CN110163410B - 一种基于神经网络-时间序列的线损电量预测方法 - Google Patents
一种基于神经网络-时间序列的线损电量预测方法 Download PDFInfo
- Publication number
- CN110163410B CN110163410B CN201910276539.2A CN201910276539A CN110163410B CN 110163410 B CN110163410 B CN 110163410B CN 201910276539 A CN201910276539 A CN 201910276539A CN 110163410 B CN110163410 B CN 110163410B
- Authority
- CN
- China
- Prior art keywords
- neural network
- power consumption
- line loss
- layer
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000001537 neural effect Effects 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
一种基于神经网络‑时间序列的线损电量的预测方法,根据供电量和耗电量关系预测线损电量,线损电量为Pl=PSu‑PSa,其中,Pl为线损电量,PSu为供电量,PSa为耗电量。计算耗电量的步骤包括:步骤1,建立源数据库,采集并存储用户历史耗电量历史数据;步骤2,构建BP神经网络‑时间序列耗电量预测模型,并初始化BP神经网络的参数;步骤3,输入用户历史耗电量数据及影响因素数据,训练所述BP神经网络‑时间序列耗电量预测模型,得到经训练的BP神经网络‑时间序列耗电量预测模型;步骤4,通过所述经训练的BP神经网络‑时间序列耗电量预测模型进行耗电量预测。以上提高了电力源数据的利用率,确保了耗电量预测的准确度,从而提高线损预测的完整性和质量。
Description
技术领域
本发明属于配电技术领域,尤其涉及一种基于神经网络-时间序列的线损电量预测方法。
背景技术
随着经济社会的发展,电能作为主要的动力能源在国民经济的各行各业发挥了重要作用。智能电网的发展给线损带来了全新的挑战。当前线损电量预测工作中所应用到的数学方法有:经典预测方法、传统预测方法、现代新型预测方法。经典预测常用的方法主要有:专家预测法、综合用电水平法、单耗法、弹性系数法、负荷密度法、平均增长率法、类比法、指数平滑法等。传统预测方法,主要有回归分析法、时间序列法、趋势外推法、灰色理论等。以上方法优点是计算便捷、简单,可以依赖工作经验或简单的数学推理对线损电量值做出初步预测,缺点是缺乏数学理论支持,应用范围小,不能拟合出曲线规律以外的变化趋势。
而当前线损量预测存在电量预测大数据利用率不高、预测的准确性和预测所需数据的关联度不高等情况下,导致预测的准确度不高的问题。可以通过转向预测耗电量数据以及其他一些简便操作达到预测线损的目标。为了提高电力预测源数据利用率,确保耗电量预测的准确度,提高线损预测的完整性和质量,急需提出一种适合于耗电量数据的线损电量预测方法。首先需要分析现有预测方法以及用户用电的特点,提供一种建立高效的数据存储与计算模型,挖掘出与耗电量可能的相关因素,并对其进行准确预测,在此基础上实现一种适合耗电量预测的方法。
发明内容
基于此,为克服上述问题,能有效实现建立高效的数据存储与计算模型,提升算法的收敛速度,提高训练的效率,本发明提出一种基于神经网络-时间序列的线损电量预测方法,包括根据供电量和耗电量关系预测线损电量,其中,线损电量为Pl=PSu-PSa,Pl为线损电量,PSu为供电量,PSa为耗电量,耗电量PSa基于神经网络-时间序列预测得到,包括:步骤1,建立历史信息源数据库,采集并存储用户耗电量历史数据以及影响因素历史数据;步骤2,构建BP神经网络-时间序列耗电量预测模型,并初始化BP神经网络-时间序列耗电量预测模型的参数,其中所述BP神经网络-时间序列耗电量预测模型的参数包括神经网络各层连接权值;步骤3,输入用户耗电量历史数据以及影响因素历史数据,训练所述BP神经网络-时间序列耗电量预测模型,得到经训练的BP神经网络-时间序列耗电量预测模型;步骤4,通过所述经训练的BP神经网络-时间序列耗电量预测模型进行耗电量预测。
本发明还提供了,所述步骤3包括:步骤31:根据时间序列将输入的用户耗电量历史数据以及影响因素历史数据切分成多个基于时间序列的数据子集,并存储到分布式文件系统中;步骤32:使用并行的神经网络算法对BP神经网络的各层连接权值进行全局寻优,得到优化的神经网络各层连接权值的初始值;步骤33:基于所述多个基于时间序列的数据子集分别建立各个计算节点上的各自的神经网络结构,并均采用优化后的网络各层连接权值的初始值;步骤34:使用并行的BP神经网络算法对各个所述基于时间序列的数据子集进行迭代训练,得到各个计算节点上的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
进一步地,本发明还提供了一种基于神经网络-时间序列的耗电量预测方法,包括:步骤1,建立历史信息源数据库,采集并存储用户历史耗电量数据和影响因素数据;步骤2,构建BP神经网络-时间序列耗电量预测模型,并初始化BP神经网络的参数;步骤3,输入用户历史耗电量数据及影响因素数据,训练所述BP神经网络-时间序列耗电量预测模型,得到经训练的BP神经网络-时间序列耗电量预测模型;步骤4,通过所述经训练的BP神经网络-时间序列耗电量预测模型进行耗电量预测。
进一步地,本发明还提供了一种计算机存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现上述的方法。
进一步地,本发明还提供了一种计算系统,包括:存储器和处理器;所述存储器存储有适于所述处理器执行的程序,以实现上述的方法的步骤。
进一步可选地,本发明还提供了,其中,所述步骤3包括:步骤31:对数据预处理并进行数据集切分,将全局训练集切分成多个子集,存储到分布式文件系统中;步骤32:使用并行的神经网络算法对BP神经网络的权值进行全局寻优,得到优化的网络初始权值;步骤33:在各计算节点上均采用优化后的网络初始权值并分别建立各自的神经网络结构;步骤34:使用并行的BP神经网络算法对原始训练数据集进行迭代训练,得到经训练的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
进一步可选地,本发明还提供了,其中,所述步骤34包括:步骤341:在驱动进程中读取网络初始权值,并广播到每个计算节点;步骤342:在每个计算节点上用所述初始权值实例化一个神经网络结构;步骤343:在每个计算节点上使用批量训练的模式将部分样本作用于神经网络上,进行预定次数的迭代后输出神经网络权值;步骤344:综合各个节点的输出的网络权值获得新的综合网络权值,并根据所述综合网络权值的调整量决定是否进行再次迭代;步骤345:输出训练后的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
进一步可选地,本发明还提供了,其中,所述BP神经网络的各层之间的权值、阈值按照如下步骤确定:(1)网络初始化,确定网络输入层节点数n,隐含层节点数l,输出层节点数m,输入层与隐含层连接权值ωij,隐含层与输出层神经元之间的连接权值ω‘jk,隐含层阈值a=[a1,a2,…,ai],输出层阈值b=[b1,b2,…,bm];(2)计算隐含层输出hj:其中j=1,2,…,l,f为隐含层激励函数,χi为第i个输入节点变量;(3)计算输出层输出ok:其中,k=1,2,…,m,在预测第k+m个数据时,将第k个数据的预测值即ok作为神经网络的一个输入,即为时间序列算法和神经网络算法的结合之处;(4)进行权值更新,其中,ωij(t+1)=ωij(t)+η*[(1-β)*D(t)+β*D(t-1)],i=1,2,…,n,ω′jk(t+1)=ω′jk(t)+η*[(1-β)*D′(t)+β*D′(t-1)],其中,η为学习速率,η>0, β为动量因子,0≤β<1;(5)进行阈值更新,根据网络输出ok和期望输出yk之间的误差更新aj、bk。
进一步可选地,本发明还提供了,其中,还包括,步骤5,对比预测结果与实际电量的误差是否达到可接受范围,若达到则训练和预测完成,否则回跳执行步骤3。
进一步可选地,本发明还提供了,其中,根据所预测的线损电量P1和耗电量PSu计算线损率Lr,其中,Lr=P1/Psa。进一步可选地,根据所述线损率对得到异常线损电量进行修正。
通过本发明提供的方法和系统,从而解决了利用大数据利用率不高、耗电量预测的准确性和预测所需数据的关联度不高等情况下,导致预测的准确度不高的技术问题。通过提供一种建立高效的数据存储与计算模型,挖掘出与耗电量可能的相关因素,并对其进行准确预测。在训练过程中,各个阶段都可以多节点并行处理,大大提升BP神经网络的收敛速度,提高训练的效率。从而提高电力预测源数据利用率,确保耗电量预测的准确度,提高线损预测的完整性和质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明的一种基于神经网络-时间序列的线损电量预测方法的示例性流程图;
图2是根据本发明的一种基于神经网络-时间序列的线损电量预测方法另一个的示例性流程图;
图3是根据本发明的建立的BP神经网络-时间序列的耗电量训练模型示例性结构图;
图4A是根据本发明采用的并行化BP神经网络训练的示例性流程图;
图4B是根据本发明采用的BP神经网络训练的并行化处理的示例性示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,将结合附图对本发明作进一步可选地详细描述。这种描述是通过示例而非限制的方式介绍了与本发明的原理相一致的具体实施方式,这些实施方式的描述是足够详细的,以使得本领域技术人员能够实践本发明,在不脱离本发明的范围和精神的情况下可以使用其他实施方式并且可以改变和/或替换各要素的结构。因此,不应当从限制性意义上来理解以下的详细描述。为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
下面结合附图和实施例对本发明的技术方案作进一步的说明。
BP神经网络(black propagation)是1986年由D.E.Rumelhart和J.L.McClelland提出的一种利用误差反向传播训练算法的神经网络。本发明基于大数据平台的BP神经网络并行化方法,通过采用spark并行编程对BP神经网络的权值进行全局进化迅游,经过一定次数的迭代后,得到优化的神经网络初始权值,在使用并行的BP神经网络算法进行迭代,最终输出网络结构。在训练过程中,各个阶段都可以多节点并行处理,大大提升BP神经网络的收敛速度,提高训练的效率。
基于此,本发明提供了一种解决方案,如附图1所述,图1示出了根据本发明的一种基于神经网络-时间序列的线损电量预测方法的示例性流程图,包括根据供电量和耗电量关系预测线损电量,其中,线损电量为Pl=PSu-PSa,Pl为线损电量,PSu为供电量,PSa为耗电量,其中耗电量通过以下步骤得到:
步骤1,建立源数据库,采集并存储用户历史耗电量数据和耗电量历史数据。
在一些实施例中,采用用户利用用电数据包括按不同周期采集用户历史耗电量数据,例如按年度,按季度,按月或按天。相应地,采集耗电量历史数据包括按不同周期采集耗电量历史数据,例如按年度,按季度,按月或按天,等等。
在一些实施例中,源数据库还采集影响因素数据,如主电网运行数据,微电网运行数据,电力区域数据,天气数据包括风力/温度/光照等。
在一些实施例中,源数据库采用大数据平台的数据存储,负责进行大数据的存储,针对全数据类型和多样计算需求,以海量规模存储、快速查询读取为特征,存储来自外部数据源的各类数据,支撑数据处理层的高级应用。通常情况下,非结构化数据存储在分布式文件系统中,半结构化数据采用列式数据库或键值数据库,结构化数据采用行式存储数据库存储,实时性高、计算性能要求高的数据存储在内存数据库或实时数据库。
步骤2,构建BP神经网络-时间序列耗电量预测模型,并初始化BP神经网络的参数。
步骤3,输入用户历史耗电量数据及影响因素数据,训练所述BP神经网络-时间序列耗电量预测模型,得到经训练的BP神经网络-时间序列耗电量预测模型。
步骤4,通过所述经训练的BP神经网络-时间序列耗电量预测模型进行耗电量预测。
在一些实施例中,如附图2所示,提供了一种基于神经网络-时间序列的线损电量的预测方法的另一种方法,其除了上面的4个步骤外还包括:
步骤5,对比预测结果与实际电量的误差是否达到可接受范围,若达到则训练和预测完成,否则回跳执行步骤3。
如附图3所示,图3示出了根据本发明的建立的BP神经网络-时间序列的耗电量训练模型示例性结构图。由于耗电量具有不确定性、复杂性、条件性和多方案性的特点,若要从本质上提高耗电量预测的精度,则需综合考虑多种影响因素。现有的算法有的从历史耗电量数据的自身规律进行预测和分析,忽略了其他因素对耗电量的影响;有的对影响因素的选取较为主观且复杂,可操作性和实用性不高。针对上述问题,本发明结合时间序列算法和神经网络模型进行耗电量预测,应用时间序列典型分解法提取样本耗电量序列中的趋势成分和周期性成分,并将影响耗电量主要因素作为BP神经网络输入,根据预测耗电量计算线损率,实现了对异常线损的修正。为了充分考虑耗电量的多种影响因素,提高耗电量预测精度,本发明把蚁群算法、BP神经网络和时间序列相结合来进行耗电量预测。
在一些实施例中,步骤4还包括根据供电量和耗电量关系预测线损电量,线损电量为
Pl=PSu-PSa,其中,Pl为线损电量,PSu为供电量,PSa为耗电量。
可知,当日供电量已知时,通过预测日耗电量,则可计算日线损电量,通过BP神经网络-时间序列模型预测耗电量后,根据上式得到线损电量P1。
在一些实施例中,结合线损率计算公式:Lr=P1/PSu,即可得到该区域该日线损率Lr。
在一些实施例中,还可以根据所述线损率对得到异常线损电量进行修正。
在一些实施例中,如图4A所示,图4A是根据本发明采用的并行化BP神经网络训练的示例性流程图,所述步骤3包括:
步骤31:对数据预处理并进行数据集切分,将全局训练集切分成多个子集,存储到分布式文件系统中;
步骤32:使用并行的神经网络算法对BP神经网络的权值进行全局寻优,得到优化的网络初始权值;
步骤33:在各计算节点上均采用优化后的网络初始权值并分别建立各自的神经网络结构;
步骤34:使用并行的BP神经网络算法对原始训练数据集进行迭代训练,得到经训练的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
在一些实施例中,如附图4B所示,图4B是根据本发明采用的BP神经网络训练的并行化处理的示例性示意图,所述步骤34包括:
步骤341:在驱动进程中读取网络初始权值,并广播到每个计算节点;
步骤342:在每个计算节点上用所述初始权值实例化一个神经网络结构;
步骤343:在每个计算节点上使用批量训练的模式将部分样本作用于神经网络上,进行预定次数的迭代后输出神经网络权值;
步骤344:综合各个节点的输出的网络权值获得新的综合网络权值,并根据所述综合网络权值的调整量决定是否进行再次迭代;
步骤345:输出训练后的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
在一些实施例中,采用蚁群算法求解BP神经网络权值及阈值。蚁群算法用于优化BP神经网络的权值、阈值,然后将这一组解带入神经网络进行细致优化,从而得到最优的权值和阈值,以使线损预测结果更加准确、可靠。
假设神经网络中有m个即将优化的参数,把参数按顺序排列,记成p1,p2,…,pm,针对其中任意的一个参数,初始化为N个任意的非零值,构成集合Ipi。存在蚂蚁数量S,所有蚂蚁从首个集合随机挑选元素出发,根据集合中每个元素的信息素状态,随机地从每个集合Ipi中选择一个元素,并对所选元素的信息素做相应调节。当蚂蚁在所有集合中完成元素的选择后,它就到达到了食物源,并沿着刚走过的路径返回蚁巢,同时调节集合中所选元素的信息素。这一过程反复进行,当全部蚂蚁收敛到同一路径时,找到食物后返回蚁穴整理搜集信息,重复该步骤当所有蚂蚁都收集到同一条路线,即表示找到了该网络的最优解。
在一些实施例中,所述BP神经网络的各层之间的权值、阈值按照如下步骤确定:
(1)网络初始化,确定网络输入层节点数n,隐含层节点数l,输出层节点数m,输入层与隐含层连接权值ωij,隐含层与输出层神经元之间的连接权值ω‘jk,隐含层阈值a=[a1,a2,…,ai],输出层阈值b=[b1,b2,…,bm];
(2)计算隐含层输出hj:
(3)计算输出层输出ok:
在预测第k+m个数据时,将第k个数据的预测值即ok作为神经网络的一个输入,即为时间序列算法和神经网络算法的结合之处;
(4)进行权值更新,其中,
ωij(t+1)=ωij(t)+η*[(1-β)*D(t)+β*D(t-1)],i=1,2,…,n,
ω′jk(t+1)=ω′jk(t)+η*[(1-β)*D′(t)+β*D′(t-1)],
(5)进行阈值更新,根据网络输出ok和期望输出yk之间的误差更新aj、bk。
在一些实施例中,本发明还提供了一种基于神经网络-时间序列的线损电量预测方法。其包括根据供电量和耗电量关系预测线损电量,线损电量为Pl=PSu-PSa,其中,Pl为线损电量,PSu为供电量,PSa为耗电量,所述耗电量PSa采用如本发明的基于神经网络-时间序列的耗电量预测方法的计算预测得到。
在一些实施例中,本发明还提供了一种计算机存储介质,其存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述的方法。计算机介质指的是能存储信息的任意物质,包括不限于各种ROM、RAM、机械存储器、固体存储器、便携式存储器等等。
在一些实施例中,本发明还提供了一种计算系统,包括:存储器和处理器;所述存储器存储有适于所述处理器执行的程序,以实现所述的方法的步骤。
在一些实施例中,根据本发明的方法采用大数据平台上执行运行。大数据平台为业务系统大数据应用开发、运行提供统一的平台支撑。其总体架构包括数据整合、数据存储、数据计算、数据分析、平台服务、安全管理、配置管理等模块,并提供各种形式的服务对业务应用提供支撑。
在一些实施例中,在线损预测应用中,主要用到大数据平台的数据存储、数据计算、数据分析以及安全模块。
在一些实施例中,大数据平台的数据存储负责进行大数据的存储,针对全数据类型和多样计算需求,以海量规模存储、快速查询读取为特征,存储来自外部数据源的各类数据,支撑数据处理层的高级应用。通常情况下,非结构化数据存储在分布式文件系统中,半结构化数据采用列式数据库或键值数据库,结构化数据采用行式存储数据库存储,实时性高、计算性能要求高的数据存储在内存数据库或实时数据库。
在一些实施例中,大数据平台的数据计算对多样化的大数据提供流计算、批量计算、内存计算、查询计算等计算功能,允许对分布式存储的数据文件或内存数据进行查询和计算。通过流计算技术提供实时分析处理的计算能力,实现实时决策、预警等。通过离线计算提供落地数据的计算能力,实现数据的批量处理。
在一些实施例中,大数据平台的数据分析对多样化的大数据进行加工、处理、分析、挖掘,产生新的业务价值,发现业务发展方向,提供业务决策依据。
在一些实施例中,大数据平台的安全解决从大数据环境下的数据采集、存储、分析、应用等过程中产生的诸如身份验证、授权过程和输入验证等大量安全问题。由于在数据分析、挖掘过程中涉及企业各业务的核心数据,防止数据泄露,控制访问权限等安全措施在大数据应用中尤为关键。
综上所述,基于大数据平台的BP神经网络并行化方法,通过采用spark并行编程对BP神经网络的权值进行全局进化优化,经过一定次数的迭代后,得到优化的神经网络初始权值,在使用并行的BP神经网络算法进行迭代,最终输出网络结构。在训练过程中,各个阶段都可以多节点并行处理,大大提升BP神经网络的收敛速度,提高训练的效率。从而提高电力预测源数据利用率,确保耗电量预测的准确度,提高线损预测的完整性和质量。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
此外,根据公开的本发明的说明书,本发明的其他实现对于本领域的技术人员是明显的。实施方式和/或实施方式的各个方面可以单独或者以任何组合用于本发明的系统和方法中。说明书和其中的示例应该是仅仅看作示例性,本发明的实际范围和精神由所附权利要求书表示。
Claims (10)
1.一种基于BP神经网络-时间序列的线损电量预测方法,包括根据供电量和耗电量关系预测线损电量,其中,线损电量为Pl=PSu-PSa,Pl为线损电量,PSu为供电量,PSa为耗电量,其特征在于,耗电量PSa基于BP神经网络-时间序列预测得到,包括:
步骤1,建立历史信息源数据库,采集并存储用户耗电量历史数据以及影响因素历史数据;
步骤2,构建BP神经网络-时间序列耗电量预测模型,并初始化BP神经网络-时间序列耗电量预测模型的参数;
步骤3,输入用户耗电量历史数据以及影响因素历史数据,训练所述BP神经网络-时间序列耗电量预测模型,得到经训练的BP神经网络-时间序列耗电量预测模型;
步骤4,通过所述经训练的BP神经网络-时间序列耗电量预测模型进行耗电量预测;
其中,所述步骤3包括:
步骤31:根据时间序列将输入的用户耗电量历史数据以及影响因素历史数据切分成多个基于时间序列的数据子集,并存储到分布式文件系统中;
步骤32:使用并行的神经网络算法对BP神经网络的各层连接权值进行全局寻优,得到优化的神经网络各层连接权值的初始值;
步骤33:基于所述多个基于时间序列的数据子集分别建立各个计算节点上的各自的神经网络结构,并均采用优化后的网络各层连接权值的初始值;
步骤34:使用并行的BP神经网络算法对各个所述基于时间序列的数据子集进行迭代训练,得到各个计算节点上的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
2.如权利要求1所述的方法,其特征在于,其中,所述步骤34包括:
步骤341:读取所述优化后的网络各层连接权值的初始值,并广播到每个计算节点;
步骤342:在每个计算节点上用所述优化后的网络各层连接权值的初始值均实例化一个神经网络结构;
步骤343:在每个计算节点上使用批量训练的模式将多个所述基于时间序列的数据子集作用于神经网络上,进行预定次数的迭代后输出每个计算节点的神经网络各层连接权值;
步骤344:根据各个计算节点的输出的神经网络各层连接权值获得网络综合连接权值,并根据所述网络综合连接权值的调整量决定是否进行再次迭代;
步骤345:输出训练后的各个节点的神经网络结构,从而得到经训练的BP神经网络-时间序列耗电量预测模型。
3.如权利要求2所述的方法,其特征在于,其中,所述BP神经网络-时间序列耗电量预测模型包括输入层、隐含层和输出层;输入层节点数为n,隐含层节点数为l,输出层节点数为m,输入层与隐含层连接权值为ωij,隐含层与输出层神经元之间的连接权值为ω′jk,隐含层阈值为a=[a1,a2,…,ai],输出层阈值为b=[b1,b2,…,bm],aj为第j个隐含层节点的隐含层阈值,bk是第k个输出层节点的输出层阈值;
ωij(t+1)=ωij(t)+η*[(1-β)*D(t)+β*D(t-1)],i=1,2,…,n,
ω′jk(t+1)=ω′jk(t)+η*[(1-β)*D′(t)+β*D′(t-1)],
其中t为时间序列数,J为输入层函数,η为学习速率,η>0,β为动量因子,0≤β<1。
4.如权利要求3所述的方法,其特征在于,所述BP神经网络的隐含层阈值为a=[a1,a2,…,ai],输出层阈值为b=[b1,b2,…,bm],根据输出层输出ok和期望输出yk之间的误差更新aj、bk。
5.根据权利要求1-3任一项所述的方法,其特征在于,还包括,
步骤5,对比预测结果与实际电量的误差是否达到可接受范围,若达到则训练和预测完成,否则回跳执行步骤3。
6.根据权利要求1-3任一项所述的方法,其特征在于,其中还包括,根据所预测的线损电量P1和耗电量PSu计算线损率Lr,其中,Lr=P1/Psa。
7.根据权利要求6所述的方法,其特征在于,其中根据所述线损率对得到异常线损电量进行修正。
8.根据权利要求1-3任一项所述的方法,其特征在于,其中,所述基于神经网络-时间序列的线损电量预测在大数据平台上执行。
9.一种计算机存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-3任一项所述的方法。
10.一种计算系统,包括:存储器和处理器;所述存储器存储有适于所述处理器执行的程序,以实现权利要求1-3任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910276539.2A CN110163410B (zh) | 2019-04-08 | 2019-04-08 | 一种基于神经网络-时间序列的线损电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910276539.2A CN110163410B (zh) | 2019-04-08 | 2019-04-08 | 一种基于神经网络-时间序列的线损电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163410A CN110163410A (zh) | 2019-08-23 |
CN110163410B true CN110163410B (zh) | 2021-08-24 |
Family
ID=67639257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910276539.2A Active CN110163410B (zh) | 2019-04-08 | 2019-04-08 | 一种基于神经网络-时间序列的线损电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163410B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659779B (zh) * | 2019-09-26 | 2022-06-10 | 国网湖南省电力有限公司 | 一种基于长短期记忆网络的配电系统网损预测方法 |
CN111369046A (zh) * | 2020-02-29 | 2020-07-03 | 上海电力大学 | 一种基于灰色神经网络的风光互补功率预测方法 |
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 |
CN112419092A (zh) * | 2020-11-26 | 2021-02-26 | 北京科东电力控制系统有限责任公司 | 一种基于粒子群优化极限学习机的线损预测方法 |
CN113505950A (zh) * | 2021-03-31 | 2021-10-15 | 国网山西省电力公司吕梁供电公司 | 一种考虑主配网协调的城市电网规划方法 |
CN113128111A (zh) * | 2021-04-12 | 2021-07-16 | 中国南方电网有限责任公司超高压输电公司昆明局 | 特高压电路中运行参数的诊断方法及诊断装置 |
CN115219853B (zh) * | 2022-09-20 | 2023-01-20 | 北京智盟信通科技有限公司 | 风电场集电线路故障预警处理方法及系统 |
CN115600414B (zh) * | 2022-10-24 | 2023-04-18 | 中国电力科学研究院有限公司 | 一种基于ai算法的电能表运行误差求解方法及装置 |
CN116976701B (zh) * | 2023-08-01 | 2024-03-19 | 浙江稳山电气科技有限公司 | 一种电网线损水平的智能估测方法及系统 |
CN116703368B (zh) * | 2023-08-08 | 2023-10-13 | 国网信通亿力科技有限责任公司 | 基于数据挖掘的同期线损智能闭环监测方法 |
CN116992265B (zh) * | 2023-09-22 | 2024-01-09 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447203A (zh) * | 2013-04-08 | 2017-02-22 | 江苏理工学院 | 一种工业企业供配电网节能评估方法 |
CN105678407A (zh) * | 2015-12-31 | 2016-06-15 | 国网上海市电力公司 | 一种基于人工神经网络的日用电量预测方法 |
CN107330248B (zh) * | 2017-06-08 | 2020-06-19 | 华南理工大学 | 一种基于改进型神经网络的短期风功率预测方法 |
CN108694467B (zh) * | 2018-05-22 | 2021-02-05 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
CN108846517B (zh) * | 2018-06-12 | 2021-03-16 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN109377409A (zh) * | 2018-09-29 | 2019-02-22 | 重庆大学 | 一种基于bp神经网络的用户用电异常行为检测方法 |
CN109359847A (zh) * | 2018-10-08 | 2019-02-19 | 国网福建省电力有限公司电力科学研究院 | 一种配电网线损影响因素的定量分析方法 |
-
2019
- 2019-04-08 CN CN201910276539.2A patent/CN110163410B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110163410A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163410B (zh) | 一种基于神经网络-时间序列的线损电量预测方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
Mi et al. | Short‐term power load forecasting method based on improved exponential smoothing grey model | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
CN116596044A (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN115983485A (zh) | 一种发电厂碳排放的预测方法及系统 | |
Sun et al. | Spatiotemporal wind power forecasting approach based on multi-factor extraction method and an indirect strategy | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Pandu et al. | Artificial Intelligence Based Solar Radiation Predictive Model Using Weather Forecasts. | |
Zhu | Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis | |
Qi et al. | Optimal scheduling in IoT-driven smart isolated microgrids based on deep reinforcement learning | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN111027709B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113962454A (zh) | 基于双重特征选择+粒子群优化的lstm能耗预测方法 | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
Mallela et al. | Rainfall Prediction Based on Spatial Attention Layer: A Case Study Analysis. |
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 |