CN105243454A - 基于大数据的用电负荷预测*** - Google Patents

Abstract

本发明公开了基于大数据的用电负荷预测***，该***采用误差反向传播神经网络方法对某一场所未来用电负荷量进行预测，所述误差反向传播神经网络方法包括输入层、隐层和输出层，通过所述输入层、隐层和输出层之间的函数关系可建立所述误差反向传播神经网络方法的数学模型；其中，所述输入层信息对应用电负荷量的历史数据，所述输出层信息对应用电负荷量的预测数据，所述隐层对应预测数据与历史数据之间的函数关系。本发明采用误差反向传播神经网络方法来对未来用电负荷量进行预测，并建立了所述误差反向传播神经网络方法的数学模型，使得预测结果更为准确，并且可计算其准确地误差，给生活带来了很大的方便。

Description

基于大数据的用电负荷预测***

技术领域

本发明涉及电力***领域，特别是基于大数据的用电负荷预测***。

背景技术

在电力***中，如果能够提前知道某个城市的下个月总用电负荷，那么发电厂就可以对发电机组的运行时间进行调整，提前安排某发电机停机时间，进行保养维护，这样可以有效延长发电机使用寿命并提高其效率及可靠性。再如，如果能够提前知道某个地区的下个月总用电负荷，那么变电站就可以对变压器组的运行时间进行调整，提前安排某变压器的停机时间，进行保养维护，这样可以有效延长变压器的使用寿命并提高其效率及可靠性，同理，如果一座矿山、一个工厂能够预测下个阶段的用电量，那么对于安排生产是大有裨益的。

指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，在现有预测方法中，指数平滑是用得最多的。

简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。

指数平滑法的基本公式是：St=ayt-1+(1-a)St-1式中，

　　St--时间t的平滑值;

　　yt-1--时间t-1的实际值;

　　St-1--时间t-1的平滑值;

　　a--平滑常数，其取值范围为[0,1];

　　由该公式可知：

　　1.St是yt-1和St-1的加权算数平均数，随着a取值的大小变化，决定yt-1和St-1对St的影响程度，当a取1时，St=yt;当a取0时，St=St-1。

　　2.St具有逐期追溯性质，可探源至St-t+1为止，包括全部数据。其过程中，平滑常数以指数形式递减，故称之为指数平滑法。指数平滑常数取值至关重要。平滑常数决定了平滑水平以及对预测值与实际结果之间差异的响应速度。平滑常数a越接近于1，远期实际值对本期平滑值的下降越迅速;平滑常数a越接近于0，远期实际值对本期平滑值影响程度的下降越缓慢。由此，当时间数列相对平稳时，可取较大的a;当时间数列波动较大时，应取较小的a，以不忽略远期实际值的影响。生产预测中，平滑常数的值取决于产品本身和管理者对良好响应率内涵的理解。

　　3.尽管St包含有全期数据的影响，但实际计算时，仅需要两个数值，即yt-1和St-1，再加上一个常数a，这就使指数滑动平均具逐期递推性质，从而给预测带来了极大的方便。

　　4.根据公式S1=ay1+(1-a)S0，当欲用指数平滑法时才开始收集数据，则不存在y0。无从产生S0，自然无法据指数平滑公式求出S1，指数平滑法定义S1为初始值。初始值的确定也是指数平滑过程的一个重要条件。

　　如果能够找到y1以前的历史资料，那么，初始值S1的确定是不成问题的。数据较少时可用全期平均、移动平均法;数据较多时，可用最小二乘法。但不能使用指数平滑法本身确定初始值，因为数据必会枯竭。

　　如果仅有从y1开始的数据，那么确定初始值的方法有：

　　1)取S1等于y1;

　　2)待积累若干数据后，取S1等于前面若干数据的简单算术平均数，如：S1=(y1+y2+y3)/3等等。

指数平滑法的预测公式

　　据平滑次数不同，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑法等。

　　一次指数平滑预测

　　当时间数列无明显的趋势变化，可用一次指数平滑预测。

　　其预测公式为：yt+1'=ayt+(1-a)yt'式中，yt+1'--t+1期的预测值，即本期(t期)的平滑值St;yt--t期的实际值;yt'--t期的预测值，即上期的平滑值St-1。

　　该公式又可以写作：yt+1'=yt'+a(yt-yt')。可见，下期预测值又是本期预测值与以a为折扣的本期实际值与预测值误差之和。

　　二次指数平滑预测

　　二次指数平滑是对一次指数平滑的再平滑。它适用于具线性趋势的时间数列。

　　其预测公式为：

　　yt+m=(2+am/(1-a))yt'-(1+am/(1-a))yt=(2yt'-yt)+m(yt'-yt)a/(1-a)式中，yt=ayt-1'+(1-a)yt-1显然，二次指数平滑是一直线方程，其截距为：(2yt'-yt)，斜率为：(yt'-yt)a/(1-a),自变量为预测天数。

　　二次指数平滑基本公式St=αSt+(1-α)St-1Yt+T=at+btTat=2St-Stbt=(α/1-α)(St-St)

　　式中

　　St--第t期的一次指数平滑值St--第t期的二次指数平滑值α--平滑系数Yt+T--第t+T期预测值T--由t期向后推移期数

　　三次指数平滑预测

　　三次指数平滑预测是二次平滑基础上的再平滑。

　　其预测公式是：yt+m=(3yt'-3yt+yt)+[(6-5a)yt'-(10-8a)yt+(4-3a)yt]*am/2(1-a)2+(yt'-2yt+yt')*a2m2/2(1-a)2式中，yt=ayt-1+(1-a)yt-1

　　它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。

指数平滑法的趋势调整

　　一段时间内收集到的数据所呈现的上升或下降趋势将导致指数预测滞后于实际需求。通过趋势调整，添加趋势修正值，可以在一定程度上改进指数平滑预测结果。调整后的指数平滑法的公式为：

　　包含趋势预测(YITt)=新预测(Yt)+趋势校正(Tt)

　　进行趋势调整的指数平滑预测有三个步骤：

　　1、利用前面介绍的方法计算第t期的简单指数平滑预测(Yt);

　　2、计算趋势。其公式为：Tt=(1-b)Tt-1+b(Yt-Yt-1)其中，

　　Tt=第t期经过平滑的趋势;

　　Tt-1=第t期上期经过平滑的趋势;

　　b=选择的趋势平滑系数;

　　Yt=对第t期简单指数平滑预测;

　　Yt-1=对第t期上期简单指数平滑预测。

　　3、计算趋势调整后的指数平滑预测值(YITt).计算公式为：YITt=Yt+Tt。

指数平滑系数α的确定

指数平滑法的计算中，关键是α的取值大小，但α的取值又容易受主观影响，因此合理确定α的取值方法十分重要，一般来说，如果数据波动较大，α值应取大一些，可以增加近期数据对预测结果的影响。如果数据波动平稳，α值应取小一些。理论界一般认为有以下方法可供选择：

经验判断法。这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断。

1、当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般可在0.05～0.20之间取值；

2、当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；

3、当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，如可在0.6～0.8间选值，以使预测模型灵敏度高些，能迅速跟上数据的变化；

4、当时间序列数据是上升(或下降)的发展趋势类型，α应取较大的值，在0.6~1之间。

根据具体时间序列情况，参照经验判断法，来大致确定额定的取值范围，然后取几个α值进行试算，比较不同α值下的预测标准误差，选取预测标准误差最小的α。

在实际应用中预测者应结合对预测对象的变化规律做出定性判断且计算预测误差，并要考虑到预测灵敏度和预测精度是相互矛盾的，必须给予二者一定的考虑，采用折中的α值。

以上描述的指数平滑法是一种由历史数据限定的区间预测法，对事物未来的趋势预测准确性欠妥，对于历史数据的明显增减趋势的情况更不合理。虽然，有些书中介绍，当历史数据呈现“线性趋势”时，可以用α/（1-α）乘以一次平滑的输出与二次平滑的输出之差来处理，但是何为“线性趋势”以及为何采用此种方法，书中都没有给出严密的解释。因此所述指数平滑法缺乏充分的理论依据和预测结果往往令人失望；移动项数和平滑系数的选取，往往因人而异，难以确定；无法给出估计误差。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供了一种预测结果准确率高并且可以计算估计误差的基于大数据的用电负荷预测***。

本发明的具体技术方案是这样实现的：基于大数据的用电负荷预测***，该***采用误差反向传播神经网络方法对某一场所未来用电负荷量进行预测，所述误差反向传播神经网络方法包括输入层、隐层和输出层，设定：

所述输入层中的输入向量为……，，……，；

所述隐层输出向量为……，，……，；

所述输出层输出向量为……，，……，；

期望输出向量为……，，……，；

所述隐层到输出层之间的权值矩阵用W表示，所述……，，……，，其中列向量为输出层第k个神经元对应的权向量；所述输入层到隐层之间的权值矩阵用V表示，……，，……，，其中列向量为隐层第j个神经元对应的权向量；

对应所述输出层：

，k=1，2，……，l(1)

，k=1，2，……，l（2）

对应所述隐层有：

，j=1，2，……，m(3)

，j=1，2，……，m（4）

所述式子（1）~（4）中，转移函数为单极性Sigmoid函数

（5）

所述式子（1）～（5）共同构成了误差反向传播神经网络方法的数学模型；

其中，所述输入层信息对应用电负荷量的历史数据，所述输出层信息对应用电负荷量的预测数据，所述隐层对应预测数据与历史数据之间的函数关系。

优选地，设定输出误差为E，输出误差为E是各层权值，的函数，调整权值可以改变误差E，当网络输出与期望输出不等时存在，所述输出误差为E的计算公式：

（6）

扩展到所述输入层，得到所述输出误差为E的计算公式是：

（7）。

优选地，输出误差为E梯度下降与权值的调整量成正比，并且其函数关系如下：

，j=1，2，……，m，k=1，2，……，l（8）

，j=1，2，……，m，i=1，2，……，n（9）

其中，常数为比例系数，（0，1）；负号表示梯度下降；

由所述（8）、(9)可以推导出

（10）

（11）

由上（8）、(9)可以得到所述误差反向传播神经网络方法的数学模型中权值调整计算公式为

（12）

对于输出层，设……，，……，，……，，……，，则

（13）

对于隐层，设……，，……，，……，，……，，则

（14）

其中，表示所述输入层、隐层和输出层任意一层的误差信号，Y（或X）表示输入层、隐层和输出层任意一层输入信号；表示学习率。

优选地，所述误差反向传播神经网络方法实现步骤如下：

1）初始化：对权值矩阵W、V赋随机数，将样本模式计算器p和训练次数计算器q置为壹，误差E置零，学习率设为壹到零之间的小数，网络训练后达到的精度设为一个正的小数；

2）输入训练样本对，计算输入层、隐层和输出层任意一层输出：用当前样本、对向量数组X，d赋值，用式子（3）和（1）计算Y和O中各向量；

3）计算网络输出误差：采用均方根误差作为网络的总误差，网络对应不同的样本具有不同的误差，设共有P对训练样本；

4）计算输入层、隐层和输出层任意一层误差信号：应用公式（10）、（11）计算和；

5）计算输入层、隐层和输出层任意一层权值：应用式子（12）计算W、V中各分量；

6）检查是否对所有样本完成一次轮训，若p<P，计算器p、q增加1，返回步骤2），否则转到步骤7）；

7）是否达到精度要求，检查网络总误差，当作为网络总误差时，若满足<，训练结束；否则E置0，p置1，则返回步骤2）。

与现有技术相比，本发明采用误差反向传播神经网络方法来对未来用电负荷量进行预测，并建立了所述误差反向传播神经网络方法的数学模型，使得预测结果更为准确，并且可计算其准确地误差，给生活带来了很大的方便。

附图说明

图1是本发明中误差反向传播神经网络结构示意图。

图2是本发明中误差反向传播神经网络方法的流程示意图。

图3是本发明在某一实际应用中的预测的和方差图。

图4是本发明在某一实际应用中的预测的确定系数图。

具体实施方式

下面结合附图对本发明的具体实施案例加以说明：

如图1所示，基于大数据的用电负荷预测***，该***采用误差反向传播神经网络方法对某一场所未来用电负荷量进行预测，所述误差反向传播神经网络方法包括输入层、隐层和输出层，设定：

所述输入层中的输入向量为……，，……，；

所述隐层输出向量为……，，……，；

所述输出层输出向量为……，，……，；

期望输出向量为……，，……，；

所述隐层到输出层之间的权值矩阵用W表示，所述……，，……，，其中列向量为输出层第k个神经元对应的权向量；所述输入层到隐层之间的权值矩阵用V表示，……，，……，，其中列向量为隐层第j个神经元对应的权向量；

对应所述输出层：

，k=1，2，……，l(1)

，k=1，2，……，l（2）

对应所述隐层有：

，j=1，2，……，m(3)

，j=1，2，……，m（4）

所述式子（1）~（4）中，转移函数为单极性Sigmoid函数

（5）

所述式子（1）～（5）共同构成了误差反向传播神经网络方法的数学模型；

其中，所述输入层信息对应用电负荷量的历史数据，所述输出层信息对应用电负荷量的预测数据，所述隐层对应预测数据与历史数据之间的函数关系。

优选地，设定输出误差为E，输出误差为E是各层权值，的函数，调整权值可以改变误差E，当网络输出与期望输出不等时存在，所述输出误差为E的计算公式：

（6）

扩展到所述输入层，得到所述输出误差为E的计算公式是：

（7）。

优选地，输出误差为E梯度下降与权值的调整量成正比，并且其函数关系如下：

，j=1，2，……，m，k=1，2，……，l（8）

，j=1，2，……，m，i=1，2，……，n（9）

其中，常数为比例系数，（0，1）；负号表示梯度下降；

由所述（8）、(9)可以推导出

（10）

（11）

由上（8）、(9)可以得到所述误差反向传播神经网络方法的数学模型中权值调整计算公式为

（12）

对于输出层，设……，，……，，……，，……，，则

（13）

对于隐层，设……，，……，，……，，……，，则

（14）

其中，表示所述输入层、隐层和输出层任意一层的误差信号，Y（或X）表示输入层、隐层和输出层任意一层输入信号；表示学习率。

优选地，所述误差反向传播神经网络方法实现步骤如下：

1）初始化：对权值矩阵W、V赋随机数，将样本模式计算器p和训练次数计算器q置为壹，误差E置零，学习率设为壹到零之间的小数，网络训练后达到的精度设为一个正的小数；

2）输入训练样本对，计算输入层、隐层和输出层任意一层输出：用当前样本、对向量数组X，d赋值，用式子（3）和（1）计算Y和O中各向量；

3）计算网络输出误差：采用均方根误差作为网络的总误差，网络对应不同的样本具有不同的误差，设共有P对训练样本；

4）计算输入层、隐层和输出层任意一层误差信号：应用公式（10）、（11）计算和；

5）计算输入层、隐层和输出层任意一层权值：应用式子（12）计算W、V中各分量；

6）检查是否对所有样本完成一次轮训，若p<P，计算器p、q增加1，返回步骤2），否则转到步骤7）；

7）是否达到精度要求，检查网络总误差，当作为网络总误差时，若满足<，训练结束；否则E置0，p置1，则返回步骤2）。

所述误差反向传播神经网络，简称BP网络(backpropagation)，是一种有隐含层的多层前馈网络。同一层神经元之间不存在相互连接，层与层之间多采用全连接方式，它由输出层、输入层、隐含层和构成。假设网络的输出节点数为D，输入节点数为C，则这种神经网络可看成是从C维欧氏空间到D维欧氏空间的映射，这种映射是高度非线性的。含有足够多隐含层节点的3层BP网络能够以任意精度逼近一个非线性函数。BP模型可操作性强，工作状态稳定、结构严谨、思路清晰。

所述误差反向传播神经网络属于人工神经网络，它是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activationfunction）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

它的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（LearningMethod）得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。

现有技术方案相比，本发明采用属于人工神经网络的误差反向传播神经网络技术，其具有自学习能力，通过存储内部状态使得其具有映射动态特征和适应时变特性的功能，所以它在计算时能够尽可能的把更多的影响因素考虑进去，这是它比传统方法优越的地方，主要表现在以下方面：

1、具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测。

2、具有联想存储功能。

3、具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理***。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

4、非线性

非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

5、非局限性

一个神经网络通常由多个神经元广泛连接而成。一个***的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。

6、非常定性

人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力***本身也在不断变化。经常采用迭代过程描写动力***的演化过程。

7、非凸性

一个***的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于***比较稳定的状态。非凸性是指这种函数有多个极值，故***具有多个较稳定的平衡态，这将导致***演化的多样性。

预测是根据历史和现状，事物的发展规律，对影响其变化的因素分析，投机的进展与趋势的发展前景行的一种推测。在传统的预测方法解决效果欠佳的领域，应用神经网络等智能预测方法往往能够更有效。因为现实中大量存在的非线性、非平稳的复杂动力***问题，如果以往的解决方法需要建立多向量时变非线性方程，这是比较困难的。

神经网络中神经元单元自组织复合使神经网络能够重建任意的非线性连续函数。以上说明了神经元具有简单的能够反映非线性本质特征的能力。通过神经元单元归纳过程，可以对序列的变化进行预测，也就是可以使网络获得序列的内在规律。利用神经网络进行时问序列预测的基本思路：用神经网络来拟合某个函数，然后预测未来值。以过去观测值作为输入酬，以未来值作为输出，假设以往观测中过去值与未来值之间存在联系，我们现在需要做的事情就是找到这个函数。为一类高度非线性动态关系的时间序列预测提供了一条有效途径，所以基于神经网络的时间序列预测方法是使用神经网络的方法之一。

以下是本发明的具体应用：

某地区的用电量数据的过往记录情况如下。

表1某地区的用电量

时间	用电量	时间	用电量	时间	用电量
						2013年3月	61.1	2013年11月	63.4	2014年7月	68.6
2013年4月	65.5	2013年12月	63.7	2014年8月	69.7
						2013年5月	69.0	2014年1月	64.4	2014年9月	70.7
2013年6月	63.4	2014年2月	65.1	2014年10月	72.1
						2013年7月	62.3	2014年3月	65.5	2014年11月	66.5
2013年8月	65.8	2014年4月	66.2	2014年12月	61.3
						2013年9月	69.7	2014年5月	66.9	2015年1月	63.0
2013年10月	63.0	2014年6月	67.6	2015年2月	预测

现在有二十三个月的统计数据，一共可以得到二十一组样本进行训练。利用本发明我们把每三个月连续数据作为一组输入，紧挨着的下一个月数据作为输出。

对原始数据对应点和拟合数据的误差的平方和进行计算的叫和方差，简称SSE。

（13）

模型选择和拟合的成功率、数据预测的正确性和和方差的数值成反比，所以我们希望和方差尽可能接近于零。我们所做预测的SSE非常接近0，见图3。

需要通过数据的变化来表征一个拟合的好坏，我们称它为R。

（15）

原始数据和均值之差的平方和，也就是其中Totalsumofsquares，简称SST。（16）

通知计算我们可以知道确定系数R的正常取值范围是在零和一之间，R离1越近，说明数学模型对数据拟合的也较好，方程的变量的解释能力越强。我们所做预测的R=0.99997，见图4。

以上两个检验结果从理论上说明我们所做预测的准确性非常高。用最后一组[66.561.363.0]作为输入，求得2015年2月份预测地区用电负荷是59.5，而过后实际的地区用电量是61.8，误差是3.9%，证明本发明的方法是有效的。

以上所述者，仅为本发明的较佳实施例而已，当不能以此限定本发明实施的范围，即大凡依本发明申请专利范围及发明说明内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。

Claims (4)

1.基于大数据的用电负荷预测***，其特征在于，该***采用误差反向传播神经网络方法对某一场所未来用电负荷量进行预测，所述误差反向传播神经网络方法包括输入层、隐层和输出层，设定：

所述输入层中的输入向量为……，，……，；

所述隐层输出向量为……，，……，；

所述输出层输出向量为……，，……，；

期望输出向量为……，，……，；

所述隐层到输出层之间的权值矩阵用W表示，所述……，，……，，其中列向量为输出层第k个神经元对应的权向量；所述输入层到隐层之间的权值矩阵用V表示，……，，……，，其中列向量为隐层第j个神经元对应的权向量；

对应所述输出层：

，k=1，2，……，l(1)

，k=1，2，……，l（2）

对应所述隐层有：

，j=1，2，……，m(3)

，j=1，2，……，m（4）

所述式子（1）~（4）中，转移函数为单极性Sigmoid函数

（5）

所述式子（1）～（5）共同构成了误差反向传播神经网络方法的数学模型；

其中，所述输入层信息对应用电负荷量的历史数据，所述输出层信息对应用电负荷量的预测数据，所述隐层对应预测数据与历史数据之间的函数关系。

2.如权利要求1所述的基于大数据的用电负荷预测***，其特征在于，设定输出误差为E，输出误差为E是各层权值，的函数，调整权值可以改变误差E，当网络输出与期望输出不等时存在，所述输出误差为E的计算公式：

（6）

扩展到所述输入层，得到所述输出误差为E的计算公式是：

（7）。

3.如权利要求2所述的基于大数据的用电负荷预测***，其特征在于，输出误差为E梯度下降与权值的调整量成正比，并且其函数关系如下：

，j=1，2，……，m，k=1，2，……，l（8）

，j=1，2，……，m，i=1，2，……，n（9）

其中，常数为比例系数，（0，1）；负号表示梯度下降；

由所述（8）、(9)可以推导出

（10）

（11）

由上（8）、(9)可以得到所述误差反向传播神经网络方法的数学模型中权值调整计算公式为

（12）

对于输出层，设……，，……，，……，，……，，则

（13）

对于隐层，设……，，……，，……，，……，，则

（14）

其中，表示所述输入层、隐层和输出层任意一层的误差信号，Y（或X）表示输入层、隐层和输出层任意一层输入信号；表示学习率。

4.如权利要求3任意所述的基于大数据的用电负荷预测***，其特征在于，所述误差反向传播神经网络方法实现步骤如下：

1）初始化：对权值矩阵W、V赋随机数，将样本模式计算器p和训练次数计算器q置为壹，误差E置零，学习率设为壹到零之间的小数，网络训练后达到的精度设为一个正的小数；

2）输入训练样本对，计算输入层、隐层和输出层任意一层输出：用当前样本、对向量数组X，d赋值，用式子（3）和（1）计算Y和O中各向量；

3）计算网络输出误差：采用均方根误差作为网络的总误差，网络对应不同的样本具有不同的误差，设共有P对训练样本；

4）计算输入层、隐层和输出层任意一层误差信号：应用公式（10）、（11）计算和；

5）计算输入层、隐层和输出层任意一层权值：应用式子（12）计算W、V中各分量；

6）检查是否对所有样本完成一次轮训，若p<P，计算器p、q增加1，返回步骤2），否则转到步骤7）；

7）是否达到精度要求，检查网络总误差，当作为网络总误差时，若满足<，训练结束；否则E置0，p置1，则返回步骤2）。