(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211271696.2 (22)申请日 2022.10.18 (71)申请人 辽宁电力交易中心有限公司 地址 110002 辽宁省沈阳市和平区宁波路 18号 申请人 国网辽宁省电力有限公司经济技 术 研究院　 国网辽宁省电力有限公司 (72)发明人 王荣茂　徐熙林　张晔　李青春　 刘淼　张建　 (74)专利代理 机构 成都博领众成知识产权代理 事务所(普通 合伙) 51340 专利代理师 宋红宾 (51)Int.Cl. G06Q 30/02(2012.01)G06Q 50/06(2012.01) G06N 3/04(2006.01) (54)发明名称 一种基于BP神经网络的电力市场短期电价 预测方法 (57)摘要 本发明公开了一种基于BP神经网络的短期 电价预测方法， 包括以下步骤： (1)选取输入数据 样本； (2)确定BP神经网络隐含层 节点数， BP神经 网络的初始化， 设置初始权值为随机的一个非零 的数值； (3)为训练提供一个按要求格式的输入 和输出数据矩阵； (4)计算隐含层中各神经元的 输入值和输出值； (5)计算输出层各神经元的输 入值和输出值； (6)计算输出层的误差； (7)判断 输出误差 是否满足要求(8)反向计算每层权值修 正量(9)修改输出层和隐层的权值； (10)返回第 四步， 循环上述步骤， 直到误差满足设置的精度 为止。 对短期电价波动进行较为准确的判断， 促 进市场能源资源配 置的效率和效果。 权利要求书2页 说明书3页 附图2页 CN 115545787 A 2022.12.30 CN 115545787 A 1.一种基于BP神经网络的电力市场短期电价预测方法， 其特 征在于： 包括以下步骤： (1)选取输入数据样本； (2)确定BP神经网络隐含层节点数， BP神经网络的初始化， 设置初始权值为随机的一个 非零的数值； (3)为训练提供一个按 要求格式的输入和输出 数据矩阵； (4)计算隐含层中各神经 元的输入值和输出值； (5)计算输出层各神经 元的输入值和输出值； (6)计算输出层的误差； (7)判断输出误差是否满足要求 (8)反向计算每层权值 修正量 (9)修改输出层和隐层的权值； (10)返回第四步， 循环上述 步骤， 直到误差满足设置的精度为止 。 2.根据权利要求1所述的一种基于BP神经网络的 电力市场短期电价预测方法， 其特征 在于： 具体步骤为： (1)进行短期电价预测前的一个重要步骤是选择合适的输入变量； 输入变量的选择必 须以影响电价的因素为基础； 由于影响电价的因素很多， 当所有相关信息都包含在算法中 时， 建立一个模型就变得很困难； 此外， 各种数据过于复杂， 无法做出进一步的预测； 因此， 应优先选择与电价关系最密切的变量； 在目前 的国内外文献中， 历史电价和历史负荷多被 用作预测的输入变量， 首先是因为其他因素 的数据不容易获得， 其次是因为从预测电价的 数据曲线和历史电价及历史负荷显示出一定的相似性， 可以看出电价的周期性； 为了进一 步从大量的历史电价和负荷数据中选择关键数据， 可以采用相关系 数法进行数据分析， 计 算出与电价数据相关度高的数据作为预测模型的输入数据； 相关系数计算公式如下： (2)对于隐含层， 一般来说增加其数量可以使网络误差减少， 精度提升， 但也会使网络 更为复杂， 训练时间增长， 容易出现过拟合现象； 如果其节点数量太少， 网络就不能形成复 杂的判断边界， 不能训练出合适的网络， 不能识别以前没有见过的样本， 而且容错性差； 然 而， 如果数量太大， 训练时间就会变得太长， 网络的泛化能力就会下降， 而且误差可能不是 最佳的， 需要有一个最佳的节点数量； 然而， 没有理想的方法来确定节点数， 最常见的方法 是通过经验公式给出一个估计值区间， 然后用它来选择一个合适的值， 确认BP神经网络隐 层节点数的经验公式如下： U＝log2n 式中， k表示样本个数， U表示隐含层节点数， n表示输入层神经元节点数； 当i＞U时，权　利　要　求　书 1/2 页 2 CN 115545787 A 2l表示输出层神经 元个数， n表示输入层神经 元个数， t为[0,10]间的常数； (3)建立短期电价预测的神经网络模型并进行筛选出神经网络模型的输入变量为被预 测时刻前一天同一时刻的电价值和负荷值、 被预测 时刻前两天同一时刻的电价值和负荷 值、 被预测时刻前一周同一时刻的电价值和负荷值、 被预测时刻的负荷值； 并以此为训练提 供一个按 要求格式的输入和输出 数据矩阵； (4)选取合适的输入数据并对BP神经网络模型进行初步调试后， 紧接着开始数据的计 算， 首先对隐含层的输入量与输出量进行计算， 计算公式如下： 式中netj为隐含层第j个节点的输入量， oj为隐含层第j个节点的输出量， xi表示输入层 第i个节点的输入， wij表示输入层第 i个节点到隐含层第j个节点的权值， N表示输入层的维 度， α 表示隐含层的激励函数； (5)由隐含层计算结束后， 结合模型拓扑结构可知， 接下来应计算输出层各节点的输入 量与输出量， 计算公式如下： 式中netv为输出层第v个节点的输入 量， ov为输出层第v个节点的输出量， wvi表示输出层 第v个节点到隐含层第j个节点的权值， U表示隐含层节点总数， β 表示输出层的激励函数； (6)输出层的数据需要在误差范围内， 因此由网络模型进行误差判断后决定是否结束 计算输出最 终数据， ， 若 是误差满足要求则输出数据结束模型计算， 若 是不满足误差要求则 需要反向计算每层的权值 修正量， 进行权值 修正； (7)若是需要反向修 正， 则对于 权值修正量的计算公式如下 式中Δwjv为隐含层第j个节点至输出层第v个节点的权值修正量， Δwij为输入层第i个 节点至隐含层第j个节点的权值修正量， p表示样本索引， γ表示学习速率， K表示训练样本 总数， L表示输出层节点维度； (8)对上述步骤进行循环计算， 直至数据达到要求后最终输出， 至此得到BP神经网络模 型的预测电价。权　利　要　求　书 2/2 页 3 CN 115545787 A 3