本發(fā)明涉及用電量預(yù)測領(lǐng)域，具體地說是一種考慮重大社會活動影響的地區(qū)中期用電量預(yù)測方法。

背景技術(shù)：

目前，用電量預(yù)測的方法主要分兩大類：傳統(tǒng)預(yù)測方法和智能預(yù)測方法。傳統(tǒng)方法主要包括：彈性系數(shù)法、回歸分析法、時間序列預(yù)測法、產(chǎn)值單耗法及它們的衍化方法。智能方法主要包括神經(jīng)網(wǎng)絡(luò)、模糊邏輯、專家系統(tǒng)等。現(xiàn)有的預(yù)測方法聚焦因素在于時間、天氣、周期等，未考慮或無法適應(yīng)重大社會活動發(fā)生(例如g20峰會、2008年奧運會等國際活動)時的用電量極度反常的情況。

技術(shù)實現(xiàn)要素：

為解決上述現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種能對重大社會活動期間進行合理用電量預(yù)測的地區(qū)中期用電量預(yù)測方法。

本發(fā)明采用的技術(shù)方案如下：一種考慮重大社會活動影響的地區(qū)中期用電量預(yù)測方法，其采用elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型與離散小波分解結(jié)合的方法，先對地區(qū)逐月用電量進行二維分解，再對逐層分解后的用電量波進行預(yù)測，最后將得到的分層預(yù)測結(jié)果重構(gòu)得到預(yù)測總結(jié)果。

進一步地，所述地區(qū)逐月用電量的原始波為sj,m，分解為低頻部分sa及高頻部分sa’，然后對sa’進行進一步分解為s1和s1’，再對s1’進行分解得到s2和s3，其中一次分解的低頻部分sa為基波，代表整體波形趨勢，s1～s3是時域上各次諧波；

對于sa和s1波段采用下面各式計算修正權(quán)值：

對于s2和s3波段，采用以下方法計算修正權(quán)值：

上述各式中，k表示計算序列號，i、j表示矩陣的第i行第j列；為輸入層至隱含層第k、k+1次計算得到的連接權(quán)值，為輸入層至隱含層的修正權(quán)值；為承接層至隱含層第k、k+1次計算得到的連接權(quán)值，為承接層至隱含層的修正權(quán)值；為隱含層至輸出層第k、k+1次計算得到的連接權(quán)值，為隱含層至輸出層的修正權(quán)值；ηh、ηc、ηout分別為隱含層、承接層、輸出層的學(xué)習(xí)速率因子；為第i個樣本第k次計算實際輸出值，為第i個樣本第k次計算獲得值，即樣本值，ep為誤差目標函數(shù)，a、b、c、d為敏感性控制系數(shù)，按照搜索靈敏性調(diào)整；xh、分別為隱含層的輸出值、第i個樣本隱含層的輸出值、第j個樣本隱含層的輸出值；xc、分別為承接層的輸出值、第i個樣本承接層的輸出值、第j個樣本承接層的輸出值；為第j個樣本第k-1次計算獲得值；

計算得到的修正權(quán)值對連接權(quán)值進行更新，得到預(yù)測計算的連接權(quán)值。

進一步地，所述elman神經(jīng)網(wǎng)絡(luò)的計算邏輯如下：

對于該神經(jīng)網(wǎng)絡(luò)，輸入向量為n維向量，隱含層及承接層輸出向量及為n+1維向量，輸出為單一值；考慮以上情況，w^h為輸入層至隱含層的連接權(quán)值,維度為(n+1)×n，w^c為承接層至隱含層的連接權(quán)值，維度為(n+1)×(n+1)，w^out為隱含層至輸出層的連接權(quán)值，維度為n+1，elman神經(jīng)網(wǎng)絡(luò)的運算公式如下：

xh(k)＝f[w^h·xc(k)+w^c·sin(k-1)]

xc(k)＝xh(k-1)

sout(k)＝g(w^out·xh(k))

式中，k表示計算序列號，f[w^h·xc(k)+w^c·sin(k-1)]為隱含層單元激勵函數(shù)，g(w^out·xh(k))為輸出層單元的激勵函數(shù)；樣本訓(xùn)練時，誤差目標函數(shù)如下：

為第i個樣本第k次計算實際輸出值，為第i個樣本第k次計算獲得。

進一步地，每月用電量si采用二維分解：

第一個維度，按照產(chǎn)業(yè)分解為分別代表第一、二、三產(chǎn)業(yè)及居民用電量當(dāng)月值，其分解方法按照下式：

其中，表示第j個產(chǎn)業(yè)第i個月的用電量，γj％表示第j個產(chǎn)業(yè)當(dāng)月的地區(qū)生產(chǎn)值占總產(chǎn)值占比；

第二個維度，在產(chǎn)業(yè)分解后，采用離散小波分解的方法對每個產(chǎn)業(yè)的逐月用電量序列進行分解，按照下面公式：

式中，j為分解尺度，k,m為平移系數(shù)，sj,m為原始波，sj+1,k為分解后低頻成分尺度系數(shù)；s'j+1,k為高頻成分小波系數(shù)；

h(m-2k)＝{ψ,φj-1,i}，

g(m-2k)＝{φj,φj-1,i}，

上式中，φj、φj-1,i為尺度函數(shù)，其對應(yīng)關(guān)系為：第j-1層尺度函數(shù)的排列通過高通濾波h(k)后，得到第j層尺度函數(shù)φj；ψ為小波函數(shù)，n為采樣點數(shù)量。

進一步地，將地區(qū)負荷二維分解后采用elman神經(jīng)網(wǎng)絡(luò)進行計算，在得到預(yù)測點后采用重構(gòu)方式對分解電量值進行重構(gòu)，重構(gòu)推導(dǎo)如下：

式中，j為分解尺度，k,m為平移系數(shù)，sj-1,m為上級整合波，sj,k為低頻成分尺度系數(shù)，s'j,k為高頻成分小波系數(shù)。

進一步地，訓(xùn)練及計算時，采用以下輸入輸出格式：

其中，代表輸入向量，q為控制字，若有重大事件發(fā)生，則值為1，若無值為0；esty為社會活動形式，1為會議，2為經(jīng)濟活動，3為節(jié)慶；elv∈[0,5]為事件重要性，對人民生活影響越大取值越高；et為時間節(jié)點，表示事件發(fā)生時間，本月發(fā)生其值為0，上月發(fā)生其值為1，以此類推；est∈[0,5]為生產(chǎn)限制等級，對于生產(chǎn)限制條件越高取值越大；代表小波分解后波形p的第i年，第j-1月的用電量情況，等以此類推，輸出向量采用

本發(fā)明充分分析重大社會活動造成的用電量變化的分層差異性，采用二維分解思想，對產(chǎn)業(yè)進行用電量分層，再采用小波變換方法離散化處理，在不同層級通過elman神經(jīng)網(wǎng)絡(luò)方式進行預(yù)測，最終通過去離散化得到綜合用電量預(yù)測結(jié)果。

本發(fā)明合理提取用電量特征，解決了重大社會活動因素背景下用電量趨勢模糊、量化難的情況，能對重大社會活動期間進行合理用電量預(yù)測。本發(fā)明的方法經(jīng)驗證，結(jié)果擬合度較好，精度符合工程需求。

附圖說明

圖1為本發(fā)明改進的elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式圖；

圖2為某地區(qū)2013年至2016年用電量經(jīng)過產(chǎn)業(yè)分層后得到的分產(chǎn)業(yè)曲線圖；

圖3為某地區(qū)第一產(chǎn)業(yè)波形進行小波分解后得到的各頻段曲線圖；

圖4為某地區(qū)第二產(chǎn)業(yè)波形進行小波分解后得到的各頻段曲線圖；

圖5為某地區(qū)第三產(chǎn)業(yè)波形進行小波分解后得到的各頻段曲線圖；

圖6為某地區(qū)居民用電波形進行小波分解后得到的各頻段曲線圖；

圖7為本發(fā)明的步驟構(gòu)成及計算關(guān)系圖。

具體實施方式

下面結(jié)合說明書附圖及具體實施方式對本發(fā)明進一步說明。

1.用電量分層

第一個維度，按照產(chǎn)業(yè)分解，分解為分別代表第一、二、三產(chǎn)業(yè)及居民用電量當(dāng)月值，其分解方法按照下式：

其中，表示第j個產(chǎn)業(yè)第i個月的用電量，γj％表示第j個產(chǎn)業(yè)當(dāng)月的地區(qū)生產(chǎn)值占總產(chǎn)值占比。

2.離散小波分析

第二個維度，在產(chǎn)業(yè)分解后，對于每個產(chǎn)業(yè)的曲線，采用離散小波分解的方法對每個產(chǎn)業(yè)的逐月用電量序列進行分解，按照下式：

式中，j為分解尺度，k、m為平移系數(shù)，sj,m為原始波，sj+1,k為分解后低頻成分尺度系數(shù)；s'j+1,k為高頻成分小波系數(shù)；

h(m-2k)＝{ψ,φj-1,i}，

g(m-2k)＝{φj,φj-1,i}，

上式中，φj、φj-1,i為尺度函數(shù)，其對應(yīng)關(guān)系為：第j-1層尺度函數(shù)的排列通過高通濾波h(k)后，得到第j層尺度函數(shù)φj；ψ為小波函數(shù)，n為采樣點數(shù)量。

本發(fā)明涉及離散小波分解共進行三次分解，分解為4層，本發(fā)明將sj,m分解為低頻部分sa及高頻部分sa’，然后對sa’進行進一步分解為s1和s1’，再對s1’進行分解得到s2和s3。其中一次分解的低頻部分sa為基波，代表整體波形趨勢，s1～s3是時域上各次諧波。

3.elman神經(jīng)網(wǎng)絡(luò)模型

由輸入層、隱含層、承接層、輸出層組成，其隱含層采用非線性激勵函數(shù)，承接層獲取隱含層第n次輸出，反饋作用于隱含層第n+1次計算。結(jié)合本發(fā)明需要，網(wǎng)絡(luò)輸入層向量維度為n，考慮隱含層級承接層維度為n+1，出于計算精度及算法邏輯考慮，此處針對性的把輸出層元素數(shù)量設(shè)為1。

對于該神經(jīng)網(wǎng)絡(luò)，輸入向量為n維向量，隱含層及承接層輸出向量及為n+1維向量，輸出為單一值。考慮以上情況，w^h為輸入層至隱含層的連接權(quán)值，維度為(n+1)×n，w^c為承接層至隱含層的連接權(quán)值，維度為(n+1)×(n+1)，w^out為隱含層至輸出層的連接權(quán)值，維度為n+1。神經(jīng)網(wǎng)絡(luò)的運算如下：

xh(k)＝f[w^h·xc(k)+w^c·sin(k-1)]

xc(k)＝xh(k-1)

sout(k)＝g(w^out·xh(k))

式中，k表示計算序列號，f[w^h·xc(k)+w^c·sin(k-1)]為隱含層單元激勵函數(shù)，g(w^out·xh(k))為輸出層單元的激勵函數(shù)f(k)為隱含層單元激勵函數(shù)。樣本訓(xùn)練時，誤差目標函數(shù)ep如下：

為第i個樣本第k次計算實際輸出值，為第i個樣本第k次計算獲得值(樣本值)

4.激勵函數(shù)的選擇

經(jīng)大量實驗選優(yōu)，對于sa及s1波段輸出單元激勵函數(shù)g(x)采用s函數(shù)：

上式中a為敏感性控制系數(shù)，按照搜索靈敏性調(diào)整。

對于s2及s3波段，由于其單值變化率較大，且幅值在0線上下波動，考慮輸出單元激勵函數(shù)f(x)采用雙曲正切函數(shù)：

上式中b為敏感性控制系數(shù)，按照搜索靈敏性調(diào)整。

對于隱含層激勵函數(shù)f(x)，采用可擴展曲線擴大學(xué)習(xí)范圍，避免由于隱含層、輸出層均在±1區(qū)間附近范圍內(nèi)反饋造成的麻痹效應(yīng)，擴充內(nèi)部學(xué)習(xí)的靈活性，采用激勵函數(shù)如下：

其中c，d為敏感性控制系數(shù)，c控制激勵函數(shù)斜率，d控制激勵函數(shù)水平位置。

應(yīng)用例：相關(guān)計算及實現(xiàn)步驟如下：

其主要流程如下：

1.收集地區(qū)用電量向量按照產(chǎn)業(yè)分為

2.針對單一產(chǎn)業(yè)或民用用電量波形采用離散小波分解計算得到分頻用電量波其中為基波數(shù)據(jù)向量，為該產(chǎn)業(yè)或民用用電量波形分解后的高頻波數(shù)據(jù)向量；

3.采用elman神經(jīng)網(wǎng)絡(luò)對中第k個向量進行用電量預(yù)測，輸入量如修正輸出量為將其加入并向量形成向量，重復(fù)本步驟直至k＝4；

4.回到步驟2計算下一個產(chǎn)業(yè)用電量分量，若一、二、三產(chǎn)業(yè)及居民用電全部計算完畢則進入下一步；

5.對單一產(chǎn)業(yè)分頻用電量分量進行重構(gòu)得到單一產(chǎn)業(yè)用電量分量地區(qū)整體用電量新向量(包含單個預(yù)測點)為

6.考慮用電量預(yù)測的趨勢指導(dǎo)性，將得到的包含新的單點預(yù)測的地區(qū)用電量向量作為以知歷史值返回步驟1，持續(xù)預(yù)測4次形成可參考趨勢。