CN108090563A - 一种基于bp神经网络的电能量预测方法 - Google Patents
一种基于bp神经网络的电能量预测方法 Download PDFInfo
- Publication number
- CN108090563A CN108090563A CN201711344105.9A CN201711344105A CN108090563A CN 108090563 A CN108090563 A CN 108090563A CN 201711344105 A CN201711344105 A CN 201711344105A CN 108090563 A CN108090563 A CN 108090563A
- Authority
- CN
- China
- Prior art keywords
- neural network
- value
- error
- training
- months
- 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 54
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004907 flux Effects 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 abstract 3
- 230000007935 neutral effect Effects 0.000 abstract 3
- 241001269238 Data Species 0.000 abstract 1
- 230000008676 import Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的电能量预测方法。该方法以历史月电量数据作为研究训练和测试样本，采用前两年总共24个月电量数据作为神经网络的输出入，后一年总共12个月的月电量数据作为网络的输出来建立神经网络。然后将月电量数据的预测值累加即可得到下一年的年度电量。本发明无需考虑交通、气候、气温、经济、季节、节假日、生产任务等因素，仅将历史数据作为神经网络的输入节点，不仅能够同时预测月用电量和年用电量，而且极大地提升了预测模型的高效性和实用性。
Description
技术领域
本发明涉及一种用电量预测方法，尤其是一种基于BP神经网络的年用电量和月电量的预测方法。
背景技术
电能是支撑我国国民经济发展最重要的能源之一。近几年来随着我国电力市场改革的进一步推进，电能量交易将进一步市场化，每年能够释放出来的售电的市场容量将达到三万亿度。在新的电力市场改革环境下，这些电量通过双边交易或者集中竞价的方式进行购售。如何准确分析和把握这逐步扩大的庞大市场的供需关系和市场机制，是发电厂、售电公司、电力用户以及其他电力系统管理部门面临的一个新的问题。用电单元用电量的准确预测通常是解决这个问题的重要手段之一。目前常用的电力负荷的预测方法主要有时间序列分解法、回归分析法、指数平滑法、灰色模型以及基于人工智能的神经网络、小波分析等等。
许多学者采用这些方法对电力负荷预测方法做了研究，取得了许多成果。由于神经网络具有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且具有很强的记忆能力和自学习能力，便于计算机实现，被广泛采用。但是在当前电力市场改革背景下，现有技术还存在一些缺陷。
首先，在当前电力交易背景下，年度用电计划制定和年双边交易过程中，不仅需要准确预知下一年的年用电量，还需要预测下一年12个月的月用电量，而现有预测方法或只能预测年电量，或只能预测单月月电量，不能同时预测出下一年的年度电量和每个月的月度电量，需要进行多次预测，预测效率低。
其次，现有技术在预测过程中需要采集多维度的数据，例如天气、节假日、交通、GDP、消费水平等，在实际采用过程中需要做大量的准备工作，应用复杂，实用性较低。
在电力改革背景下，电能量预测的准确性和高效性是衡量模型实用性的重要标准。准确即要求预测精度较高，高效意味着在保证精度的前提下，尽可能降低对过多数据的依赖，因为不仅获取数据具有一定的困难，处理数据也会增加建模的工作量，而且过多的参数设置会增加模型的复杂程度，增加建模和预测的时间，降低模型的实际应用性。
发明内容
本发明提出了一种基于BP神经网络的电能量预测方法，其目的是：(1)同时预测月用电量和年用电量；(2)提升预测模型的高效性和实用性。
一种基于BP神经网络的电能量预测方法，步骤为：
第一步，采集历史月电量数据作为样本数据，将样本数据分为训练样本和测试样本；
第二步，建立BP神经网络模型：所述BP神经网络模型具有若干个输入节点和12个输出节点，输入层和输出层之间设有一隐含层；确定隐含层的节点数；
将预测目标年份前若干个月的月电量数据作为网络的输入，预测目标年份12个月的月电量数据作为网络的输出；
第三步，初始化所述神经网络，选择激活函数；
第四步，将训练样本输入神经网络进行训练：首先计算各层输出值，然后计算输出层误差，判断输出误差是否达到要求、或训练次数达到最大训练次数，若达到前述任一条件，则结束训练，否则调整各节点的权重后执行下次训练；
第五步，训练结束后输入测试样本进行测试，计算并记录本次神经网络的预测结果，以及预测结果与实际数值之间的误差；
第六步，调整隐含层的节点数，重建BP神经网络，重复第三至第五步；
第七步，比较各个神经网络的预测性能，选择最优网络；
第八步，将最优网络输出的预测值作为目标年份12个月的月电量数据，再将12个月的月电量累加，得到目标年份的年度电量。
作为本方法的进一步改进：采集历史月电量数据作为样本数据后，对数据进行归一化处理，使处理后的电量数据均大于等于0且小于等于1。
作为本方法的进一步改进：归一化公式为：
上式中，x'表示归一化后的数值，x表示样本原始数值，xmin表示样本中的最小值，xmax表示样本中的最大值。
作为本方法的进一步改进：所述激活函数为：
作为本方法的进一步改进：第四步中计算输出层误差的公式为：
上式中，e为输出层本轮计算的误差，yo为第o月份的实际用电量数值，yoo为o月份用电量的计算值。
作为本方法的进一步改进：第五步中计算预测结果与实际数值之间的误差包括：
i月份的绝对误差：δi＝xi-μi，式中xi为i月份的预测结果，μi为i月份的实际用电量数值；
i月份的相对误差：
相对误差的最大绝对值：Emax＝max(|Ei|)；
相对误差的均方差：该式中n为结果数；
相对误差的平均值：该式中n为结果数。
作为本方法的进一步改进：所述选择最优网络时，优先考虑顺序为：相对误差的均方差>相对误差的最大绝对值>相对误差的平均值。
相对于现有技术，本发明具有以下积极效果：(1)本发明可一次预测出12个月的月用电量，同时通过累加直接得到年用电量，无需多次预测，操作简单，效率高；(2)神经网络的输入仅涉及历史用电量数据，无需提供天气、节假日等其它数据，模型简单，数据准备、处理工作量小，实用性较高，并且保证了同样的预测精度；(3)对样本数据进行归一化处理，同时将样本最大值扩大为原来的1.35倍，避免目标值大于样本最大值导致归一化后预测值偏小；(4)反复构建神经网络，选择最优网络；(5)依据输入节点数和输出节点数计算隐含层节点数的取值范围，减少反复构建神经网络的次数，提高择优效率；(6)综合考虑相对误差的均方差、相对误差的最大绝对值和相对误差的平均值，选取最优网络。
附图说明
图1为本发明的流程图。
图2为BP神经网络结构图。
图3为BP神经网络训练算法流程图。
具体实施方式
下面结合附图详细说明本发明的技术方案：
对于一个地区或者区域，影响其用电量的因素很多，例如交通、气候、气温、经济、季节、节假日、生产任务等等，如果全部考虑这些因素，将其作为神经网络的输入节点，需要采集所有影响因素的历史数据，并将其量化为网络的输入，其工作量非常之大，数据处理难度也较高，所建立的网络也非常复杂，实际应用难度较大。而考虑到历史的月电量本身就是其各种影响因子相互作用的结果，能够代表大多数因子的作用效果，因此本发明以历史月电量数据作为研究训练和测试样本，采用前两年总共24个月电量数据作为神经网络的输出入，后一年总共12个月的月电量数据作为网络的输出来建立神经网络。然后将月电量数据的预测值累加即可得到下一年的年度电量。
如图1，一种基于BP神经网络的电能量预测方法，步骤为：
第一步，采集历史月电量数据作为样本数据，按照5:1的比例将样本分为训练样本和测试样本；
以北方某海港2009年-2016年的历史月电量数据作为实验数据。
表1北方某海港2009年-2016年月度电量(单位：kWh)
训练样本的输入为24×5的矩阵，数据为2009年-2014年的月电量，为了方便数据的提取和处理，将训练样本的输入转置以后再作为程序中的输入，以primevalIn表示：
primevalIn＝{{20256450，17454377，19268867，18312993，17443343，18080925，18113476，20657807，20612974，17433604，18754026，21349879，23276029，19835000，21341058，21696343，20889958，19728380，22046220，22391742，22722173，21019691，21245140，23030489}...{30042401，28295128，27714288，28626932，26885880，27689829，29024192，28682162，29596321，28895054，29884072，29133612，33473445，29464164，32159483，30619435，27954422，28086756，30771173，30718315，32313653，29922352，30223582，33305049}}。
训练样本的输出为12×5的矩阵，数据为2011年-2015年的月电量，转置以后用primevalOut表示：
primevalOut＝{33473445，29464164，32159483，30619435，27954422，28086756，30771173，30718315，32313653，29922352，30223582，33305049，34129773，30781168，33041886，31766828，30082557，30641740，34408059，35364090，32492135，33608834，32197243，34179171}。
测试样本的输入和输出分别是2014年-2015年和2016年的月电量，转置以后分别用testInData和testOutData表示。
testInDataT＝{34129773，30781168，33041886，31766828，30082557，30641740，34408059，35364090，32492135，33608834，32197243，34179171，36875278，34161508，37182598，35158818，33310142，32726037，35157961，37623837，35517718，36183920，34283916，38003634}。testOutData＝{36875278，34161508，37182598，35158818，33310142，32726037，35157961，37623837，35517718，36183920，34283916，38003634}。
然后对数据进行归一化处理，使处理后的电量数据均大于等于0且小于等于1，方便数据处理，加快收敛。本实施例的归一化公式为：
上式中，x'表示归一化后的数值，x表示样本原始数值，xmin表示样本中的最小值，xmax表示样本中的最大值。由于经济的发展，各个地区的用电量整体上都呈增加趋势，因此未来的月电量可能超过样本数据的最大值，为避免目标值大于样本最大值，导致归一化后预测值偏小，将最大值乘以1.35。
第二步，建立BP神经网络模型：所述BP神经网络模型具有24个输入节点和12个输出节点，将预测目标年份前两年共24个月的月电量数据作为网络的输入，预测目标年份12个月的月电量数据作为网络的输出；
常见的神经网络包括BP神经网络、径向基神经网络、感知器神经网络和线性神经网络等。其中BP神经网络是最为经典，应用最为广泛的神经网络之一。如图2，BP神经网络由一个输入层、一个或多个隐含层以及一个输出层组成，每个层又包括一个或多个网络节点。其学习过程包括信号正向传播和误差反向传播。通过对比输出与实际值之间的偏差来调整阈值和权重，通过不断的学习和训练，最终得到一个满意的结果为止。
隐含层和该层节点的数量并不是越多越好，一般情况下，如图2所示的包含1个隐含层的网络应用最为普遍，本实施例中隐含层数为1。对于本发明，隐含层的节点数可按以下公式确定隐含层的节点数的取值范围：
上式中，p为隐含层节点数，m为输入层节点数即24，n为输出层节点数即12，a取值范围为[1,10]。为了提高选择效率，再结合经验公式和非线性选择方法，隐含层节点数选出以下几种方案：8,12,13,14,24,50。
第三步，利用随机函数初始化所述神经网络的连接权值和阈值，选择Sigmoid函数作为激活函数：
该函数能够将数据从(-∞，+∞)映射到(0,1)。
第四步，如图3，将训练样本输入神经网络进行训练，首先计算隐含层输入，将所得隐含层输入值分别代入激活函数，计算隐含层输出，再以隐含层的输出矩阵作为输出层的输入，乘以连接权值后代入激活函数，求得输出层的输出。具体过程如下：
设有输入样本X＝(x1,x2,...xn)，n＝24，输出样本Y＝(y1,y2,...yq)，q＝12，隐含层节点数为p，第i个输入层节点与第h个隐含层节点间的连接权值为wih，第h个隐含层节点与第o个输出层节点间的连接权值为who，隐含层与输出层的阈值分别为bh和bo，则：
隐含层各节点输入为：
隐含层各节点输出为：hoh＝f(hih)，h＝1,2,...,p；
输出层各节点输入为：
输出层各节点输出为：yoo＝f(yio)，o＝1,2,...q；
然后计算输出层误差：
上式中，e为输出层本轮计算的误差，yo为第o月份的实际用电量数值，yoo为o月份用电量的计算值；
判断输出误差是否达到要求、或训练次数达到最大训练次数，若达到前述任一条件，则结束训练，否则调整各节点的权重后执行下次训练；
为了减少训练过程中下降的左右震荡，加快下降速度，训练函数采用有动量的梯度下降法。
第五步，训练结束后输入取2014-2015年的月电量进行测试，预测2016年的用电量，计算并记录本次神经网络的预测结果，以及预测结果与实际2016年用电量数值之间的误差；本步的误差包括：
i月份的绝对误差：δi＝xi-μi，式中xi为i月份的预测结果，μi为i月份的实际用电量数值；
i月份的相对误差：
相对误差的最大绝对值：Emax＝max(|Ei|)；
相对误差的均方差：该式中n为结果数；
相对误差的平均值：该式中n为结果数。
相对误差的最大绝对值表示月电量预测值的最大偏离程度，代表月电量预测的精度的最差情况。相对误差的均方差反映12个月度电量预测值的离散度，其值越小，表示月度预测值误差越小。平均相对误差反应预测精度的平均值，各个月份的平均相对误差在求值过程中存在正负抵消，由于将12个月的预测值求和后就得到全年的用电量，误差也存在正负抵消，因此平均相对误差越低，就代表求和后得到的年度电量预测值的误差越小。
第六步，调整隐含层的节点数，重建BP神经网络，重复第三至第五步；
表2网络隐层节点数为8的网络的预测结果
第七步，比较各个神经网络的预测性能，选择最优网络，择优时，优先考虑顺序为：相对误差的均方差>相对误差的最大绝对值>相对误差的平均值。
表3不同隐层节点数的网络预测性能对比
最终选定网络的最佳隐含层节点数为13。
由于训练函数的动量因子对网络性能也有重要影响，因此为了继续调优网络性能，可以选择不同的动量因子创建网络，重复第三至四步，按照本步所述的误差考核方式选择最佳动量因子。经过试验发现，当动量因子取0.9时，网络的预测精度较为理想高。因此最终选定最佳动量因子为0.9，该网络的预测结果如表4。
表4最终预测结果
如表4所示，所有月电量预测值的相对误差集中在[-0.82％，5.83％]之间，误差的均方差仅为1.71％，平均误差为2.25％，即将12个月的月电量求和以后得到年度电量，其误差仅为2.25％。
第八步，将最优网络输出的预测值作为目标年份12个月的月电量数据，再将12个月的月电量累加，得到目标年份的年度电量。
表5为本发明和其它发明的预测结果的对比，可以看到本模型的预测精度和现有技术的预测精度处于同一水准，甚至优于部分现有技术的精度，但是本发明无需使用天气、节假日等数据，且一次就能够得到下一年12个月的月电量和年电量，效率更高，实用性更强。
表5本发明和其它发明的预测结果对比
其中模型1引自天津大学工程硕士学位论文《基于神经网络的短期电力负荷预测研究模型研究》，该技术采用了BP神经网络建立预测模型，以广东某地区过去6天的用电量和天气特征作为输入量，以未来一天的用电量作为输出量，分别以trainrp、trainlm、traingd、trainbfg作为训练函数，最终预测值的平均误差分别为6.55％、6.54％、34.88％、5.80％，最优为5.80％。模型2引自山东大学硕士学位论文《基于神经网络的电力负荷预测研究与实现》，该技术采用BP神经网络建立预测模型预测斯洛伐克某地区的用电量，以前5天的温度信息、节假日信息、日期信息、历史负荷信息、历史节假日类型信息作为输入量来预测未来一天的电量负荷，该BP网络的预测平均相对误差为2.8％。模型3为EUNITE组织举办的国际电力负荷预测大赛的参赛模型，其预测最佳结果为2.08％。模型4引自电子科技大学硕士学位论文《基于神经网络的电力负荷预测方法研究及实现》，该模型以某市的电量数据、时间因素、天气因素以及随机因素作为输入量建立了多个神经网络，其BP神经网络的预测误差为2.58％。
Claims (7)
1.一种基于BP神经网络的电能量预测方法，其特征在于：
第一步，采集历史月电量数据作为样本数据，将样本数据分为训练样本和测试样本；
第二步，建立BP神经网络模型：所述BP神经网络模型具有若干个输入节点和12个输出节点，输入层和输出层之间设有一隐含层；确定隐含层的节点数；
将预测目标年份前若干个月的月电量数据作为网络的输入，预测目标年份12个月的月电量数据作为网络的输出；
第三步，初始化所述神经网络，选择激活函数；
第四步，将训练样本输入神经网络进行训练：首先计算各层输出值，然后计算输出层误差，判断输出误差是否达到要求、或训练次数达到最大训练次数，若达到前述任一条件，则结束训练，否则调整各节点的权重后执行下次训练；
第五步，训练结束后输入测试样本进行测试，计算并记录本次神经网络的预测结果，以及预测结果与实际数值之间的误差；
第六步，调整隐含层的节点数，重建BP神经网络，重复第三至第五步；
第七步，比较各个神经网络的预测性能，选择最优网络；
第八步，将最优网络输出的预测值作为目标年份12个月的月电量数据，再将12个月的月电量累加，得到目标年份的年度电量。
2.如权利要求1所述的一种基于BP神经网络的电能量预测方法，其特征在于：采集历史月电量数据作为样本数据后，对数据进行归一化处理，使处理后的电量数据均大于等于0且小于等于1。
3.如权利要求2所述的一种基于BP神经网络的电能量预测方法，其特征在于：归一化公式为：
<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>&times;</mo>
<mn>1.35</mn>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
上式中，x'表示归一化后的数值，x表示样本原始数值，xmin表示样本中的最小值，xmax表示样本中的最大值。
4.如权利要求1所述的一种基于BP神经网络的电能量预测方法，其特征在于：所述激活函数为：
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
5.如权利要求1所述的一种基于BP神经网络的电能量预测方法，其特征在于：第四步中计算输出层误差的公式为：
<mrow>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>o</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>o</mi>
</msub>
<mo>-</mo>
<msub>
<mi>yo</mi>
<mi>o</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
上式中，e为输出层本轮计算的误差，yo为第o月份的实际用电量数值，yoo为o月份用电量的计算值。
6.如权利要求1至5任一所述的一种基于BP神经网络的电能量预测方法，其特征在于：第五步中计算预测结果与实际数值之间的误差包括：
i月份的绝对误差：δi＝xi-μi，式中xi为i月份的预测结果，μi为i月份的实际用电量数值；
i月份的相对误差：
相对误差的最大绝对值：Emax＝max(|Ei|)；
相对误差的均方差：该式中n为结果数；
相对误差的平均值：该式中n为结果数。
7.如权利要求6所述的一种基于BP神经网络的电能量预测方法，其特征在于：所述选择最优网络时，优先考虑顺序为：相对误差的均方差>相对误差的最大绝对值>相对误差的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711344105.9A CN108090563A (zh) | 2017-12-15 | 2017-12-15 | 一种基于bp神经网络的电能量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711344105.9A CN108090563A (zh) | 2017-12-15 | 2017-12-15 | 一种基于bp神经网络的电能量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108090563A true CN108090563A (zh) | 2018-05-29 |
Family
ID=62176484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711344105.9A Pending CN108090563A (zh) | 2017-12-15 | 2017-12-15 | 一种基于bp神经网络的电能量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090563A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091232A (zh) * | 2019-11-25 | 2020-05-01 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111275247A (zh) * | 2020-01-14 | 2020-06-12 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
| CN111523807A (zh) * | 2020-04-24 | 2020-08-11 | 广西电网有限责任公司崇左供电局 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
| CN111985695A (zh) * | 2020-07-29 | 2020-11-24 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
| CN112418533A (zh) * | 2020-11-25 | 2021-02-26 | 江苏电力交易中心有限公司 | 一种清洁能源电量分解预测方法 |
| CN112508734A (zh) * | 2020-11-27 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
| CN112766592A (zh) * | 2021-01-27 | 2021-05-07 | 中国科学院大气物理研究所 | 夏季登陆中国台风数量预测方法、装置、设备及存储介质 |
| CN113222403A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
| CN115603321A (zh) * | 2022-11-11 | 2023-01-13 | 浙江浙能能源服务有限公司（Cn） | 一种基于电力消费数据的电力负荷预测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020728A (zh) * | 2012-11-05 | 2013-04-03 | 青海电力科学试验研究院 | 一种电力系统中变电站短期电能质量预测方法 |
| CN105631532A (zh) * | 2015-12-07 | 2016-06-01 | 江苏省电力公司检修分公司 | 一种基于模糊决策的神经网络模型电力系统负荷预测方法 |
| CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
| US20160252946A1 (en) * | 2008-03-07 | 2016-09-01 | Raritan Americas, Inc. | Methods of achieving cognizant power management |
| CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
-
2017
- 2017-12-15 CN CN201711344105.9A patent/CN108090563A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160252946A1 (en) * | 2008-03-07 | 2016-09-01 | Raritan Americas, Inc. | Methods of achieving cognizant power management |
| CN103020728A (zh) * | 2012-11-05 | 2013-04-03 | 青海电力科学试验研究院 | 一种电力系统中变电站短期电能质量预测方法 |
| CN105631532A (zh) * | 2015-12-07 | 2016-06-01 | 江苏省电力公司检修分公司 | 一种基于模糊决策的神经网络模型电力系统负荷预测方法 |
| CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
| CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张振义: "基于人工神经网络BP算法的乌海电网负荷预测分析研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 张正禄 等: "《工程的变形监测分析与预报》", 30 November 2007, 测绘出版社 * |
| 白雪: "基于神经网络的葫芦岛地区短期电力负荷预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091232B (zh) * | 2019-11-25 | 2023-02-03 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111091232A (zh) * | 2019-11-25 | 2020-05-01 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111275247A (zh) * | 2020-01-14 | 2020-06-12 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
| CN111275247B (zh) * | 2020-01-14 | 2024-02-23 | 西安理工大学 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
| CN111523807A (zh) * | 2020-04-24 | 2020-08-11 | 广西电网有限责任公司崇左供电局 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
| CN111523807B (zh) * | 2020-04-24 | 2023-04-28 | 广西电网有限责任公司崇左供电局 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
| CN111985695A (zh) * | 2020-07-29 | 2020-11-24 | 国网甘肃省电力公司 | 城市综合体用电量预测方法、装置、电子设备及存储介质 |
| CN112418533A (zh) * | 2020-11-25 | 2021-02-26 | 江苏电力交易中心有限公司 | 一种清洁能源电量分解预测方法 |
| CN112508734A (zh) * | 2020-11-27 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
| CN112508734B (zh) * | 2020-11-27 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
| CN112766592A (zh) * | 2021-01-27 | 2021-05-07 | 中国科学院大气物理研究所 | 夏季登陆中国台风数量预测方法、装置、设备及存储介质 |
| CN113222403A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
| CN113222403B (zh) * | 2021-05-10 | 2023-10-27 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
| CN115603321A (zh) * | 2022-11-11 | 2023-01-13 | 浙江浙能能源服务有限公司（Cn） | 一种基于电力消费数据的电力负荷预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090563A (zh) | 一种基于bp神经网络的电能量预测方法 | |
| Rafi et al. | A short-term load forecasting method using integrated CNN and LSTM network | |
| Li et al. | Prediction for tourism flow based on LSTM neural network | |
| Xu et al. | House price forecasting with neural networks | |
| CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| Khafaga et al. | Forecasting energy consumption using a novel hybrid dipper throated optimization and stochastic fractal search algorithm | |
| López et al. | Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN111967696B (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
| CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
| Rizwan et al. | Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia | |
| CN109919421A (zh) | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 | |
| CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
| Li et al. | Estimate and characterize PV power at demand-side hybrid system | |
| Lauret et al. | Nonlinear models for short-time load forecasting | |
| CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
| CN110570023A (zh) | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 | |
| Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
| Zolotova et al. | Short-term forecasting of prices for the Russian wholesale electricity market based on neural networks | |
| Adhiswara et al. | Long-term electrical consumption forecasting using Artificial Neural Network (ANN) | |
| CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
| Fışkın et al. | Forecasting domestic shipping demand of cement: comparison of SARIMAX, ANN and hybrid SARIMAX-ANN | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises |
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: 20180529 |
|
| RJ01 | Rejection of invention patent application after publication |