CN107704967A - 一种基于改进模糊神经网络的短期电力负荷预测方法 - Google Patents
一种基于改进模糊神经网络的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN107704967A CN107704967A CN201710964598.XA CN201710964598A CN107704967A CN 107704967 A CN107704967 A CN 107704967A CN 201710964598 A CN201710964598 A CN 201710964598A CN 107704967 A CN107704967 A CN 107704967A
- Authority
- CN
- China
- Prior art keywords
- parameter
- short
- neural network
- network
- msub
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000007935 neutral effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 7
- 230000005284 excitation Effects 0.000 claims abstract description 5
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000001948 pro-b lymphocyte Anatomy 0.000 claims description 4
- 210000003719 b-lymphocyte Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000005684 electric field Effects 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进模糊神经网络的短期电力负荷预测方法。包括如下步骤：采集电力系统参数，获得数据样本，获得本方法隐含层数，对神经网络的输入参数应进行归一化处理，获得激励函数可调的BP神经网络学习算法，得到预测结果。供电单位能够对于电力负荷进行准确预测，尤其是超短期、短期预测，可以改善负载对电力系统的影响，对电场制定更加合理的发电计划，减少成本以及风电场参与发电竞争都具有重要作用。本方法在电力负荷的预测精度和预测方法的收敛速度等方面都有了提高，该方法具有重要的现实意义和应用前景。
Description
技术领域
本发明属于电力系统状态检测领域，尤其涉及到一种基于改进模糊神经网络的电力负荷预测方法。
背景技术
伴随着我国经济的加快发展，电力网络的建设速度也蓬勃发展，电能是一种商品，然而它又不同于其它的商品，它的产生，分配及消费过程都是在同一时间完成的。电力部门最重要职能是向各类用户尽可能经济地提供可靠和合乎标准的电能。同时电力系统十分庞大，为了保证用户可靠的供电，达到电网系统的经济合理运行，为了使电网的生产，供应，销售达到一个动态平衡，需要对电力负荷进行提前预测，根据用户的需要来决定发电机组的启停和电网的运行检修时间。
随着电网改革的不断深入发展，需要不断深入研究电力系统的供需形势以及电力系统的发展规律，同时电网一切经济活动必须以电网经济效益为中心。因此，为了能搞清电力市场的需求情况，掌握电力市场规律，就必须做好对电网负荷的预测工作，而符合预测的结果对发电，输送电能及分配电能有直接的指导作用。在电力系统运行、控制和计划管理中，这既是电网规划的重要组成部分，又是提高电网经济效益和促进国民经济发展的重要因素之一。实现高精度的电力系统短期负荷预测是实现现代化电网的重要内容，提高短期负荷预测具有重大意义。
因此，对于电力负荷进行准确预测，尤其是超短期、短期预测，可以改善负载对电力系统的影响，对电场制定更加合理的发电计划，减少成本以及风电场参与发电竞争都具有重要作用。电力负荷预测在电力系统中发挥重要作用的关键技术，是亟需解决的问题，具有广阔的应用前景。
发明内容
本发明所要解决的技术问题是：提出一种基于改进模糊神经网络的短期电力负荷预测方法。本方法针对电力负荷自身特点，考虑气象，实时电价等影响因素，引入多种智能优化计算方法以及综合预测技术，对电力负荷预测的理论与方法进行深入研究，为电力系统运行管理提供科学的决策依据。
一种基于改进模糊神经网络的短期电力负荷预测方法，其特征是包括以下步骤：
第一步，采集电力系统环境的温度、湿度和降雨量；
第二步，获得数据样本的数量确定为M；
第三步，获得本方法隐含层数为1，隐含层神经元数为2N-1；其中，N是输入神经元个数；
第四部，对神经网络的输入参数应进行归一化处理，以保证正常范围内的输入样本区间x*在[-1，+1]区间，
其中，x*是归一化后的值，当xmax＝xmin时取x*等于0.5，星期一到星期天分别用0.1至0.7的数字表示；
步骤五，获得激励函数可调的BP神经网络学习算法，简称BP-AA算子，该算子不涉及节点数目的增减，采用BP-AA算法对网络参数进行修正，通过网络的输入样本，计算出B细胞对应的神经网络的相关性能指标，计算满足以下两点：第一，应该采用由编码参数和其结构模板值的乘积所构成的网络参数用于计算；第二，所有网络都应该以预先设定的最大规模来计算；采用BP-AA算法计算梯度值，修正参数；把更新后的参数在原B细胞中按编码规则进行重新排列，即完成了BP-AA算子计算，其中，S＝0所对应的参数编码应不变，即可获得电力负荷预测结果。
所述步骤二中的M为5周。
通过以上方法，供电单位能够对于电力负荷进行准确预测，尤其是超短期、短期预测，可以改善负载对电力系统的影响，对电场制定更加合理的发电计划，减少成本以及风电场参与发电竞争都具有重要作用。
附图说明
图1为本发明一种基于改进模糊神经网络的短期电力负荷预测方法的流程图。
具体实施方式
一种基于改进模糊神经网络的短期电力负荷预测方法，其特征是包括以下步骤：
第一步，采集电力系统环境的温度、湿度和降雨量；
即确定所述的确定输入参数，神经网络的输入参数受气象因素和历史值有关，气温的影响主要考虑温度、湿度和降雨量。
第二步，获得数据样本的数量确定为M；
所述的确定数据样本，当电力系统负荷数据具有日特性以及周特性时，为使人工神经网络学习其中的规律，又避免过分学习或者学习不足的情况，负荷样本数的恰当选取较为关键。经过多次试验及分析计算后，负荷样本数量选为5周。
第三步，获得本方法隐含层数为1，隐含层神经元数为2N-1；其中，N是输入神经元个数；
所述的确定隐含层节点数，本方法隐含层数为1，网络结构为多输入单输出类型，且根据经验公式2N-1(N是输入神经元个数)可以确定隐含层神经元数，然后通过测试中的不断调整得到。
第四部，对神经网络的输入参数应进行归一化处理，以保证正常范围内的输入样本区间x*在[-1，+1]区间，
其中，x*是归一化后的值，当xmax＝xmin时取x*等于0.5，星期一到星期天分别用0.1至0.7的数字表示；
步骤五，获得激励函数可调的BP神经网络学习算法，简称BP-AA算子，该算子不涉及节点数目的增减，采用BP-AA算法对网络参数进行修正，通过网络的输入样本，计算出B细胞对应的神经网络的相关性能指标，计算满足以下两点：第一，应该采用由编码参数和其结构模板值的乘积所构成的网络参数用于计算；第二，所有网络都应该以预先设定的最大规模来计算；采用BP-AA算法计算梯度值，修正参数；把更新后的参数在原B细胞中按编码规则进行重新排列，即完成了BP-AA算子计算，其中，S＝0所对应的参数编码应不变，即可获得电力负荷预测结果。
即检测对训练抗原进行学习，得到记忆抗体集，得到预测结果。为提高算法的全局搜索能力，构造激励函数可调的BP神经网络学习算法，简称BP-AA算子。该算子不涉及节点数目的增减，因为它只对与B细胞对应网络中参数模板不为零的参数进行修正，其实质是一个根据BP-AA算法对网络参数进行修正的过程。首先，通过网络的输入样本，计算出B细胞对应的神经网络的相关性能指标，计算满足以下两点：l)应该采用由编码参数和其结构模板值的乘积所构成的网络参数用于计算；2)所有网络都应该以预先设定的最大规模来计算。其次，采用BP-AA算法计算梯度值，修正参数，最后，把更新后的参数在原B细胞中按编码规则进行重新排列，即完成了BP-AA算子计算，其中:S＝0所对应的参数编码应不变。最终得出全局最优解即电力负荷预测结果。
所述步骤二中的M为5周。
Claims (2)
1.一种基于改进模糊神经网络的短期电力负荷预测方法，其特征是包括以下步骤：
第一步，采集电力系统环境的温度、湿度和降雨量；
第二步，获得数据样本的数量确定为M；
第三步，获得本方法隐含层数为1，隐含层神经元数为2N-1；其中，N是输入神经元个数；
第四部，对神经网络的输入参数应进行归一化处理，以保证正常范围内的输入样本区间x*在[-1，+1]区间，
<mrow>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，x*是归一化后的值，当xmax＝xmin时取x*等于0.5，星期一到星期天分别用0.1至0.7的数字表示；
步骤五，获得激励函数可调的BP神经网络学习算法，简称BP-AA算子，该算子不涉及节点数目的增减，采用BP-AA算法对网络参数进行修正，通过网络的输入样本，计算出B细胞对应的神经网络的相关性能指标，计算满足以下两点：第一，应该采用由编码参数和其结构模板值的乘积所构成的网络参数用于计算；第二，所有网络都应该以预先设定的最大规模来计算；采用BP-AA算法计算梯度值，修正参数；把更新后的参数在原B细胞中按编码规则进行重新排列，即完成了BP-AA算子计算，其中，S＝0所对应的参数编码应不变，即可获得电力负荷预测结果。
2.根据权利要求1所述的一种基于改进模糊神经网络的短期电力负荷预测方法，其特征是：所述步骤二中的M为5周。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710964598.XA CN107704967A (zh) | 2017-10-17 | 2017-10-17 | 一种基于改进模糊神经网络的短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710964598.XA CN107704967A (zh) | 2017-10-17 | 2017-10-17 | 一种基于改进模糊神经网络的短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107704967A true CN107704967A (zh) | 2018-02-16 |
Family
ID=61183661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710964598.XA Pending CN107704967A (zh) | 2017-10-17 | 2017-10-17 | 一种基于改进模糊神经网络的短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704967A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
| CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971238A (zh) * | 2017-03-10 | 2017-07-21 | 东华大学 | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 |
| CN107016469A (zh) * | 2017-04-13 | 2017-08-04 | 重庆大学 | 电力负荷预测方法 |
-
2017
- 2017-10-17 CN CN201710964598.XA patent/CN107704967A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971238A (zh) * | 2017-03-10 | 2017-07-21 | 东华大学 | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 |
| CN107016469A (zh) * | 2017-04-13 | 2017-08-04 | 重庆大学 | 电力负荷预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张昀: "电力系统短期负荷智能化预测方法", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 田春光: "储能的多环节应用提升我国"三北"地区风电消纳能力", 《电气应用》 * |
| 程其云: "基于数据挖掘的电力短期负荷预测模型及方法的研究", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
| CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
| CN111582751B (zh) * | 2020-05-19 | 2022-06-14 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction | |
| CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
| Cinar et al. | Development of future energy scenarios with intelligent algorithms: case of hydro in Turkey | |
| CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN101888087A (zh) | 一种在配网终端中实现分布式超短期区域负荷预测的方法 | |
| CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
| CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
| CN107609716B (zh) | 一种水电站负荷区间预测方法 | |
| CN114169574A (zh) | 一种通过工业运行电力指数进行大气污染预测的方法 | |
| CN112085156A (zh) | 一种分压线损率预测及降损潜力评估方法及系统 | |
| CN109492818A (zh) | 基于能源发展与Shapley值赋权的用电量预测方法 | |
| CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
| Yu et al. | Optimal scheduling strategy of cascade hydropower plants under the joint market of day-ahead energy and frequency regulation | |
| CN107704967A (zh) | 一种基于改进模糊神经网络的短期电力负荷预测方法 | |
| CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
| CN106022542A (zh) | 一种基于工序负荷特性的企业关口负荷预测方法 | |
| Yanchao et al. | A proportion prediction model of terminal energy structure of IPS based on hidden Markov chain | |
| Zhang et al. | Day-ahead electricity price forecasting using artificial intelligence | |
| CN103886393A (zh) | 基于模拟投资效益分析及学习自动机的电网投资优化方法 | |
| CN114139829A (zh) | 一种基于人工智能的电网负荷预测方法 | |
| Ting et al. | Research on short-term electric load forecasting based on extreme learning machine | |
| Chen et al. | Research on short-term electricity price prediction in power market based on BP neural network | |
| Shi et al. | Research on long term load forecasting based on improved genetic neural network | |
| Li et al. | Influence on Stability Analysis in Distributed Smart Grids Using Computer Aimed Digital Decision Trees |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
| RJ01 | Rejection of invention patent application after publication |