€性負(fù)荷補(bǔ)償模型，并與人工神經(jīng)網(wǎng)絡(luò)一道構(gòu)成帶溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其臨界溫度和溫度補(bǔ)償系數(shù)由神經(jīng)網(wǎng)絡(luò)訓(xùn)練自動(dòng)獲得，然后對(duì)去掉溫度影響的假想負(fù)荷由ANN方法進(jìn)行預(yù)測(cè)，進(jìn)而由補(bǔ)償系數(shù)獲得真實(shí)電力負(fù)荷。該補(bǔ)償模型的創(chuàng)建，克服了現(xiàn)有方法中，僅將氣溫作為輸入變量，而無(wú)法自適應(yīng)獲得補(bǔ)償系數(shù)，以影響預(yù)測(cè)精度的缺陷，極大提高了對(duì)氣溫敏感負(fù)荷的預(yù)測(cè)精度，同時(shí)增強(qiáng)了泛化能力，并可適用于不同氣象條件的地區(qū)。
溫度補(bǔ)償基本原理 氣溫的變化對(duì)于負(fù)荷有很大的影響，在高溫天氣下負(fù)荷明顯的增加，其主要原因在于空調(diào)等降溫設(shè)備的使用；而在低溫天氣下，由于取暖設(shè)備的使用也使得用電負(fù)荷顯著增加。因此，在短期負(fù)荷預(yù)測(cè)中，如何建立氣溫與負(fù)荷的強(qiáng)相關(guān)非線性模型，是提高短期負(fù)荷預(yù)測(cè)精度的關(guān)鍵點(diǎn)，也是難點(diǎn)。
在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)的眾多文獻(xiàn)中，除了將日最高、最低溫度作為輸入量以外，還引入溫度的非線性函數(shù)，例如當(dāng)最高溫度超過(guò)某一臨界值時(shí)，取最高溫度與臨界溫度差的平方作為輸入等等。然而，所取得的效果并不顯著，這是因?yàn)榕R界溫度的取值很難給定。
實(shí)際上，根據(jù)一般運(yùn)行經(jīng)驗(yàn)，在高溫天氣下，氣溫每升高一度，負(fù)荷大致將增加某一百分?jǐn)?shù)，而在低溫天氣下，氣溫每降低一度，負(fù)荷同樣將增加一定百分?jǐn)?shù)。但是，具體的百分值(以下簡(jiǎn)稱溫度系數(shù))對(duì)于各個(gè)系統(tǒng)來(lái)說(shuō)并不相同，即使同一系統(tǒng)，在不同年份也不一樣，另外，由于一天中各個(gè)小時(shí)的溫度不同，相應(yīng)的百分?jǐn)?shù)也不相同?？梢栽O(shè)想，如果在負(fù)荷預(yù)測(cè)算法中能計(jì)及負(fù)荷與溫度的這種非線性關(guān)系并自動(dòng)獲取溫度系數(shù)，無(wú)疑可以提高在高溫及低溫天氣下的負(fù)荷預(yù)測(cè)精度。
在高溫天氣下，當(dāng)某一日期d氣象預(yù)報(bào)的日最高溫度Tdmax超過(guò)某一臨界溫度Tcrmax時(shí)，認(rèn)為時(shí)刻t的負(fù)荷Pdt等于預(yù)測(cè)負(fù)荷Pdt0(以下稱假想負(fù)荷)增大了一個(gè)百分值αdt，即 Pdt＝Pdt0(1+αdt(Tdmax-Tcrmax)) (12) 同理，低溫天氣下，當(dāng)某一日期d氣象預(yù)報(bào)的日最低溫度Tdmin低于某一臨界溫度Tcrmin時(shí)，認(rèn)為時(shí)刻t的負(fù)荷Pdt等于預(yù)測(cè)負(fù)荷Pdt0增加了一個(gè)百分值λdt，即 Pdt＝Pdt0(1-λdt(Tdmin-Tcrmin))(13) 其中，αdt與λdt分別為d日t時(shí)刻的最高溫度系數(shù)與最低溫度系數(shù)。
于是，在人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練過(guò)程中，對(duì)樣本的輸入和輸出，全部采用假想負(fù)荷，而在用訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，得到的也將是相應(yīng)的假想負(fù)荷，其真實(shí)負(fù)荷則只需要將得出的假想負(fù)荷代入式(12)或(13)求得。
帶溫度補(bǔ)償神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型 根據(jù)上節(jié)所提基本思想，帶溫度補(bǔ)償人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示。
其中，假定樣本的輸入為一天(用下標(biāo)d表示)24小時(shí)(用下標(biāo)t表示)的負(fù)荷Pdt(t＝1，2，…24)以及日期特征等其他輸入量；輸出為另一天(待預(yù)測(cè)日，用下標(biāo)d′表示)24小時(shí)的負(fù)荷Pd′t(t＝1，2，…24)。如果采用兩天的歷史負(fù)荷來(lái)預(yù)測(cè)未來(lái)一天的負(fù)荷，或者其它情況，將不難由此推廣。
對(duì)于d日，如果由氣象預(yù)報(bào)給定的日最高溫度Tdmax超過(guò)某給定的臨界值Tcrmax或日最低溫度Tdmin超過(guò)給定臨界值Tcrmin時(shí)，則按式(12)與(13)，其假想負(fù)荷為
其中， αdt與βdt分別為d日t時(shí)刻的最高溫度系數(shù)與最低溫度系數(shù)。
對(duì)于d′日，當(dāng)日最高溫度Td′max超過(guò)某給定的臨界值Tcrmax或日最低溫度Tdmin超過(guò)給定臨界值Tcrmin時(shí)，同理可以按式(12)與(13)得出實(shí)際負(fù)荷與假想負(fù)荷的關(guān)系
其中， 同樣，αd′t與λd′t分別為d′日t時(shí)刻的最高溫度系數(shù)與最低溫度系數(shù)。
注意，式(14)與式(16)即為圖1所示的去補(bǔ)償過(guò)程與補(bǔ)償過(guò)程。
為了使人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程易于收斂，通常都對(duì)其輸入和輸出量進(jìn)行規(guī)格化處理，使得它們的值在
區(qū)間內(nèi)，即 其中，Ptmax和Ptmin分別為全部樣本中在t時(shí)刻負(fù)荷的最大值和最小值。
對(duì)于人工神經(jīng)網(wǎng)絡(luò)，其輸入x1，x2，…xn與輸出y1，y2，…y24之間的關(guān)系由(10)式求得。
這樣，式(10)和(14)～(19)便組成了圖1所示帶溫度補(bǔ)償人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)數(shù)學(xué)模型，其中，輸入量包括Pd1，Pd2，…Pd24和其他輸入；輸出量包括Pd′1，Pd′2，…Pd′24；整個(gè)網(wǎng)絡(luò)涉及未知參數(shù)包括ANN參數(shù)W、β以及臨界溫度Tcrmax、Tcrmin和最高、最低溫度系數(shù)α，λ。
與式(11)類似，帶溫度補(bǔ)償ANN網(wǎng)絡(luò)的目標(biāo)是使輸出量Pd′1，Pd′2，…Pd′24與樣本給定值之間的誤差平方和最小，即 由BFGS擬牛頓訓(xùn)練算法可知，在求解極小值優(yōu)化問(wèn)題(20)時(shí)需要用到E對(duì)參數(shù)W、β、α、λ、Tcrmax、Tcrmin的梯度，現(xiàn)推導(dǎo)如下。
由式(14)和式(16)可得
由此可得



其中，

其中，

及

也可作類似推導(dǎo)，式(22)、式(23)及式(26)中的

和

則由式(10)推導(dǎo)得出，這里不再贅述。

及

的推導(dǎo)如下。
由式(14)和式(18)得
于是

這樣，應(yīng)用式(21)～式(32)便可計(jì)算出式(20)中函數(shù)的梯度 至此，已對(duì)本發(fā)明提出的帶溫度人工神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型作了詳細(xì)介紹，并對(duì)應(yīng)用BFGS優(yōu)化算法所用到的梯度模型進(jìn)行了推導(dǎo)。應(yīng)用本發(fā)明的網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行短期負(fù)荷預(yù)測(cè)，與其他預(yù)測(cè)模型相比，預(yù)測(cè)精度將得到顯著的提高。
溫度補(bǔ)償模型中的參數(shù)包括臨界溫度Tcrmax、Tcrmin，溫度補(bǔ)償系數(shù)α、λ。
對(duì)于臨界溫度，設(shè)歷史樣本最高溫度Tmax，最低溫度Tmin，則其初始值的選取如下式所示 溫度補(bǔ)償系數(shù)α、λ，本發(fā)明同樣取
區(qū)間均勻分布的隨機(jī)數(shù)生成. 創(chuàng)建了樣本動(dòng)態(tài)組織模型 歷史樣本是預(yù)測(cè)建模的基礎(chǔ)，直接影響負(fù)荷預(yù)測(cè)精度。為克服不良樣本對(duì)模型訓(xùn)練帶來(lái)的誤差干擾，本發(fā)明提出了利用樣本組織映射表和構(gòu)建氣象(包括溫度、濕度、降雨量等)及負(fù)荷模糊化模型進(jìn)行樣本初選，進(jìn)而采用改進(jìn)的自組織特征映射網(wǎng)絡(luò)(Self-Organizing Feature Map，SOFM)提取負(fù)荷變化趨勢(shì)特征曲線進(jìn)行樣本精選，實(shí)現(xiàn)了優(yōu)良樣本的動(dòng)態(tài)組織，克服了現(xiàn)有預(yù)測(cè)方法中，樣本人為設(shè)置而使不良樣本影響預(yù)測(cè)精度的缺陷，從而大大提高了預(yù)測(cè)精度。
本發(fā)明進(jìn)行樣本動(dòng)態(tài)組織的步驟是 a)根據(jù)人工經(jīng)驗(yàn)對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行樣本初步篩選，以提高智能聚類方法的搜索效率； b)對(duì)氣象數(shù)據(jù)及平均負(fù)荷數(shù)據(jù)進(jìn)行模糊化處理，建立氣象與負(fù)荷水平的模糊模型； c)采用多元線性回歸方法對(duì)待預(yù)測(cè)日平均負(fù)荷進(jìn)行估算，并利用構(gòu)建的模糊模型進(jìn)一步初選樣本； d)采用改進(jìn)的自組織特征映射網(wǎng)絡(luò)提取負(fù)荷水平變化趨勢(shì)特征曲線，并利用特征曲線精選樣本。
根據(jù)人工經(jīng)驗(yàn)初步篩選歷史樣本 通過(guò)長(zhǎng)期對(duì)負(fù)荷變化規(guī)律的觀察和統(tǒng)計(jì)，我們能夠發(fā)現(xiàn)負(fù)荷的變化具有一定的周期性，包括一年中的季節(jié)性輪流更替、一周中工作日和雙休日的交替變化以及按天的周期變化。這種周期性的特點(diǎn)主要表現(xiàn)在每天的負(fù)荷曲線在形狀上大體相同，但是具體的變化規(guī)律將受到一些因素的影響，特別是季節(jié)的影響。因?yàn)殡S著季節(jié)的改變，氣溫和日照時(shí)間將各不相同，從而影響到人們的作息時(shí)間。另外，工廠的生產(chǎn)也具有明顯的季節(jié)性，而農(nóng)業(yè)灌溉負(fù)荷的用電隨季節(jié)性的變化則更加明顯。
同時(shí)應(yīng)該注意到，國(guó)家法定節(jié)假日同樣會(huì)引起負(fù)荷水平及變化曲線的較大差異，節(jié)假日除負(fù)荷水平較低外，變化曲線形態(tài)也與正常日有所不同。
通過(guò)以上分析，本發(fā)明在動(dòng)態(tài)組織樣本時(shí)，依據(jù)負(fù)荷變化受時(shí)間因素影響的特點(diǎn)，構(gòu)建一個(gè)時(shí)間分類樹(shù)(圖2)，四季變化以某實(shí)際電網(wǎng)為例，春季指3~5月份，夏季指6~8月份，秋季指9~11月份，冬季指1、2、12月份；工作日指周一至周五；雙休日指周六至周日。對(duì)于不同地區(qū)，可按當(dāng)?shù)丶竟?jié)變化特點(diǎn)重新設(shè)置時(shí)間分類樹(shù)參數(shù)。
在構(gòu)建一個(gè)時(shí)間分類樹(shù)的同時(shí)，本發(fā)明利用工作日與雙休日，正常日與節(jié)假日之間負(fù)荷變化規(guī)律各不相同，以及負(fù)荷變化規(guī)律相似程度近大遠(yuǎn)小的特點(diǎn)構(gòu)建一個(gè)樣本組織映射表(表1)，通過(guò)時(shí)間分類樹(shù)將預(yù)測(cè)日進(jìn)行分類后，對(duì)不同類別的預(yù)測(cè)日，再根據(jù)樣本組織映射表初步篩選歷史樣本，以提高智能聚類算法進(jìn)行樣本組織時(shí)的搜索效率。 表1 樣本映射表

初步篩選歷史樣本的具體步驟是 1)根據(jù)地區(qū)特點(diǎn)設(shè)定時(shí)間分類樹(shù)的季節(jié)參數(shù)，構(gòu)建時(shí)間分類樹(shù)； 2)利用負(fù)荷變化相似性規(guī)律構(gòu)建樣本組織映射表； 3)將預(yù)測(cè)日時(shí)間信息(年月日)輸入時(shí)間分類樹(shù)，得出該預(yù)測(cè)日日期類別； 4)利用預(yù)測(cè)日的日期類別查詢樣本組織映射表，找出對(duì)應(yīng)的樣本篩選規(guī)則； 5)根據(jù)特定的樣本篩選規(guī)則為預(yù)測(cè)日初步篩選訓(xùn)練樣本； 6)篩選完畢后，將所選樣本對(duì)應(yīng)的時(shí)間信息存入初始樣本數(shù)據(jù)庫(kù)。
溫度數(shù)據(jù)及平均負(fù)荷數(shù)據(jù)的模糊化處理 為了使所選樣本更加合理，要求其與待預(yù)測(cè)日具有相似的溫度特征(最高溫度、最低溫度、平均溫度)和負(fù)荷水平特征。這就需要對(duì)歷史樣本的溫度及平均負(fù)荷數(shù)據(jù)進(jìn)行模糊化處理，構(gòu)建溫度及負(fù)荷水平的模糊模型，為組織樣本提供依據(jù)。對(duì)于溫度數(shù)據(jù)及平均負(fù)荷數(shù)據(jù)的模糊化處理，本發(fā)明使用有序聚類精確最優(yōu)解方法—Fisher算法，首先分別對(duì)歷史氣象及負(fù)荷數(shù)據(jù)進(jìn)行最優(yōu)劃分，找出其最佳分割點(diǎn)，再依據(jù)分割點(diǎn)按照一定標(biāo)準(zhǔn)將數(shù)據(jù)進(jìn)行模糊化處理，構(gòu)建溫度與負(fù)荷的模糊化模型。
1)有序聚類的精確最優(yōu)解方法——Fisher算法 在數(shù)據(jù)挖掘過(guò)程中，對(duì)存放在數(shù)據(jù)庫(kù)中的大量數(shù)據(jù)，能夠以簡(jiǎn)潔的形式在更一般抽象層進(jìn)行描述是至關(guān)重要的。這種將數(shù)據(jù)集從較低的概念層抽象到較高概念層的方法稱為數(shù)據(jù)概化。而實(shí)現(xiàn)大批量數(shù)據(jù)概化最為常用的處理辦法是聚類分析。本發(fā)明采用Fisher算法進(jìn)行有序聚類分析，以求找到精確的最優(yōu)分類。
Fisher算法利用“高類聚、低耦合”的原則選取其中最佳的部分作為選定的分類結(jié)果。所謂“高類聚、低耦合”是指基于類內(nèi)距離平方和最小，類間距離平方和最大。
定義1設(shè)有m維有序樣本X1，X2，X3…，Xn，其中Xi＝(xi1，xi2，xi3，…，xim)，若某類的樣本為{Xi，Xi+1，Xi+2…，Xj}，i≤j，其均值向量為 類內(nèi)的類直徑為 其含義表示該樣本段{Xi，Xi+1，Xi+2…，Xj}內(nèi)部各樣本之間的差異情況。D(i，j)越小，表示該段內(nèi)樣本之間的差異越小，或說(shuō)明相互間越接近。反之，D(i，j)越大，表示該段內(nèi)樣本之間的差異越大，或說(shuō)明相互間越分散。
定義2 將n個(gè)樣本X1，X2，X3…，Xn分成k類，假定其分法表示為 其中i1＝1<i2<…<ik≤n，我們可定義該種分類方法的誤差函數(shù)為 當(dāng)j＝k時(shí)，ik+1-1＝n。
考慮到總距離平方和 其中叫做總均值；eA(P(n，k))叫做類間平方和，反映各類之間的差異。當(dāng)n，k固定時(shí)，E為一常數(shù)，e(P(n，k))和eA(P(n，k))隨分法不同而變化。顯然，當(dāng)e(P(n，k))越小，eA(P(n，k))越大，分類越合理。因此，所謂最優(yōu)分法也就是使e(P(n，k))達(dá)到最小的一種分法。
定義3誤差函數(shù)的遞推公式為 (42) Fisher算法具體步驟是 輸入待聚類的有序數(shù)據(jù)樣本及已知的分類數(shù)； 輸出樣本數(shù)據(jù)的聚類分割點(diǎn)； 步驟1根據(jù)定義1計(jì)算D(i，j)，i＝1，2，…，n-1；j＝i+1，…，n； 步驟2設(shè)已知的分類數(shù)為k，則分割點(diǎn)個(gè)數(shù)為k′＝k-1，根據(jù)定義2及3計(jì)算e(P(i，j))，i＝3，4，…，n；j＝2，3，…，k且2<k<n，j<i； 步驟3根據(jù)e(P(i，j))矩陣，求得使e(P(n，k))達(dá)到極小的最后一個(gè)分割點(diǎn)號(hào)g，再找出使e(P(g-1，k-1))達(dá)到極小的分割點(diǎn)號(hào)g1，進(jìn)一步找出使e(P(g1-1，k-2))達(dá)到極小的分割點(diǎn)號(hào)g2…最后找到最優(yōu)兩類分割點(diǎn)號(hào)
2)溫度及負(fù)荷數(shù)據(jù)模糊化模型的構(gòu)建 以最高溫度模糊化模型的構(gòu)建為例，本發(fā)明將歷史氣象數(shù)據(jù)中的最高溫度數(shù)據(jù)最終劃分成三個(gè)等級(jí)，分別為高溫、中溫和低溫，用0、1、2表示，具體做法是 1)將歷史氣象數(shù)據(jù)庫(kù)中的最高溫度數(shù)據(jù)進(jìn)行排序(由低到高)； 2)調(diào)用有序聚類算法對(duì)排序后的最高溫度數(shù)據(jù)進(jìn)行聚類分析，找出分割點(diǎn)Tempmax(1)和Tempmax(2)； 3)依據(jù)分割點(diǎn)對(duì)最高溫度數(shù)據(jù)進(jìn)行模糊化處理 設(shè)某日的最高溫度為T(mén)empmax，模糊化處理后為

則有
按照同樣的方法，分別對(duì)最低溫度(Tempmax)、平均溫度(Tempmax)以及日平均負(fù)荷(Loadave)數(shù)據(jù)進(jìn)行有序聚類分析，找出分割點(diǎn)，從而構(gòu)建相應(yīng)的模糊化模型，模糊化處理標(biāo)準(zhǔn)如下 最低溫度劃分標(biāo)準(zhǔn)
平均溫度劃分標(biāo)準(zhǔn)
日平均負(fù)荷劃分標(biāo)準(zhǔn)

負(fù)荷水平的多元線性回歸估算及使用模糊模型的樣本初選 負(fù)荷水平(平均負(fù)荷)包含了待預(yù)測(cè)日負(fù)荷變化的重要信息，評(píng)價(jià)兩日的負(fù)荷特點(diǎn)是否相似，負(fù)荷水平是一個(gè)非常重要的指標(biāo)。對(duì)待預(yù)測(cè)日進(jìn)行樣本動(dòng)態(tài)選取時(shí)，引入負(fù)荷水平這一指標(biāo)，將更加有利于歷史樣本的精確選取。然而，待預(yù)測(cè)日的負(fù)荷水平本身是一個(gè)未知量，如何能夠較合理的對(duì)待預(yù)測(cè)日負(fù)荷水平進(jìn)行估算，就成為急需解決的問(wèn)題?？紤]到只是將負(fù)荷水平作為樣本選擇的一個(gè)指標(biāo)，本發(fā)明采用常規(guī)的多元線性回歸算法對(duì)負(fù)荷水平進(jìn)行估算，實(shí)際結(jié)果表明，估算出的負(fù)荷水平滿足工程應(yīng)用需要；在對(duì)負(fù)荷水平估算完畢之后，本發(fā)明利用負(fù)荷水平估算值和待預(yù)測(cè)日氣象因素形成待預(yù)測(cè)日特征向量，將其應(yīng)用于已經(jīng)形成的氣象與負(fù)荷的模糊模型進(jìn)行樣本初選，為進(jìn)一步負(fù)荷水平變化趨勢(shì)特征曲線的提取打下基礎(chǔ)。
1)多元線性回歸法的負(fù)荷水平估算 本發(fā)明采用多元線性回歸算法[15]對(duì)待預(yù)測(cè)日的負(fù)荷水平(平均負(fù)荷)進(jìn)行估算，回歸模型為 y＝b0+b1x1+b2x2+…+bkxk (47) 其中y為待預(yù)測(cè)日平均負(fù)荷，k＝10，x1，x2…，xk分別為待預(yù)測(cè)日最高溫度、最低溫度、降雨量；待預(yù)測(cè)日前一日最高溫度、最低溫度、降雨量；待預(yù)測(cè)日前一周相同星期類型日最高溫度、最低溫度、降雨量及平均負(fù)荷，式(47)稱為k元線性回歸模型，x1，x2…，xk稱為回歸變量，b0，b1，b2，…bk都是與x1，x2…，xk無(wú)關(guān)的未知參數(shù)，稱為回歸系數(shù)。
回歸樣本使用初步篩選的歷史樣本，設(shè)樣本數(shù)為n，則當(dāng)變量x1，x2…，xk取不全相同的n組數(shù)(xi1，xi2…，xik)時(shí)，可得到n組回歸樣本向量(xi1，xi2…，xik，yi)，i＝1，2…，n(n>k+1)，它們滿足關(guān)系式 yi＝b0+b1xi1+b2xi2+…+bkxik，i＝1，2…，n(n>k+1) (48) 以矩陣形式可表示為 Y＝XB (49) 矩陣記號(hào)分別為 其中X為已知的n×(k+1)階矩陣，稱為回歸設(shè)計(jì)矩陣，B為未知的k+1列向量，稱為回歸系數(shù)向量，Y稱為n維觀測(cè)列向量。利用最小二乘原理求參數(shù)b0，b1…，bk的點(diǎn)估計(jì)，即尋找B的估計(jì)

使其滿足如下關(guān)系式 其中約定xi0≡0。
用微分法求(51)式的解，即取Q關(guān)于bl(l＝0，1…，k)的偏導(dǎo)，并令它們等于零，得 亦即 把方程組(53)改寫(xiě)為矩陣形式有 (54)因?yàn)榧俣╮ank(X)＝k+1，所以XTX可逆。由(54)時(shí)可解出 取

作為k元線性回歸函數(shù)b0+b1x1+…+bkxk的估計(jì)，并稱 為經(jīng)驗(yàn)回歸方程。
為了衡量回歸效果，需按式(57)~(58)進(jìn)行回歸方程的顯著性檢驗(yàn)，按式(59)~(61)進(jìn)行回歸系數(shù)的顯著性檢驗(yàn) 偏差平方和 平均標(biāo)準(zhǔn)偏差 復(fù)相關(guān)系數(shù) 當(dāng)r接近于1時(shí)，說(shuō)明相對(duì)誤差q/t接近于0，y與x1，x2…，xk之間的線性關(guān)系顯著，線性回歸效果好。偏相關(guān)系數(shù) 其中 vj越大，說(shuō)明回歸因子xj對(duì)y的作用越顯著，此時(shí)不可將xj剔除掉。
在求出經(jīng)驗(yàn)回歸方程，經(jīng)過(guò)檢驗(yàn)，認(rèn)為線性回歸是顯著的，并且已剔除了那些次要因子，接下來(lái)即可以使用最終建立的經(jīng)驗(yàn)回歸方程對(duì)預(yù)測(cè)日負(fù)荷水平y(tǒng)(Loadave)作線性回歸預(yù)測(cè)，具體算法步驟是 步驟1利用初步篩選樣本形成稱為回歸設(shè)計(jì)矩陣X與n維觀測(cè)列向量Y； 步驟2根據(jù)(55)式計(jì)算回歸系數(shù)向量
步驟3回歸方程與回歸系數(shù)的顯著性檢驗(yàn)； 步驟4使用最終建立的經(jīng)驗(yàn)回歸方程對(duì)預(yù)測(cè)日負(fù)荷水平y(tǒng)作線性回歸預(yù)測(cè)，預(yù)測(cè)值y作為負(fù)荷水平估計(jì)值Loadave。
2)基于模糊模型的樣本初選 估算出預(yù)測(cè)日負(fù)荷水平后，我們將形成一個(gè)與預(yù)測(cè)日負(fù)荷變化曲線有較強(qiáng)相關(guān)性的日氣象負(fù)荷特征向量 F＝[Tempmax，Tempmin，Tempave，Loadave]T (62) 其中，Tempmax，Tempmin，Tempave分別為最高溫度、最低溫度與平均溫度，Loadave為估算出的平均負(fù)荷。
利用已構(gòu)建的氣象負(fù)荷模糊模型，對(duì)該特征向量中的每個(gè)元素進(jìn)行模糊化處理，最終可得到一個(gè)模糊化特征向量 其中每個(gè)元素將表示為0~3中的某個(gè)離散值。
使用同樣的方法對(duì)初步篩選的n個(gè)樣本分別形成日氣象負(fù)荷特征向量，并進(jìn)行模糊化處理后得到n個(gè)日氣象負(fù)荷模糊化特征向量 再利用F′與

進(jìn)行比較，當(dāng)

(列向量每個(gè)元素對(duì)應(yīng)相等)時(shí)，該樣本稱為相似樣本，并將其存入初選樣本數(shù)據(jù)庫(kù)，否則，將其剔除，經(jīng)過(guò)n次比較，最終我們會(huì)得到一個(gè)初選的樣本數(shù)據(jù)庫(kù)，樣本數(shù)計(jì)為N′，其中每個(gè)樣本都滿足 樣本初選步驟可概括如下 步驟1利用預(yù)測(cè)日氣象與估算的負(fù)荷水平值形成模糊化日特征向量F′； 步驟2對(duì)初步篩選的n個(gè)歷史樣本分別形成其模糊化日特征向量
步驟3對(duì)F′與

進(jìn)行比較，滿足式(65)時(shí)，將其列為初選樣本，并納入樣本初選數(shù)據(jù)庫(kù)。
步驟4如果初選樣本過(guò)少(包括沒(méi)有樣本)時(shí)，可去掉模糊化特征向量中對(duì)負(fù)荷影響相對(duì)最小的一個(gè)元素，如負(fù)荷水平因素Loadave，返回步驟1重新進(jìn)行樣本初選，直到所選樣本數(shù)目滿足要求。
負(fù)荷水平變化趨勢(shì)的特征曲線提取及樣本精選 對(duì)預(yù)測(cè)日進(jìn)行樣本組織時(shí)，除了要求所選樣本與預(yù)測(cè)日具有相近的氣象特征和負(fù)荷水平特征，保證預(yù)測(cè)日與樣本日的日負(fù)荷變化曲線基本相同，即具有相似的縱向特征外，還要求樣本的負(fù)荷水平變化趨勢(shì)與待預(yù)測(cè)日負(fù)荷水平變化趨勢(shì)具有相似性，即具有相似的橫向特征。在形成初選樣本數(shù)據(jù)庫(kù)(樣本數(shù)計(jì)為N′)后，本發(fā)明對(duì)該數(shù)據(jù)庫(kù)中樣本所對(duì)應(yīng)的N′個(gè)負(fù)荷水平變化趨勢(shì)向量采用基于改進(jìn)FCM與灰色關(guān)聯(lián)理論的自組織特征映射網(wǎng)絡(luò)進(jìn)行智能化地自組織聚類分析，提取隱含在初選樣本數(shù)據(jù)庫(kù)中的多條負(fù)荷水平變化趨勢(shì)特征曲線，再利用待預(yù)測(cè)日對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量與多條負(fù)荷水平變化趨勢(shì)特征曲線進(jìn)行相似性比較，找出最為相似的變化趨勢(shì)特征曲線，而該特征曲線所對(duì)應(yīng)的樣本子集便構(gòu)成了預(yù)測(cè)日最終建模預(yù)測(cè)所需要的精選樣本數(shù)據(jù)庫(kù)。
1)引入隸屬度修正的模糊c均值聚類算法(FCM，F(xiàn)uzzy c-means) 為了優(yōu)化聚類分析的目標(biāo)函數(shù)，人們提出了應(yīng)用廣泛的FCM聚類算法，該算法是由硬c均值(HCM，Hard c-means)聚類算法發(fā)展而來(lái)的。在HCM算法中，樣本對(duì)某個(gè)類別的隸屬度只能是0或1，雖然有較快的收斂性，但該算法對(duì)隸屬度的描述過(guò)于理想化，容易出現(xiàn)局部極值的問(wèn)題；對(duì)于FCM算法，樣本對(duì)某個(gè)類別的隸屬度在
內(nèi)取值，并且對(duì)所有類別的隸屬度之和為1，與HCM算法相比更加符合實(shí)際要求，聚類效果更好。
FCM算法的基本原理是通過(guò)求取所有樣本點(diǎn)與聚類中心距離加權(quán)和的目標(biāo)函數(shù)極值點(diǎn)而得到聚類中心迭代公式，其中權(quán)值是指隸屬度函數(shù)的指數(shù)。設(shè)歷史樣本集為X＝{X1，X2…，Xn}，n為樣本容量，X中每個(gè)元素Xj(j＝1，2…，n)為一個(gè)p維矢量，假定X中包含c個(gè)類別，第i個(gè)類的中心記為Vi＝{vi1，vi2…，vip}，Xj對(duì)Vi的隸屬度記為uij，代表第j個(gè)樣本對(duì)第i個(gè)類中心的距離，設(shè)U＝{uij}，V＝{vij}，隸屬度和類中心的迭代公式如式(66)～(68)所示。
對(duì)于

如果則有 如果

使得dir＝0，則有 uir＝1，且對(duì)j≠r，uij＝0 (67) 參數(shù)m為模糊度，控制著模式在模糊類間的分享程度，一般取[1.5，2.5]。
由于FCM是一個(gè)逐步優(yōu)化的過(guò)程，這使得其收斂速度較慢。在聚類過(guò)程中，通常按照隸屬度最大的原則，只需考慮數(shù)據(jù)與隸屬度較大的類的關(guān)系，然而(66)中所有的隸屬度都對(duì)下一步迭代的Vi產(chǎn)生影響并不合理，數(shù)據(jù)應(yīng)該對(duì)它的最大隸屬度類中心施加最大的調(diào)整力度，但不應(yīng)該對(duì)它的次最大隸屬度類中心有很強(qiáng)的調(diào)整力度，否則將延緩FCM的收斂；數(shù)據(jù)也應(yīng)該對(duì)較小隸屬度類中心有微弱的調(diào)整力度，從而避免聚類的死點(diǎn)問(wèn)題。本發(fā)明正是基于這一思想，在模糊聚類的迭代過(guò)程中，利用額外的信息修改每次迭代得到的隸屬度矩陣，使下一次迭代時(shí)類中心的取值更加合理，提高FCM的聚類速度，第t次迭代樣本矢量Xj的隸屬度修正公式為 式中，k為歸一化常數(shù)，k3為對(duì)較遠(yuǎn)節(jié)點(diǎn)的弱激勵(lì)強(qiáng)度，方括號(hào)中的式子是由2個(gè)高斯函數(shù)組成的墨西哥草帽函數(shù)(k1>k2，σ2>σ1)，i*為最大匹配點(diǎn)。
表2為采用FCM算法在隸屬度不修正與修正情況下，對(duì)西安電網(wǎng)2001年負(fù)荷數(shù)據(jù)選取2、3、4、5、10、12、14、16、18個(gè)月的負(fù)荷水平變化趨勢(shì)向量進(jìn)行聚類，提取它們的特征曲線時(shí)兩種算法收斂時(shí)間的對(duì)比情況。兩種算法使用參數(shù)為聚類數(shù)c＝6，誤差上限ε＝1.0×10-4，模糊度m＝2，迭代上限T＝1000；墨西哥草帽函數(shù)參數(shù)k＝5，k1＝10，k2＝5，k3＝0.05，σ1＝0.5，σ2＝5。
表2 FCM算法與引入隸屬度修正的改進(jìn)FCM算法收斂時(shí)間(秒)比較
由表2不難看出，采用式(69)對(duì)隸屬度矩陣進(jìn)行修正，在不影響聚類效果的基礎(chǔ)上，收斂時(shí)間與不進(jìn)行修正時(shí)相比得到了有效的降低。其主要原因在于每次對(duì)隸屬度的修正，使得類中心的調(diào)整力度更加符合實(shí)際，數(shù)據(jù)與類中心越接近，調(diào)整力度就越大，反之亦然，這就從根本上消除了原FCM算法盲目調(diào)整的缺陷，從而加快了聚類收斂的速度。
2)自組織特征映射網(wǎng)絡(luò)(SOFM) 由芬蘭學(xué)者Kohonen T.提出的自組織特征映射(self-organizing feature map，SOFM)網(wǎng)，可將任意維的輸入信號(hào)映射到一維或二維的離散網(wǎng)絡(luò)上，并保持一定的拓?fù)溆行蛐?。SOFM網(wǎng)絡(luò)由輸入層和輸出層組成，輸入為n維，輸出為二維。
令輸入信號(hào)為X＝[x1，x2…，xn]T，單元i的權(quán)向量為Wk＝[wk1，wk2…，wkn]T，k＝1，2…，m，設(shè)輸入信號(hào)Xj按順序一個(gè)一個(gè)的輸入，每輸入一個(gè)向量時(shí)，首先尋找其權(quán)向量Wk與Xj有最佳匹配的單元i，設(shè)各神經(jīng)元的域值都是一樣的，則應(yīng)求

的最大值，即求 其次應(yīng)確定最佳匹配單元的鄰域，此鄰域是隨迭代次數(shù)t變化的，所以叫做鄰域函數(shù)Λi(t)，最后應(yīng)確定一個(gè)在Λi(t)內(nèi)的單元的權(quán)值修改公式，即
其中η(t)為第t次迭代的學(xué)習(xí)步長(zhǎng)。
基本SOFM算法的步驟可歸納如下 1)權(quán)值初始化，用小的隨機(jī)數(shù)對(duì)各權(quán)向量賦初值Wk(0)，各節(jié)點(diǎn)應(yīng)取為不同權(quán)值。
2)在樣本集中隨機(jī)選一個(gè)樣本Xj作為輸入。
3)對(duì)于第t次迭代，選擇最佳匹配單元i(競(jìng)爭(zhēng)過(guò)程)。
4)確定鄰域函數(shù)Λi(t)(協(xié)作過(guò)程)。
5)修正權(quán)值
6)t＝t+1返回2)，直到形成有意義的映射圖。
3)基于改進(jìn)SOFM網(wǎng)絡(luò)的樣本精選 本發(fā)明將FCM中模糊度與隸屬度的概念引入到SOFM學(xué)習(xí)步長(zhǎng)η(t)的計(jì)算，對(duì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)對(duì)應(yīng)的權(quán)值向量進(jìn)行修正，并保證距離聚類中心近的節(jié)點(diǎn)其權(quán)值調(diào)整力度較大，而距離聚類中心遠(yuǎn)的節(jié)點(diǎn)其權(quán)值調(diào)整力度較小，這樣不僅加速了原SOFM的收斂速度，而且避免了原SOFM算法只對(duì)鄰域Λi(t)內(nèi)神經(jīng)元權(quán)值進(jìn)行修改時(shí)可能出現(xiàn)的死點(diǎn)問(wèn)題，第t次迭代的權(quán)值修正公式為 Wk(t+1)＝Wk(t)+ηkj(t)[Xj-Wk(t)]，k＝1，2…，m (74) 上式中ηkj(t)為學(xué)習(xí)步長(zhǎng)，計(jì)算公式為 ηkj(t)＝(ukj(t))m(t)， 其中T為最大迭代次數(shù)，m0為迭代初始模糊度，取大于1的常數(shù)。
對(duì)于原FCM算法，在計(jì)算樣本Xj對(duì)聚類中心Wk(t)的隸屬度ukj(t)時(shí)所用的距離公式為 由于該距離公式只適合于球形或橢球形分布的多維數(shù)據(jù)，而本發(fā)明所要處理的負(fù)荷水平趨勢(shì)向量的分布為平行分布，仍然采用這一距離公式顯然是不合理的，所以發(fā)明了以灰色系統(tǒng)理論中的關(guān)聯(lián)度方法來(lái)描述樣本Xj與聚類中心Wk(t)在高維空間中的距離，如果我們指定參考列向量為聚類中心Wk(t)＝{wk1(t)，wk2(t)…，wkp(t)}T，樣本Xj＝{xj1，xj2…，xjp}T，j＝1，2…N′，則稱 為聚類中心Wk(t)與樣本Xj在第s點(diǎn)的關(guān)聯(lián)系數(shù)，它們的關(guān)聯(lián)度則定義為 關(guān)聯(lián)度越大，樣本Xj與聚類中心Wk(t)越相似，反之亦然。
根據(jù)初選樣本數(shù)據(jù)庫(kù)中的樣本形成N′個(gè)p維負(fù)荷水平變化趨勢(shì)向量，其中負(fù)荷水平變化趨勢(shì)向量為某一樣本日前三十日的平均負(fù)荷(p＝30)，但不包括樣本日前一日平均負(fù)荷(因?yàn)轭A(yù)測(cè)日前一日負(fù)荷未知)，設(shè)最終的趨勢(shì)向量矩陣為 每一行元素代表某一樣本對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量，將這N′個(gè)趨勢(shì)向量依次反復(fù)輸入改進(jìn)后的SOFM網(wǎng)絡(luò)進(jìn)行聚類分析，具體算法可描述如下 1)給定聚類數(shù)c，誤差上限ε，初始模糊度m0，迭代上限T，墨西哥草帽函數(shù)參數(shù)k，k1，k2，σ1，σ2，k3； 2)隨機(jī)給定初始聚類中心(權(quán)值矢量)Wk，k＝1，2…，m，令t＝1； 3)根據(jù)距離公式(79) 和隸屬度計(jì)算及更新公式(80)~(82) 對(duì)于

如果則有 如果

使得dkr＝0，則有 ukr＝1，且對(duì)j≠r，ukj＝0(81) j*為最佳匹配節(jié)點(diǎn) (82) 形成隸屬度矩陣U； 4)根據(jù)隸屬度矩陣U按式(83) ηkj(t)＝(u*kj(t))m(t)， 計(jì)算學(xué)習(xí)率ηkj(t)； 5)根據(jù)公式 Wk(t+1)＝Wk(t)+ηkj(t)[Xj-Wk(t)]，k＝1，2…，m (84) 對(duì)權(quán)值向量進(jìn)行更新； 6)當(dāng)m(t)>1.0，‖Wk(t+1)-Wk(t)‖>ε，并且t<T時(shí)，令t＝t+1，返回3)，否則聚類結(jié)束。
根據(jù)負(fù)荷變化特征并進(jìn)行多次測(cè)試，網(wǎng)絡(luò)參數(shù)設(shè)定為聚類數(shù)c＝3，誤差上限ε＝1.0×10-4，初始模糊度m0＝2，迭代上限T＝10000，墨西哥草帽函數(shù)參數(shù)k＝5，k1＝10，k2＝5，k3＝0.05，σ1＝0.5，σ2＝5，則有該網(wǎng)絡(luò)的輸入節(jié)點(diǎn)n＝p＝30，輸出節(jié)點(diǎn)m＝c＝3網(wǎng)絡(luò)訓(xùn)練收斂后，提取出三條特征各異的負(fù)荷水平變化趨勢(shì)特征曲線XT1，XT2，XT3，然后再將這N′個(gè)趨勢(shì)向量依次重新輸入訓(xùn)練好的SOFM網(wǎng)絡(luò)，原初選樣本數(shù)據(jù)庫(kù)E將被劃分為三個(gè)樣本子集E1，E2，E3，并且滿足
E1∪E2∪E3＝E (85) 其中對(duì)于某一趨勢(shì)向量Xj，其網(wǎng)絡(luò)輸出向量為{y1，y2，y3}T，由SOFM網(wǎng)絡(luò)特性可知 在特征曲線提取與樣本分類完畢后，分別計(jì)算預(yù)測(cè)日對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量Xd與三條負(fù)荷水平變化趨勢(shì)特征曲線XT1，XT2，XT3之間的關(guān)聯(lián)度，找出關(guān)聯(lián)度最大也就是最為相似的變化趨勢(shì)特征曲線XTi，從而我們不難斷定該特征曲線所對(duì)應(yīng)的樣本子集Ei就是預(yù)測(cè)日負(fù)荷建模預(yù)測(cè)所需的精選樣本數(shù)據(jù)庫(kù)。
使用本發(fā)明建立的基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)模型與一般神經(jīng)網(wǎng)絡(luò)(ANN)預(yù)測(cè)模型以及支撐向量機(jī)(SVM)預(yù)測(cè)模型對(duì)杭州電網(wǎng)典型月份(冬季、夏季、節(jié)假日)進(jìn)行了短期負(fù)荷預(yù)測(cè)，并對(duì)預(yù)測(cè)精度與速度進(jìn)行了比較。
杭州電網(wǎng)數(shù)據(jù)采用2006年1月1日至2007年9月1日的歷史負(fù)荷及氣象(包括最高溫度、最低溫度)數(shù)據(jù)，分別預(yù)測(cè)該電網(wǎng)2007年1月、5月、8月份每日的96點(diǎn)負(fù)荷值，預(yù)測(cè)結(jié)果見(jiàn)表3～表5。
表3 杭州電網(wǎng)2007年1月測(cè)試結(jié)果

表4 杭州電網(wǎng)2007年5月測(cè)試結(jié)果

表5 杭州電網(wǎng)2007年8月測(cè)試結(jié)果
不同預(yù)測(cè)模型的負(fù)荷預(yù)測(cè)時(shí)間對(duì)比見(jiàn)表6 表6 本發(fā)明與ANN、SVM日平均預(yù)測(cè)時(shí)間(分鐘)比較
由表3～表5可以看出，本發(fā)明采用的預(yù)測(cè)方法在對(duì)含節(jié)假日的月份(如5月、10月)及夏、冬兩季(如1月、7月、8月、12月)進(jìn)行預(yù)測(cè)時(shí)的精度相比支撐向量機(jī)(SVM)方法與一般神經(jīng)網(wǎng)絡(luò)(ANN)方法都有了顯著的提高。5月1日至3日及10月1日至3日受勞動(dòng)節(jié)或國(guó)慶節(jié)影響，負(fù)荷水平明顯低于其它時(shí)間，負(fù)荷變化規(guī)律也體現(xiàn)不同特點(diǎn)，若不對(duì)訓(xùn)練樣本進(jìn)行科學(xué)選取，必然會(huì)帶來(lái)較大的誤差干擾，而本發(fā)明使用的樣本動(dòng)態(tài)組織模型可以有效地避開(kāi)不良樣本影響，提高了預(yù)測(cè)精度；由于夏季(如7月、8月)降溫負(fù)荷(如空調(diào)負(fù)荷)及冬季(如1月、12月)取暖負(fù)荷(如電暖器)的增多，使得溫度對(duì)負(fù)荷變化將產(chǎn)生較大的影響對(duì)于夏季，溫度較低時(shí)隨溫度的升高負(fù)荷水平呈上升趨勢(shì)，持續(xù)高溫天氣下負(fù)荷值達(dá)到飽和而保持不變，雷雨天氣下負(fù)荷會(huì)隨溫度降低而有所下降，但有一定的延遲；對(duì)于冬季，在溫度偏低時(shí)，隨著溫度持續(xù)下降，用電負(fù)荷量也將不斷上升，直到一定水平后達(dá)到飽和。杭州電網(wǎng)1月、8月，陜西電網(wǎng)1月、7月以及濮陽(yáng)電網(wǎng)8月、12月預(yù)測(cè)精度的大幅提升充分表明，本發(fā)明創(chuàng)建的溫度補(bǔ)償模型對(duì)受溫度影響較大的夏、冬季節(jié)負(fù)荷預(yù)測(cè)精度的提高發(fā)揮了積極作用。
在預(yù)測(cè)速度上，由表6可以看出，本發(fā)明的日預(yù)測(cè)時(shí)間相比支撐向量機(jī)減少了十分鐘以上，相比一般神經(jīng)網(wǎng)絡(luò)也少了一分鐘左右。對(duì)于支撐向量機(jī)方法，由于其優(yōu)化算法自身特點(diǎn)，導(dǎo)致預(yù)測(cè)模型訓(xùn)練時(shí)間較長(zhǎng)，所以該方法預(yù)測(cè)時(shí)間較大；本發(fā)明與一般神經(jīng)網(wǎng)絡(luò)相比預(yù)測(cè)時(shí)間減少主要原因在于樣本的動(dòng)態(tài)組織大大減少了訓(xùn)練樣本數(shù)，人工神經(jīng)網(wǎng)絡(luò)方法所用樣本為預(yù)測(cè)日前一年的負(fù)荷及氣象數(shù)據(jù)，而本發(fā)明通過(guò)樣本動(dòng)態(tài)組織提供樣本，樣本數(shù)一般為60～120，這樣從全局?jǐn)M合的規(guī)模及運(yùn)算量上明顯低于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。
綜上所述，本發(fā)明基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)無(wú)論是在預(yù)測(cè)精度上，還是在預(yù)測(cè)速度上都取得了令人滿意的效果，這將對(duì)電網(wǎng)調(diào)度部門(mén)安排發(fā)電計(jì)劃以及電力工業(yè)市場(chǎng)化運(yùn)行管理發(fā)揮積極而有效的作用。
權(quán)利要求
1、基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)方法，其特征在于
1)讀取歷史樣本數(shù)據(jù)讀取電力部門(mén)提供的待預(yù)測(cè)日前2年的負(fù)荷數(shù)據(jù)、星期類型及溫度數(shù)據(jù)為歷史樣本數(shù)據(jù)；
2)構(gòu)建時(shí)間分類樹(shù)與樣本組織映射表進(jìn)行樣本初步篩選
a、根據(jù)地區(qū)特點(diǎn)設(shè)定時(shí)間分類樹(shù)的季節(jié)參數(shù)，構(gòu)建時(shí)間分類樹(shù)；
b、利用負(fù)荷變化相似性規(guī)律構(gòu)建樣本組織映射表；
c、將預(yù)測(cè)日時(shí)間信息(年月日)輸入時(shí)間分類樹(shù)，得出該預(yù)測(cè)日日期類別；
d、利用預(yù)測(cè)日的日期類別查詢樣本組織映射表，找出對(duì)應(yīng)的樣本篩選規(guī)則；
e、根據(jù)樣本篩選規(guī)則為預(yù)測(cè)日初步篩選訓(xùn)練樣本；
f、篩選完畢后，將所選樣本對(duì)應(yīng)的時(shí)間信息存入初始樣本數(shù)據(jù)庫(kù)；
3)構(gòu)建氣象及負(fù)荷水平模糊化模型
a、將歷史樣本的歷史氣象數(shù)據(jù)中的最高溫度數(shù)據(jù)由低到高進(jìn)行排序；
b、調(diào)用有序聚類算法對(duì)排序后的最高溫度數(shù)據(jù)進(jìn)行聚類分析，得到分割點(diǎn)Tempmax(1)和Tempmax(2)；
c、依據(jù)分割點(diǎn)對(duì)最高溫度數(shù)據(jù)進(jìn)行模糊化處理
設(shè)某日的最高溫度為T(mén)empmax，模糊化處理后為
則有
按照同樣的方法，分別對(duì)最低溫度(Tempmax)、平均溫度(Tempmax)以及日平均負(fù)荷(Loadave)數(shù)據(jù)進(jìn)行有序聚類分析，找出分割點(diǎn)，從而構(gòu)建相應(yīng)的模糊化模型，模糊化處理標(biāo)準(zhǔn)如下
最低溫度劃分標(biāo)準(zhǔn)
平均溫度劃分標(biāo)準(zhǔn)
日平均負(fù)荷劃分標(biāo)準(zhǔn)
4)根據(jù)溫度與負(fù)荷模糊化特征進(jìn)一步初選樣本
采用多元線性回歸法對(duì)待預(yù)測(cè)日負(fù)荷水平(Loadave)回歸估算
步驟1利用初步篩選樣本形成稱為回歸設(shè)計(jì)矩陣X與n維觀測(cè)列向量Y；
步驟2根據(jù)計(jì)算回歸系數(shù)向量
步驟3使用回歸方程對(duì)預(yù)測(cè)日負(fù)荷水平y(tǒng)作線性回歸預(yù)測(cè)，預(yù)測(cè)值y作為待預(yù)測(cè)日負(fù)荷水平估計(jì)值Loadave；
基于模糊模型的樣本初選
估算出預(yù)測(cè)日負(fù)荷水平后，將形成一個(gè)與預(yù)測(cè)日負(fù)荷變化曲線相關(guān)性的日氣象負(fù)荷特征向量
F＝[Tempmax，Tempmin，Tempave，Loadave]T(5)
其中，Tempmax，Tempmin，Tempave分別為最高溫度、最低溫度與平均溫度，Loadave為估算出的平均負(fù)荷；
利用已構(gòu)建的氣象負(fù)荷模糊模型，對(duì)該特征向量中的每個(gè)元素進(jìn)行模糊化處理，最終可得到一個(gè)模糊化特征向量
其中每個(gè)元素將表示為0～3中的某個(gè)離散值；
使用同樣的方法對(duì)初步篩選的n個(gè)樣本分別形成日氣象負(fù)荷特征向量，并進(jìn)行模糊化處理后得到n個(gè)日氣象負(fù)荷模糊化特征向量
再利用F′與
進(jìn)行比較，當(dāng)(列向量每個(gè)元素對(duì)應(yīng)相等)時(shí)，該樣本稱為相似樣本，并將其存入初選樣本數(shù)據(jù)庫(kù)，否則，將其剔除，經(jīng)過(guò)n次比較，最終我們會(huì)得到一個(gè)初選的樣本數(shù)據(jù)庫(kù)，樣本數(shù)計(jì)為N′，其中每個(gè)樣本都滿足
5)改進(jìn)SOFM網(wǎng)絡(luò)提取負(fù)荷變化趨勢(shì)特征曲線
在形成初選樣本數(shù)據(jù)庫(kù)(樣本數(shù)計(jì)為N′)后，對(duì)該數(shù)據(jù)庫(kù)中樣本所對(duì)應(yīng)的N′個(gè)負(fù)荷水平變化趨勢(shì)向量采用基于FCM與灰色關(guān)聯(lián)的改進(jìn)自組織特征映射網(wǎng)絡(luò)(SOFM)進(jìn)行智能化地自組織聚類分析，提取隱含在初選樣本數(shù)據(jù)庫(kù)中的多條負(fù)荷水平變化趨勢(shì)特征曲線，再利用待預(yù)測(cè)日對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量與多條負(fù)荷水平變化趨勢(shì)特征曲線進(jìn)行相似性比較，得到最為相似的變化趨勢(shì)特征曲線，而該特征曲線所對(duì)應(yīng)的樣本子集便構(gòu)成了預(yù)測(cè)日最終建模預(yù)測(cè)所需要的精選樣本數(shù)據(jù)庫(kù)；
對(duì)于原FCM算法，在計(jì)算樣本Xj對(duì)聚類中心Wk(t)的隸屬度ukj(t)時(shí)所用的距離公式為
由于該距離公式只適合于球形或橢球形分布的多維數(shù)據(jù)，而本文所要處理的負(fù)荷水平趨勢(shì)向量的分布為平行分布，仍然采用這一距離公式顯然是不合理的，所以本文算法使用灰色系統(tǒng)理論[30]中的關(guān)聯(lián)度方法來(lái)描述樣本Xj與聚類中心Wk(t)在高維空間中的距離，如果我們指定參考列向量為聚類中心Wk(t)＝{wk1(t)，wk2(t)…，wkp(t)}T，樣本Xj＝{xj1，xj2…，xjp}T，j＝1，2…N′，則稱
為聚類中心Wk(t)與樣本Xj在第s點(diǎn)的關(guān)聯(lián)系數(shù)，用于向量間距離計(jì)算。
a、給定聚類數(shù)c，誤差上限ε，初始模糊度m0，迭代上限T，墨西哥草帽函數(shù)參數(shù)k，k1，k2，σ1，σ2，k3；
b、隨機(jī)給定初始聚類中心(權(quán)值矢量)Wk，k＝1，2…，m，令t＝1；
c、根據(jù)距離公式(11)
和隸屬度計(jì)算及更新公式(12)~(14)
對(duì)于
如，則有
如
使得dkr＝0，則有
ukr＝1，且對(duì)j≠r，ukj＝0 (13)
j*為最佳匹配節(jié)點(diǎn) (14)
形成隸屬度矩陣U；
d、根據(jù)隸屬度矩陣U按式(15)
計(jì)算學(xué)習(xí)率ηkj(t)；
e、根據(jù)公式
Wk(t+1)＝Wk(t)+ηkj(t)[Xj-Wk(t)]，k＝1，2…，m (16)
對(duì)權(quán)值向量進(jìn)行更新；
f、當(dāng)m(t)>1.0，‖Wk(t+1)-Wk(t)‖>ε，并且t<T時(shí)，令t＝t+1，返回c，否則聚類結(jié)束。
根據(jù)負(fù)荷變化特征并進(jìn)行多次測(cè)試，網(wǎng)絡(luò)參數(shù)設(shè)定為聚類數(shù)c＝3，誤差上限ε＝1.0×10-4，初始模糊度m0＝2，迭代上限T＝10000，墨西哥草帽函數(shù)參數(shù)k＝5，k1＝10，k2＝5，k3＝0.05，σ1＝0.5，σ2＝5，則有該網(wǎng)絡(luò)的輸入節(jié)點(diǎn)n＝p＝30，輸出節(jié)點(diǎn)m＝c＝3。
6)利用負(fù)荷變化特征曲線對(duì)初選樣本集進(jìn)行特征劃分并精選樣本
改進(jìn)SOFM網(wǎng)絡(luò)訓(xùn)練收斂后，提取出三條特征各異的負(fù)荷水平變化趨勢(shì)特征曲線XT1，XT2，XT3，然后再將這N′個(gè)趨勢(shì)向量依次重新輸入訓(xùn)練好的SOFM網(wǎng)絡(luò)，原初選樣本數(shù)據(jù)庫(kù)E將被劃分為三個(gè)樣本子集E1，E2，E3，并且滿足
E1∪E2∪E3＝E (17)
其中對(duì)于某一趨勢(shì)向量Xj，其網(wǎng)絡(luò)輸出向量為{y1，y2，y3}T，由SOFM網(wǎng)絡(luò)特性可知
在特征曲線提取與樣本分類完畢后，分別計(jì)算預(yù)測(cè)日對(duì)應(yīng)的負(fù)荷水平變化趨勢(shì)向量Xd與三條負(fù)荷水平變化趨勢(shì)特征曲線XT1，XT2，XT3之間的關(guān)聯(lián)度，找出關(guān)聯(lián)度最大也就是最為相似的變化趨勢(shì)特征曲線XTi，從而斷定該特征曲線所對(duì)應(yīng)的樣本子集Ei就是預(yù)測(cè)日負(fù)荷建模預(yù)測(cè)所需的精選樣本數(shù)據(jù)庫(kù)；
7)令t＝1，形成t時(shí)刻訓(xùn)練樣本集考慮對(duì)負(fù)荷影響較大的溫度信息，其樣本的輸入變量主要由四部分組成負(fù)荷變量、溫度變量、日期變量和節(jié)假日變量；
負(fù)荷變量采用預(yù)測(cè)點(diǎn)兩天前及七天前的相同時(shí)刻及其前后兩個(gè)時(shí)刻的平均負(fù)荷，共16個(gè)變量組成負(fù)荷輸入變量用于預(yù)測(cè)各采樣點(diǎn)負(fù)荷，即要預(yù)測(cè)第d+1天第t小時(shí)的負(fù)荷Ld+1，4×t-i，i＝0，1，2，3，其輸入變量中的負(fù)荷變量包括Ld-1，4×t-i，Ld-6，4×t-i(i＝0，1，2，3)，
，
；
溫度變量采用預(yù)測(cè)樣本日前兩天的溫度信息即日最高、最低和平均溫度作為樣本的溫度輸入變量；
日期變量采用一個(gè)七維脈沖二進(jìn)制量來(lái)表示待預(yù)測(cè)日星期類型，即采樣點(diǎn)為星期幾則在七位二進(jìn)制中第幾位則為1，其余各位取0；
節(jié)假日變量節(jié)假日信息用一個(gè)二進(jìn)制量來(lái)表示，若待預(yù)測(cè)日為節(jié)假日，該量為1，若不為節(jié)假日，令該量為0；
輸出變量t時(shí)刻一小時(shí)的四個(gè)點(diǎn)負(fù)荷值；
8)ANN網(wǎng)絡(luò)權(quán)值、各隱層神經(jīng)元域值以及溫度補(bǔ)償模型參數(shù)初始化
隨機(jī)給定ANN網(wǎng)絡(luò)權(quán)值及神經(jīng)元域值(0～1均勻分布隨機(jī)數(shù))
溫度補(bǔ)償模型中的參數(shù)包括臨界溫度Tcrmax、Tcrmin，溫度補(bǔ)償系數(shù)α、λ；
對(duì)于臨界溫度，設(shè)歷史樣本最高溫度Tmax，最低溫度Tmin，則其初始值的選取如下式所示
溫度補(bǔ)償系數(shù)α、λ，取
區(qū)間均勻分布的隨機(jī)數(shù)生成；
9)基于BFGS優(yōu)化算法對(duì)t時(shí)刻ANN網(wǎng)絡(luò)進(jìn)行訓(xùn)練
步驟1令迭代次數(shù)k＝1；
步驟2訓(xùn)練樣本集中的負(fù)荷、溫度輸入量歸一化處理；
在高溫天氣下，當(dāng)某一日期d氣象預(yù)報(bào)的日最高溫度Tdmax超過(guò)某一臨界溫度Tcrmax時(shí)，認(rèn)為時(shí)刻t的負(fù)荷Pdt等于預(yù)測(cè)負(fù)荷Pdt0(以下稱假想負(fù)荷)增大了一個(gè)百分值αdt，即
Pdt＝Pdt0(1+αdt(Tdmax-Tcrmax))(21)
同理，低溫天氣下，當(dāng)某一日期d氣象預(yù)報(bào)的日最低溫度Tdmin低于某一臨界溫度Tcrmin時(shí)，認(rèn)為時(shí)刻t的負(fù)荷Pdt等于預(yù)測(cè)負(fù)荷Pdt0增加了一個(gè)百分值λdt，即
Pdt＝Pdt0(1-λdt(Tdmin-Tcrmin)) (22)
其中，αdt與λdt分別為d日t時(shí)刻的最高溫度系數(shù)與最低溫度系數(shù)；
對(duì)于d日，如果由氣象預(yù)報(bào)給定的日最高溫度Tdmax超過(guò)某給定的臨界值Tcrmax或日最低溫度Tdmin超過(guò)給定臨界值Tcrmin時(shí)，則按式(21)與(22)，其假想負(fù)荷為
式中，
αdt與λdt分別為d日t時(shí)刻的最高溫度系數(shù)與最低溫度系數(shù)；
對(duì)于d′日，當(dāng)日最高溫度Td′max超過(guò)某給定的臨界值Tcrmax或日最低溫度Tdmin超過(guò)給定臨界值Tcrmin時(shí)，同理可以按式(21)與(22)得出實(shí)際負(fù)荷與假想負(fù)荷的關(guān)系
式中，
同樣，αd′t與λd′t分別為d′日t時(shí)刻的最高溫度系數(shù)與最低溫度系數(shù)；
負(fù)荷數(shù)據(jù)的歸一化處理
其中，Ptmax和Ptmin分別為全部樣本中在t時(shí)刻負(fù)荷的最大值和最小值；
溫度數(shù)據(jù)的歸一化處理
式中CoeT為溫度歸一化常數(shù)取30℃；Td為d日實(shí)際溫度值，
為歸一化后的溫度值；
步驟3依據(jù)BFGS算法進(jìn)行第k次迭代，調(diào)整ANN權(quán)值、神經(jīng)元域值及溫度補(bǔ)償系數(shù)、臨界溫度參數(shù)；
步驟4根據(jù)BFGS判斂規(guī)則判斷ANN是否收斂，否，則令k＝k+1，返回步驟2，是，則退出BFGS網(wǎng)絡(luò)訓(xùn)練，迭代結(jié)束；
10)預(yù)測(cè)t時(shí)刻的假想負(fù)荷值
11)根據(jù)預(yù)測(cè)日溫度補(bǔ)償系數(shù)求出t時(shí)刻真實(shí)負(fù)荷值
然后賦予t＝t+1，進(jìn)入步驟7)至11)直至t大于等于24即得到輸出待預(yù)測(cè)日24小時(shí)負(fù)荷預(yù)測(cè)值。
全文摘要
本發(fā)明是基于樣本動(dòng)態(tài)組織與溫度補(bǔ)償?shù)纳窠?jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)方法，其中，樣本動(dòng)態(tài)組織以負(fù)荷變化特征創(chuàng)建樣本映射表和氣象數(shù)據(jù)模糊化進(jìn)行樣本初選，進(jìn)而以改進(jìn)自組織特征映射網(wǎng)絡(luò)實(shí)現(xiàn)樣本精選；根據(jù)溫度對(duì)電力負(fù)荷的影響特征，創(chuàng)建了以假想負(fù)荷與溫度系數(shù)、臨界溫度描述的溫度補(bǔ)償模型，并與人工神經(jīng)網(wǎng)絡(luò)構(gòu)成一體化負(fù)荷預(yù)測(cè)模型，其溫度補(bǔ)償系數(shù)、臨界溫度值與人工神經(jīng)網(wǎng)絡(luò)參數(shù)一道通過(guò)訓(xùn)練自動(dòng)獲取。由于樣本動(dòng)態(tài)組織有效避免了不良樣本的誤差干擾，溫度補(bǔ)償模型較精確的描述了溫度對(duì)電力負(fù)荷的影響，因而本發(fā)明顯著提高了短期負(fù)荷預(yù)測(cè)精度，特別大幅度提高了對(duì)氣溫敏感日期負(fù)荷的預(yù)測(cè)精度。
文檔編號(hào)G06N3/00GK101383023SQ200810231838
公開(kāi)日2009年3月11日 申請(qǐng)日期2008年10月22日 優(yōu)先權(quán)日2008年10月22日
發(fā)明者趙登福, 松 程, 夏經(jīng)德, 圈 王 申請(qǐng)人:西安交通大學(xué)