CN107491812B - 基于实时电价的短期负荷预测方法 - Google Patents
基于实时电价的短期负荷预测方法 Download PDFInfo
- Publication number
- CN107491812B CN107491812B CN201610412702.XA CN201610412702A CN107491812B CN 107491812 B CN107491812 B CN 107491812B CN 201610412702 A CN201610412702 A CN 201610412702A CN 107491812 B CN107491812 B CN 107491812B
- Authority
- CN
- China
- Prior art keywords
- electricity price
- load
- data
- neural network
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑实时电价的短期负荷预测方法,涉及电力系统规划与运行技术领域,本发明通过将负荷与电价的相关系数引入神经网络模型中,对神经网络隐含层的输入权重进行修正,体现出电价与负荷的关系;在神经网络的反馈环节引入PID控制,将预测残差反馈到输入层,对网络进行训练,使神经网络预测系统受到外部干扰时,系统仍具有良好的预测性能。
Description
技术领域
本发明涉及电力系统规划与运行技术领域,特别涉及一种基于实时电价的短期负荷预测方法。
背景技术
负荷预测是电力系统规划与运行的基础工作,它对国家的能源建设、人民生活和整个社会效益的发挥起着重要的作用。短期负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。长期以来,相关专家和学者发表了大量负荷预测文献,并提出了一些行之有效的预测方法。在短期负荷预测中,传统的负荷预测方法有趋势外推法、时间序列法、灰色系统预测等;现代智能预测方法有模糊预测法、人工神经网络法、支持向量法、小波分析法等。
随着智能电网的快速发展,传统用电模式发生了重大变化,其中一个显著变化就是用户可以根据电能需求结合实时电价调整消费模式,甚至可以实现与电网的互动供电,使得负荷与电价在电力市场中的关系变得复杂,电价的变化导致电力需求的变化,电力需求的变化又会影响电价。所以,在短期负荷预测中,应将实时电价作为影响短期负荷预测的一个重要因素,忽略这一因素的影响将会导致不同程度的预测误差。同时,传统神经网络在负荷预测中也存在问题:不能及时学习电价变化和预测误差之间的关系,稳定性差。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于实时电价的短期负荷预测方法。
依据本发明的一个方面,提供了一种基于实时电价的短期负荷预测方法,所述方法包括:
获取历史电价数据及对应的历史负荷数据,并获取当前电价数据;
基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据,所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系。
可选地,所述获取历史电价数据及对应的历史负荷数据,并获取当前电价数据之前,所述方法还包括:
构建由电价影响的神经网络模型,根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练。
可选地,所述由电价影响的神经网络模型为,
其中,为预测负荷数据,xi为第i个输入数据,wij和wjl均为权值,θj和θl均为阈值,ri为第i个负荷与对应电价的相关系数,cv为第v个历史电价数据,为历史电价数据的均值,lv为第v个历史负荷数据,为历史负荷数据的均值,N为历史电价数据或历史负载数据的数量,f(·)为隐含层的激励函数,g(·)为输出层的激励函数。
可选地,所述根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练,具体包括:
将所述历史电价数据及对应的历史负荷数据进行归一化处理;
将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中,获得所述由电价影响的神经网络模型的预测负荷;
计算所述预测负荷与实际负荷之间的预测误差,将预测误差与误差阈值进行比较;
若所述预测误差超过所述误差阈值,则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的各层间的权值和阈值,并基于修正前的权重,附加使搜索快速收敛全局绩效的惯性项,并根据所述预测误差调整所述反馈负荷,返回所述将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中的步骤;
若所述预测误差未超过所述误差阈值,则将修正后的权值和阈值代入所述由电价影响的神经网络模型,并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。
可选地,根据所述预测误差通过下式调整所述反馈负荷,
u(t)=u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
其中,u(t)为本次调整后的反馈负荷;u(t-1)为上一次调整后的反馈负荷;e(t)为本次的预测误差;e(t-1)为上次的预测误差;e(t-2)为上上次的预测误差;kp为比例系数;ki为积分系数;kd为微分系数。
本发明通过将负荷与电价的相关系数引入神经网络模型中,对神经网络隐含层的输入权重进行修正,体现出电价与负荷的关系;在神经网络的反馈环节引入PID控制,将预测残差反馈到输入层,对网络进行训练,使神经网络预测系统受到外部干扰时,系统仍具有良好的预测性能。。
附图说明
图1是本发明一种实施方式的基于实时电价的短期负荷预测方法的流程图;
图2是2015年1月12日的每小时负荷和电价的关系曲线图;
图3是2015年2月(共672个小时)每小时负荷和电价的关系曲线图;
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明另一种实施方式的基于电价的短期负荷预测方法的流程图;参照图1,所述方法包括:
S100:构建由电价影响的神经网络模型,根据历史电价数据及对应的历史负荷数据对所述由电价影响的电价影响的神经网络模型为,
其中,为预测负荷数据,xi为第i个输入数据,wij和wjl均为权值,θj和θl均为阈值,ri为第i个相关系数, cv为第v个历史电价数据,为历史电价数据的均值,lv为第v个历史负荷数据,为历史负荷数据的均值,N为历史电价数据或历史负载数据的数量,f(·)为隐含层的激励函数,g(·)为输出层的激励函数。
为进一步提高预测当前负荷数据的准确性,优选地,所述隐含层与输出层的激励函数分别采用sigmoid函数f(a)和线性函数g(a),如下式:
g(a)=a
为进一步提高预测当前负荷数据的准确性,优选地,步骤S200中,根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练,具体包括以下步骤S1001~S1004:
S1001:将所述历史电价数据及对应的历史负荷数据进行归一化处理;
本实施方式中,设神经网络模型有8个输入变量和1个输出变量。其中,8个输入变量分别为:提前1d负荷L(d-1,t)、提前1h负荷L(d,t-1)、提前2h负荷L(d,t-2)、当天电价C(d,t),提前1d电价C(d-1,t)、提前1h电价C(d,t-1)、提前2h电价C(d,t-2)及反馈负荷u(t)。其中,1个输出变量为预测负荷
通过上述变量中的负荷和电价进行归一化处理,使其取值范围在[0,1],形成规范化的输入变量和目标变量。
S1002:将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的电价影响的神经网络模型的预测负荷;
S1003:计算所述预测负荷与实际负荷之间的预测误差,将预测误差与误差阈值进行比较;
需要说明的是,可根据需要来设置所述误差阈值,本实施方式对此不加以限制。
S1004:若所述预测误差超过所述误差阈值,则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的权值和阈值,附加使搜索快速收敛全局绩效的惯性项,并根据所述预测误差调整所述反馈负荷,返回步骤S1002;若所述预测误差未超过所述误差阈值,则将修正后的权值和阈值代入所述由电价影响的神经网络模型,并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型
可理解的是,在所述预测误差未超过所述误差阈值时,说明权值和阈值均已满足要求,故而,可将此时得到的权值和阈值代入神经网络模型,并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。
需要说明的是,本实施方式中在神经网络的反馈环节引入一个PID控制器,根据所述预测误差产生一个反馈控制信息,将预测误差通过PID控制反馈到输入层,作为输入变量和其他输入变量一起继续训练网络,在本实施方式的预测方法受到外部干扰等影响时,也能使该预测方法具有良好的预测性能。
其中,PID控制器设计为:
u(t)=u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
其中,u(t)为本次调整后的反馈负荷,用于抑制干扰对预测方法的影响;u(t-1)为上一次调整后的反馈负荷;e(t)为本次的预测误差;e(t-1)为上次的预测误差;e(t-2)为上上次的预测误差;kp为比例系数;ki为积分系数;kd为微分系数。
S101:获取历史电价数据及对应的历史负荷数据,并获取当前电价数据;
S102:基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据,所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系。
取美国PJM电力市场LMP提前1d电价(数据来源于Eastern Hub)及负荷数据为例进行分析。
用处理后数据分别绘制2015年1月12日、2015年2月(共672个小时)每小时负荷和电价关系曲线,见图2-3。
由图2-3可以看出,负荷和电价具有相同的变化趋势,两者之间存在着比较强的关联性,但关联性不一,因此,需要通过相关系数计算进一步确定相关程度的强弱。
利用公式,取1月12日-16日负荷与电价进行相关性计算,计算结果见表1。
表1负荷与电价的相关系数
由表1可以看出,负荷与电价有明显的相关性,但相关程度也有比较大的差异。将电价作为影响负荷预测的重要因素,提出将负荷与电价的相关系数r引入神经网络模型中,对网络的权值重新修正。
将相关系数r引入模型的改进公式为:
对式中的权值wij、wjl与阈值θj、θl进行修正,使误差函数E沿梯度方向下降:
为保证系统的稳定性,在神经网络的反馈环节引入一个PID反馈控制器RC,根据神经网络预测值与目标值的误差,产生一个反馈控制信号,在神经网络预测系统受到外部干扰等影响时,使系统仍具有良好的预测性能。PID控制器设计为:
u(t)=u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
调节PID控制器参数,使预测效果最佳。
本实施例的方法过程易于理解,通过分析负荷与电价的相关系数,将负荷与电价的相关系数引入神经网络模型中,对神经网络模型的权值重新修正,避免了直接引入电价数据所导致的预测误差。在此基础上,通过在神经网络的反馈环节引入一个PID控制器,在神经网络预测系统受到外部干扰等影响时,使系统仍具有良好的预测性能。
对于方法实施方式,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施方式并不受所描述的动作顺序的限制,因为依据本发明实施方式,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施方式均属于优选实施方式,所涉及的动作并不一定是本发明实施方式所必须的。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (3)
1.一种基于实时电价的短期负荷预测方法,其特征在于,所述方法包括:
获取历史电价数据及对应的历史负荷数据,并获取当前电价数据;
基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据,所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系;
所述获取历史电价数据及对应的历史负荷数据,并获取当前电价数据之前,所述方法还包括:
构建由电价影响的神经网络模型,根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练;
所述由电价影响的神经网络模型为,
2.如权利要求1所述的方法,其特征在于,所述根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练,具体包括:
将所述历史电价数据及对应的历史负荷数据进行归一化处理;
将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中,获得所述由电价影响的神经网络模型的预测负荷;
计算所述预测负荷与实际负荷之间的预测误差,将预测误差与误差阈值进行比较;
若所述预测误差超过所述误差阈值,则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的各层间的权值和阈值,基于修正前的权重,附加使搜索快速收敛全局绩效的惯性项,并根据所述预测误差调整所述反馈负荷,返回所述将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中的步骤;
若所述预测误差未超过所述误差阈值,则将修正后的权值和阈值代入所述由电价影响的神经网络模型,并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。
3.如权利要求2所述的方法,其特征在于,根据所述预测误差通过下式调整所述反馈负荷,
u(t)=u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
其中,u(t)为本次调整后的反馈负荷;u(t-1)为上一次调整后的反馈负荷;e(t)为本次的预测误差;e(t-1)为上次的预测误差;e(t-2)为上上次的预测误差;kp为比例系数;ki为积分系数;kd为微分系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610412702.XA CN107491812B (zh) | 2016-06-13 | 2016-06-13 | 基于实时电价的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610412702.XA CN107491812B (zh) | 2016-06-13 | 2016-06-13 | 基于实时电价的短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491812A CN107491812A (zh) | 2017-12-19 |
CN107491812B true CN107491812B (zh) | 2021-03-16 |
Family
ID=60642572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610412702.XA Active CN107491812B (zh) | 2016-06-13 | 2016-06-13 | 基于实时电价的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491812B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109878369B (zh) * | 2019-03-11 | 2021-08-31 | 三峡大学 | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 |
CN111047191B (zh) * | 2019-12-12 | 2022-04-29 | 广东电网有限责任公司 | 一种电力市场的中长期负荷预测方法和装置 |
CN111697570A (zh) * | 2020-05-25 | 2020-09-22 | 国网河北省电力有限公司石家庄市藁城区供电分公司 | 一种电网负荷预测方法 |
CN116433276B (zh) * | 2023-06-09 | 2023-09-19 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101817163B (zh) * | 2010-03-25 | 2012-01-04 | 南京大学 | 一种基于神经网络的磨削加工工况检测方法 |
CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
CN103077267B (zh) * | 2012-12-28 | 2015-06-24 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
CN104008430B (zh) * | 2014-05-29 | 2017-04-26 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN105115469B (zh) * | 2015-07-29 | 2017-10-24 | 华中农业大学 | 水稻稻穗表型参数自动测量和穗重预测方法 |
CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
CN105373855A (zh) * | 2015-11-19 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
CN105631483B (zh) * | 2016-03-08 | 2019-03-12 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
-
2016
- 2016-06-13 CN CN201610412702.XA patent/CN107491812B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107491812A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491812B (zh) | 基于实时电价的短期负荷预测方法 | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
Guo et al. | Optimal strategies for the closed-loop supply chain with the consideration of supply disruption and subsidy policy | |
AU2017208349B2 (en) | Automated demand response energy management system | |
JP6765567B2 (ja) | 発電システム及びエネルギー生成システム | |
CN104636822B (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
Mandal et al. | A neural network based several-hour-ahead electric load forecasting using similar days approach | |
CN110739696B (zh) | 智能配网环境中需求侧资源与可再生能源的集成调度方法 | |
Kebriaei et al. | Short-term load forecasting with a new nonsymmetric penalty function | |
CN108537379B (zh) | 自适应变权重组合负荷预测方法及装置 | |
CN111598225B (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
CN102663224A (zh) | 基于信息熵的交通流量集成预测模型 | |
CN109978268A (zh) | 一种短期负荷预测方法、系统及相关装置 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
WO2015193032A1 (en) | Controlling a target system | |
KR102535640B1 (ko) | 상수도 운영 시스템의 운전 자동화를 위한 강화학습 장치 및 방법 | |
CN110414748A (zh) | 光伏功率预测方法 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN112001554B (zh) | 一种基于参数自适应相似日法的短期负荷预测方法 | |
CN117093823A (zh) | 基于数据分析的工厂能源消耗管理方法 | |
CN113177355A (zh) | 一种电力负荷预测方法 | |
Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
WO2022025819A1 (en) | System and method of controlling an air-conditioning and/or heating system | |
CN110689197A (zh) | 一种增量配电网投资决策方法 | |
CN115169839A (zh) | 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |