CN109376950A - 一种基于bp神经网络的多元电网负荷预测方法 - Google Patents

一种基于bp神经网络的多元电网负荷预测方法 Download PDF

Info

Publication number
CN109376950A
CN109376950A CN201811378838.9A CN201811378838A CN109376950A CN 109376950 A CN109376950 A CN 109376950A CN 201811378838 A CN201811378838 A CN 201811378838A CN 109376950 A CN109376950 A CN 109376950A
Authority
CN
China
Prior art keywords
neural network
output
day
prediction
load
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
Application number
CN201811378838.9A
Other languages
English (en)
Inventor
吴子豪
王若谷
程松
张燕平
王永庆
师鹏
尚渭萍
朱超
李明
梁苗
朱丹玥
朱明辉
田刚旗
白欢
王军娥
唐露甜
李高阳
王岳彪
李广
王辰曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Shang Shang Mdt Infotech Ltd
State Grid Corp of China SGCC
Xidian University
Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd
Original Assignee
Shaanxi Shang Shang Mdt Infotech Ltd
State Grid Corp of China SGCC
Xidian University
Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Shang Shang Mdt Infotech Ltd, State Grid Corp of China SGCC, Xidian University, Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd filed Critical Shaanxi Shang Shang Mdt Infotech Ltd
Priority to CN201811378838.9A priority Critical patent/CN109376950A/zh
Publication of CN109376950A publication Critical patent/CN109376950A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—Combinations of networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于BP神经网络的多元电网负荷预测方法，包括：从多元电网历史数据库中调用数据，建立BP神经网络样本输入变量数据数组；确定BP神经网络模型中隐含层神经元个数；计算BP神经网络模型中输出层的输出；计算BP神经网络样本训练的单个样本输出误差及所有样本输出总误差；判断样本训练结束条件；利用训练后的模型输出预测的负荷值。本发明的方法基于BP神经网络模型，具有较好的泛化性和收敛性，可更精确的满足实际预测要求。

Description

一种基于BP神经网络的多元电网负荷预测方法
技术领域
本发明属于智能电网调度技术领域，特别涉及一种基于BP神经网络的多元电网负荷预测方法。
背景技术
随着电网建设的规模越来越大，尤其是风、光电等多元电源的并网运行，造成电力系统规模和复杂性不断提高，电力系统短期负荷预测的准确与否对有效降低发电资费、实施各地区电力系统优化控制具有关键作用。随着电网信息化的不断完善，电网采集、存储的数据也日趋多元，基于历史数据对负荷进行预测已经成为了一个独立的、不可或缺的一部分，它是电力系统规划的前提性工作。其中，电力负荷预测主要是指对未来几小时、1天至几天的电力负荷进行预报，其既可以为电力系统的安全运行提供保障，同时也可以在市场环境下的电力系统进行编排调度计划和交易计划时提供辅助。一直以来，预测方法被认为是提高预测精度的最主要途径，许多学者在预测方法上面进行了大量的研究，提出了多种具有较好预测精度的模型。
负荷预测的方法很多，多集中于传统的预测方法，精确度及算法效率都有不同程度的问题。计算机软件技术及硬件性能的不断提升，新有有效的方法也越来越多。电网负荷预测，受温度、季节、节假日等因素影响大，属于动态非线性时间序列。电网数据库中存储的数据越来越多样化和全面，为目前比较新且成熟的神经网络算法进行负荷预测成为一种可能，也急需通过一种新的方法来提高负荷预测的准确度和效率。
发明内容
本发明的目的在于提供一种基于BP神经网络的多元电网负荷预测方法，以解决上述存在的技术问题。本发明的方法能够提高负荷预测的准确度和效率。
为达到上述目的，本发明采用以下技术方案：
一种基于BP神经网络的多元电网负荷预测方法，包括以下步骤：
步骤1，调用多元电网历史数据，确定BP神经网络的样本输入变量；
步骤2，根据步骤1确定的BP神经网络样本输入变量，确定BP神经网络模型中隐含层神经元个数；
步骤3，计算确定BP神经网络模型中输出层的输出；
步骤4，计算BP神经网络样本训练的单个样本输出误差及所有样本输出总误差；
步骤5，将步骤4获得的样本输出总误差与预设阈值比较，直至满足样本收敛结束条件，获得训练后的BP神经网络模型；
步骤6，根据预测日的实际数据生成测试输入量，将测试输入量输入步骤5获得的训练后的BP神经网络模型，输出即为预测的负荷值。
进一步的，步骤1具体为：从多元电网历史数据库中调用数据，建立BP神经网络样本输入变量数据数组：
负荷预测的输入变量Xk＝[x1,x2,…,xn]；
其中，n的值为6，[x1,x2,…,x6]分别是预测日前一天负荷值，以及预测日前一天的当日最高温度、当日最低温度、当日平均温度、当日天气情况和当日节假日类型。
进一步的，负荷预测的输入变量Xk＝[x1,x2,…,xn]；
其中，n的值为12，[x7,x8,…,x12]分别是预测日前两天负荷值，以及预测日前两天的当日最高温度、当日最低温度、当日平均温度以、当日天气情况和当日节假日类型。
进一步的，负荷预测的输入变量Xk＝[x1,x2,…,xn]；
其中，n的值为23，[x13,x14,…,x18]分别是预测日前七天负荷值，以及预测日前七天的当日最高温度、当日最低温度、当日平均温度以、当日天气情况和当日节假日类型；[x19,x20,…,x23]分别是预测日当日最高温度、当日最低温度、当日平均温度以、当日天气情况和当日节假日类型。
进一步的，步骤2中：
BP神经网络模型中输入层神经元个数N，N的值为n；
负荷预测输出结果为预测日当天预测的负荷值，BP神经网络模型输出层神经元个数M＝1；
BP神经网络模型隐含层神经元个数
进一步的，步骤3计算BP神经网络模型中输出层的输出具体为：
BP神经网络模型中，输入层第i个神经元的输出为：Yi＝f(xi)，其中1≤i≤23；
隐含层第h个神经元的输入为：得，
隐含层第h个神经元的输出为：Yh＝f(Ih)；得，
输出层第j个神经元的输入为：得，
输出层第j个神经元的输出为：Yj＝f(Ij)；
其中，ωhi为BP神经网络输入层到隐含层算法系数，θi为BP神经网络输入层输出修正系数，ωjh为BP神经网隐含层到输出层算法系数，θj为BP神经网络隐含层输出修正系数。
进一步的，步骤4中，
BP神经网络根据多元电网历史数据样本训练，进行负荷预测期望输出值：Tk＝[d1,d2,…,dm]，所述期望输出值Tk为根据不同历史自然日的输入变量数据，通过BP神经网络算法得到的负荷输出值；
单个样本输出的误差计算公式为：
BP神经网络样本训练的总误差的计算公式为：
进一步的，步骤5中，样本训练达到结束条件的方法为：
BP神经网络样本训练的总误差为E，预设阈值为ε；
若BP神经网络样本训练的总误差E不满足E<ε，则继续进行样本训练，直到BP神经网络样本训练的总误差E满足E<ε；
若BP神经网络样本训练的总误差E满足E<ε，则结束样本训练。
进一步的，样本输入变量中的每个数据相互独立，所有数据之间不具备相关性。
与现有技术相比，本发明具有以下有益效果：
本发明的预测方法基于BP神经网络算法模型，BP神经网络算法模型本身具有较好的泛化性和收敛性，对于负荷预测需要数据量比较大的情况，能够更精确的进行负荷预测；另外本方法中，BP神经网络算法与多元电网数据库中大量数据结合，输入多个与负荷预测有关的数据，为BP神经网络算法计算提供有力的数据支撑，便于提高预测结果的准确性。
附图说明
图1是本发明的一种基于BP神经网络的多元电网负荷预测方法的流程示意框图；
图2是本发明的一种基于BP神经网络的多元电网负荷预测方法中BP神经网络算法示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
请参阅图1，本发明的一种基于BP神经网络的多元电网负荷预测方法，包括以下步骤：
步骤1，从多元电网历史数据库中调用数据，建立BP神经网络样本输入变量数据数组。
发明所述实施例BP神经网络算法模型中采用三个历史自然天的数据，即：历史负荷取预测日前一天负荷值及对应的温度、天气情况、节假日类型数据；历史负荷取预测日前两天负荷值及对应的温度、天气情况、节假日类型数据；历史负荷取预测日前一周同一天负荷值及对应的温度、天气情况、节假日类型数据。多元电网数据库中存储每一天的历史数据，不仅限于上述三个历史自然天的数据。
步骤1具体为：
负荷预测输入变量Xk＝[x1,x2,…,xn]中数据从多元电网数据库中进行调取，多元电网数据库中存储有Xk＝[x1,x2,…,xn]中数据。负荷预测输入变量Xk＝[x1,x2,…,xn]中，每个数据相互独立，所有数据之间不具备相关性。
优选的，负荷预测输入变量Xk＝[x1,x2,…,xn]中：[x1,x2,…,x6]分别是预测日前一天负荷值，以及预测日前一天对应的当日最高温度、当日最低温度、当日平均温度以及当日天气情况、当日节假日类型；[x7,x8,…,x12]分别是预测日前两天负荷值，以及预测日前两天对应的当日最高温度、当日最低温度、当日平均温度以、当日天气情况、当日节假日类型；[x13,x14,…,x18]分别是预测日前一周同一天负荷值，以及预测日前一周同一天对应的当日最高温度、当日最低温度、当日平均温度以、当日天气情况、当日节假日类型；[x19,x20,…,x23]分别是预测日当日最高温度、当日最低温度、当日平均温度以、当日天气情况、当日节假日类型；
负荷预测输入变量Xk＝[x1,x2,…,xn]中，本发明实施例中，n＝23，即输入层神经元个数N＝23。
步骤2，确定BP神经网络模型中隐含层神经元个数。
步骤2具体为：最终负荷预测输出结果为预测日当天预测的负荷值，因此输出层只有一个神经元，即输出层神经元个数M＝1；
隐含层神经元个数即H＝5。
步骤3、计算BP神经网络模型中输出层的输出。
BP神经网络模型中，[x1,x2,…,x23]表示历史负荷、温度、天气情况、节假日类型数据；
BP神经网络模型中，输入层第i个神经元的输出为：Yi＝f(xi)，其中1≤i≤23；
隐含层第h个神经元的输入为：得，
隐含层第h个神经元的输出为：Yh＝f(Ih)；得，
输出层第j个神经元的输入为：得，
输出层第j个神经元的输出为：Yj＝f(Ij)；
其中，ωhi为BP神经网络输入层到隐含层算法系数，θi为BP神经网络输入层输出修正系数，ωjh为BP神经网隐含层到输出层算法系数，θj为BP神经网络隐含层输出修正系数。
步骤4、计算BP神经网络样本训练的单个样本输出误差及所有样本输出总误差。
BP神经网络根据多元电网历史数据样本训练，进行负荷预测期望输出值：Tk＝[d1,d2,…,dm]，所述期望输出值Tk为根据不同历史自然日的输入变量数据，通过BP神经网络算法得到的负荷输出值。
单个样本输出的误差为：
BP神经网络样本训练的总误差：
步骤5、判断样本训练结束条件；根据预测日的实际数据生成测试输入向量，将输入向量输入训练后的BP神经网络模型，输出即为预测的负荷值。
若BP神经网络样本训练的总误差E不满足E<ε，则继续进行样本训练，直到BP神经网络样本训练的总误差E满足E<ε；
若BP神经网络样本训练的总误差E满足E<ε，则结束样本训练，输出层输出值Y预测的负荷值，最终完成预测日当天负荷预测。
实施例：
本发明公开的多元电网短期负荷预测方法，通过BP神经网络算法进行样本训练。
在多元电网中，用电主要集中在工农业生产、邮电、市政交通、商业以及城乡居民生活用电等方面。对用电负荷影响的因素有温度变化、天气变化、日期类型、日时间变化、季节类型、节假日因素等。在负荷预测时，主要从历史负荷数据、温度、节假日、天气变化等因素考虑。
通过BP神经网络进行计算时，考虑影响负荷预测的因素，确定输入变量为：温度、历史负荷值、天气类型、节假日及日时间变化。
本发明公开的多元电网短期负荷预测方法，负荷预测输出是以一个自然天为时间单位输出负荷预测结果，在BP神经网络中，输入值同样以一个自然天为时间单位输入样本训练数值。为了提高BP神经网络算法的精确度，温度分为：日最高温度、日最低温度、日平均温度；历史负荷分为：前一天负荷值、前两天负荷值、前一周同一天负荷值。历史负荷值为负荷预测重要因素，历史负荷值以一个自然天为时间单位，优选的，历史负荷值相对应的同一天日最高温度、日最低温度、日平均温度以及当日天气情况、当日节假日类型同样为。
如图2所示，BP神经网络算法示意图。公知的，BP神经网络算法包括输入层、隐含层和输出层。
BP神经网络算法要想得到较为理想的输出结果，需要进行大量数据及反复的样本训练，通过调用多元电网数据库中所需数据，进行样本训练，能够较为精确的得到输出结果。
BP神经网络中，输入层有N个神经元，第i个输入层神经元用i表示；输出层有M个神经元，第j个输出层神经元用j表示；隐含层有H个神经元，第h个隐含层神经元用h表示。在多元电网中，数据样本大小用K表示。
输入变量数据：Xk＝[x1,x2,…,xn]
实际输出值：Yk＝[y1,y2,…,ym]
期望输出值：Tk＝[d1,d2,…,dm]
BP神经网络根据多元电网历史数据样本训练，进行负荷预测期望输出值：Tk＝[d1,d2,…,dm]，所述期望输出值Tk为根据不同历史自然日的输入变量数据，通过BP神经网络算法得到的负荷输出值。
ε为BP神经网络误差门限。
请参阅图1，一种基于BP神经网络的多元电网负荷预测方法，按如下步骤实现：
步骤一、从多元电网历史数据库中调用数据，建立BP神经网络样本输入变量数据数组；
本发明公开的多元电网短期负荷预测方法，负荷预测输出是以一个自然天为时间单位输出负荷预测结果。
优选的，负荷预测输入变量Xk＝[x1,x2,…,xn]中：[x1,x2,…,x6]分别是预测日前一天负荷值，以及预测日前一天对应的当日最高温度、当日最低温度、当日平均温度以及当日天气情况、当日节假日类型；[x7,x8,…,x12]分别是预测日前两天负荷值，以及预测日前两天对应的当日最高温度、当日最低温度、当日平均温度以、当日天气情况、当日节假日类型；[x13,x14,…,x18]分别是预测日前一周同一天负荷值，以及预测日前一周同一天对应的当日最高温度、当日最低温度、当日平均温度以、当日天气情况、当日节假日类型；[x19,x20,…,x23]分别是预测日当日最高温度、当日最低温度、当日平均温度以、当日天气情况、当日节假日类型。
当日天气情况记录一个自然天主要天气情况，根据负荷预测日实际情况分为晴天、阴天、下雨、下雪。节假日以国家法定为准，与工作日相对，包括周末及其他法定假期，当日节假日类型分为是节假日和不是节假日。
负荷预测输入变量Xk＝[x1,x2,…,xn]中，本发明实施例中，n＝23，即输入层神经元个数N＝23。但本发明所述方法中，不仅限于n＝23。
所述负荷预测输入变量Xk＝[x1,x2,…,xn]中数据从多元电网数据库中进行调取，多元电网数据库中存储有Xk＝[x1,x2,…,xn]中数据。
所述负荷预测输入变量Xk＝[x1,x2,…,xn]中，每个数据相互独立，所有数据之间不具备相关性。
步骤二，确定BP神经网络模型中隐含层神经元个数。
本发明所述方法中，最终输出结果为预测日当天预测的负荷值，因此输出层只有一个神经元，即输出层神经元个数M＝1。
优选的，本发明所述方法中，隐含层神经元个数即H＝5。
步骤三、计算BP神经网络模型中输出层的输出。
BP神经网络模型中，[x1,x2,…,x23]表示历史负荷、温度、天气情况、节假日类型数据。
BP神经网络模型中，输入层第i个神经元的输出为：Yi＝f(xi)，其中1≤i≤23；
隐含层第h个神经元的输入为：得，
隐含层第h个神经元的输出为：Yh＝f(Ih)；得，
输出层第j个神经元的输入为：得，
输出层第j个神经元的输出为：Yj＝f(Ij)。
步骤四、计算BP神经网络样本训练的单个样本输出误差及所有样本输出总误差。
单个样本输出的误差为：
本发明所述方法中，多元电网负荷预测只有一个输出结果，所以M＝1，单个样本输出误差只进行一次计算。
BP神经网络样本训练的总误差：
步骤五、判断样本训练结束条件，输出预测的负荷值。
优选的，通过设定为BP神经网络误差门限ε值，与输出误差进行比较，可以提高结果输出的准确度。
若BP神经网络样本训练的总误差E不满足E<ε，则继续进行样本训练，直到BP神经网络样本训练的总误差E满足E<ε。
若BP神经网络样本训练的总误差E满足E<ε，则结束样本训练，输出层输出值Y预测的负荷值，最终完成预测日当天负荷预测。
为了便于说明，本发明所述实施例BP神经网络算法模型中采用历史负荷、温度、天气情况、节假日类型四种类型数据进行样本训练，多元电网数据库中样本数据类型多，本发明实施例所述方法中不限于上述四种类型的数据。
综上，本发明实施例中的一种基于BP神经网络的多元电网负荷预测方法，通过以下方法实现：从多元电网历史数据库中调用数据，建立BP神经网络样本输入变量数据数组；确定BP神经网络模型中隐含层神经元个数；计算BP神经网络模型中输出层的输出；计算BP神经网络样本训练的单个样本输出误差及所有样本输出总误差；判断样本训练结束条件，输出预测的负荷值。本发明的方法基于BP神经网络模型，具有较好的泛化性和收敛性，更精确的满足实际预测要求。
以上仅是对本发明的优选实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明的主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴，本发明具体的保护范围以权利要求书的记载为准。

Claims (9)

1.一种基于BP神经网络的多元电网负荷预测方法，其特征在于，包括以下步骤：
步骤1，调用多元电网历史数据，确定BP神经网络的样本输入变量；
步骤2，根据步骤1确定的BP神经网络样本输入变量，确定BP神经网络模型中隐含层神经元个数；
步骤3，计算确定BP神经网络模型中输出层的输出；
步骤4，计算BP神经网络样本训练的单个样本输出误差及所有样本输出总误差；
步骤5，将步骤4获得的样本输出总误差与预设阈值比较，直至满足样本收敛结束条件，获得训练后的BP神经网络模型；
步骤6，根据预测日的实际数据生成测试输入量，将测试输入量输入步骤5获得的训练后的BP神经网络模型，输出即为预测的负荷值。
2.根据权利要求1所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，步骤1具体为：从多元电网历史数据库中调用数据，建立BP神经网络样本输入变量数据数组：
负荷预测的输入变量Xk＝[x1,x2,…,xn]；
其中，n的值为6，[x1,x2,…,x6]分别是预测日前一天负荷值，以及预测日前一天的当日最高温度、当日最低温度、当日平均温度、当日天气情况和当日节假日类型。
3.根据权利要求2所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，负荷预测的输入变量Xk＝[x1,x2,…,xn]；
其中，n的值为12，[x7,x8,…,x12]分别是预测日前两天负荷值，以及预测日前两天的当日最高温度、当日最低温度、当日平均温度以、当日天气情况和当日节假日类型。
4.根据权利要求3所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，负荷预测的输入变量Xk＝[x1,x2,…,xn]；
其中，n的值为23，[x13,x14,…,x18]分别是预测日前七天负荷值，以及预测日前七天的当日最高温度、当日最低温度、当日平均温度以、当日天气情况和当日节假日类型；[x19,x20,…,x23]分别是预测日当日最高温度、当日最低温度、当日平均温度以、当日天气情况和当日节假日类型。
5.根据权利要求4所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，步骤2中：
BP神经网络模型中输入层神经元个数N，N的值为n；
负荷预测输出结果为预测日当天预测的负荷值，BP神经网络模型输出层神经元个数M＝1；
BP神经网络模型隐含层神经元个数
6.根据权利要求5所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，步骤3计算BP神经网络模型中输出层的输出具体为：
BP神经网络模型中，输入层第i个神经元的输出为：Yi＝f(xi)，其中1≤i≤23；
隐含层第h个神经元的输入为：得，
隐含层第h个神经元的输出为：Yh＝f(Ih)；得，
输出层第j个神经元的输入为：得，
输出层第j个神经元的输出为：Yj＝f(Ij)；
其中，ωhi为BP神经网络输入层到隐含层算法系数，θi为BP神经网络输入层输出修正系数，ωjh为BP神经网隐含层到输出层算法系数，θj为BP神经网络隐含层输出修正系数。
7.根据权利要求6所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，步骤4中，
BP神经网络根据多元电网历史数据样本训练，进行负荷预测期望输出值：Tk＝[d1,d2,…,dm]，所述期望输出值Tk为根据不同历史自然日的输入变量数据，通过BP神经网络算法得到的负荷输出值；
单个样本输出的误差计算公式为：
BP神经网络样本训练的总误差的计算公式为：
8.根据权利要求1至7中任一项所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，步骤5中，样本训练达到结束条件的方法为：
BP神经网络样本训练的总误差为E，预设阈值为ε；
若BP神经网络样本训练的总误差E不满足E<ε，则继续进行样本训练，直到BP神经网络样本训练的总误差E满足E<ε；
若BP神经网络样本训练的总误差E满足E<ε，则结束样本训练。
9.根据权利要求1所述的一种基于BP神经网络的多元电网负荷预测方法，其特征在于，样本输入变量中的每个数据相互独立，所有数据之间不具备相关性。
CN201811378838.9A 2018-11-19 2018-11-19 一种基于bp神经网络的多元电网负荷预测方法 Pending CN109376950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811378838.9A CN109376950A (zh) 2018-11-19 2018-11-19 一种基于bp神经网络的多元电网负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811378838.9A CN109376950A (zh) 2018-11-19 2018-11-19 一种基于bp神经网络的多元电网负荷预测方法

Publications (1)

Publication Number Publication Date
CN109376950A true CN109376950A (zh) 2019-02-22

Family

ID=65389515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811378838.9A Pending CN109376950A (zh) 2018-11-19 2018-11-19 一种基于bp神经网络的多元电网负荷预测方法

Country Status (1)

Country Link
CN (1) CN109376950A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045317A (zh) * 2019-05-29 2019-07-23 中国电力科学研究院有限公司 一种互感器计量误差在线检测方法及系统
CN110619429A (zh) * 2019-08-31 2019-12-27 广东工业大学 一种基于bp神经网络的短期负荷预测方法
CN110807516A (zh) * 2019-10-31 2020-02-18 西安工程大学 一种驱动器用igbt模块的结温预测方法
CN110880044A (zh) * 2019-10-23 2020-03-13 广东电网有限责任公司 一种基于马尔科夫链的负荷预测方法
CN110942174A (zh) * 2019-10-18 2020-03-31 广东电网有限责任公司 一种适用于功能园区的负荷预测方法
CN110991722A (zh) * 2019-11-26 2020-04-10 广东电网有限责任公司 一种电力负荷预测方法
CN111695731A (zh) * 2020-06-09 2020-09-22 中国电力科学研究院有限公司 基于多源数据和混合神经网络的负荷预测方法、系统及设备
CN112348236A (zh) * 2020-10-23 2021-02-09 浙江八达电子仪表有限公司 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN113112085A (zh) * 2021-04-22 2021-07-13 国网山东省电力公司德州市陵城区供电公司 一种基于bp神经网络的新能源场站发电负荷预测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045317B (zh) * 2019-05-29 2022-10-04 中国电力科学研究院有限公司 一种互感器计量误差在线检测方法及系统
CN110045317A (zh) * 2019-05-29 2019-07-23 中国电力科学研究院有限公司 一种互感器计量误差在线检测方法及系统
CN110619429A (zh) * 2019-08-31 2019-12-27 广东工业大学 一种基于bp神经网络的短期负荷预测方法
CN110942174A (zh) * 2019-10-18 2020-03-31 广东电网有限责任公司 一种适用于功能园区的负荷预测方法
CN110880044A (zh) * 2019-10-23 2020-03-13 广东电网有限责任公司 一种基于马尔科夫链的负荷预测方法
CN110880044B (zh) * 2019-10-23 2023-01-24 广东电网有限责任公司 一种基于马尔科夫链的负荷预测方法
CN110807516A (zh) * 2019-10-31 2020-02-18 西安工程大学 一种驱动器用igbt模块的结温预测方法
CN110991722A (zh) * 2019-11-26 2020-04-10 广东电网有限责任公司 一种电力负荷预测方法
CN111695731A (zh) * 2020-06-09 2020-09-22 中国电力科学研究院有限公司 基于多源数据和混合神经网络的负荷预测方法、系统及设备
CN111695731B (zh) * 2020-06-09 2023-05-02 中国电力科学研究院有限公司 基于多源数据和混合神经网络的负荷预测方法、系统及设备
CN112348236A (zh) * 2020-10-23 2021-02-09 浙江八达电子仪表有限公司 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN112348236B (zh) * 2020-10-23 2023-12-26 浙江八达电子仪表有限公司 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN113112085A (zh) * 2021-04-22 2021-07-13 国网山东省电力公司德州市陵城区供电公司 一种基于bp神经网络的新能源场站发电负荷预测方法

Similar Documents

Publication Publication Date Title
CN109376950A (zh) 一种基于bp神经网络的多元电网负荷预测方法
CN104636822B (zh) 一种基于elman神经网络的居民负荷预测方法
CN109858673A (zh) 一种光伏发电系统功率预测方法
CN110298501A (zh) 基于长短时记忆神经网络的电负荷预测方法
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN112184070B (zh) 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统
CN109146121A (zh) 基于pso-bp模型的停限产情况下的电量预测方法
CN108932557A (zh) 一种基于气温累积效应和灰色关联度的短期负荷预测模型
CN105069525A (zh) 全天候96点日负荷曲线预测及优化修正系统
CN105184678A (zh) 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法
CN102999791A (zh) 一种电力行业中基于客户分群的电力负荷预测方法
CN106650784A (zh) 一种基于特征聚类比较的光伏电站功率预测方法及装置
CN103093285A (zh) 基于人工神经网络的短期负荷预测方法
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
CN105447509A (zh) 一种光伏发电系统的短期功率预测方法
CN104376371B (zh) 一种基于拓扑的配网分层负荷预测方法
CN108038568A (zh) 一种基于粒子群算法的变权组合电力负荷短期预测方法
CN106779219A (zh) 一种用电量预测方法及系统
CN112598195A (zh) 楼宇型综合能源系统运行优化方法、装置及终端设备
CN109325880A (zh) 一种基于Verhulst-SVM的中长期负荷预测方法
CN109034500A (zh) 一种多时序协同的中期电力负荷预测方法
CN110866633A (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
CN111724064A (zh) 一种基于改进免疫算法的含储能配电网规划方法
CN112561252B (zh) 一种含新能源地区电网无功组合评价方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222

RJ01 Rejection of invention patent application after publication