CN110222888A - 一种基于bp神经网络的日平均电力负荷预测方法 - Google Patents

一种基于bp神经网络的日平均电力负荷预测方法 Download PDF

Info

Publication number
CN110222888A
CN110222888A CN201910456034.4A CN201910456034A CN110222888A CN 110222888 A CN110222888 A CN 110222888A CN 201910456034 A CN201910456034 A CN 201910456034A CN 110222888 A CN110222888 A CN 110222888A
Authority
CN
China
Prior art keywords
day
prediction
history
similarity
neural network
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
CN201910456034.4A
Other languages
English (en)
Inventor
焦丰顺
李铎
李宝华
张瑞锋
陈掀
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201910456034.4A priority Critical patent/CN110222888A/zh
Publication of CN110222888A publication Critical patent/CN110222888A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于BP神经网络的日平均电力负荷预测方法，该方法包括如下步骤：获取预测日的多个主要气象因素对应的数值和预测日日期；根据预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据；将用于训练的历史日数据输入BP神经网络，并对BP神经网络进行优化，获得优化后的BP神经网络模型；将预测日的所述主要气象因素以及预测日日期输入所述优化后的BP神经网络模型中，计算获得预测日的电力负荷。本发明使用相似日算法来获得训练数据，在保证预测精度的前提下加速网络的训练，同时通过使用遗传算法优化BP神经网络的权值，避免了BP神经网络在随机初始化中陷入局部极小值，难于收敛等问题，提高模型预测精度。

Description

一种基于BP神经网络的日平均电力负荷预测方法
技术领域
本发明涉及电力负荷预测技术领域，尤其涉及一种基于BP神经网络的日平均电力负荷预测方法。
背景技术
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。BP神经网络采用监督学习的方式，误差反向传播进行学习，其结构具有一层或多层隐含层，包含输入层、隐含层和输出层。其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，对于只含一个隐层的神经网络模型：BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
基于相似日的优化BP神经网络的负荷预测框架，是在BP神经网络的基础上进行建模的，因为BP神经网络对多变量、大数据量和非线性的问题能有效的解决。但其存在的大数据下收敛速度慢、随机初始化参数容易陷入局部极小值等问题。
发明内容
本发明所要解决的技术问题在于，提供一种基于BP神经网络的日平均电力负荷预测方法，以解决现有技术中没有结合气象、日期类型以及时间距离等因素对负荷预测的影响，以及BP神经网络存在的收敛速度慢，容易陷入局部极小值的缺点。
为了解决上述技术问题，本发明提供一种基于BP神经网络的日平均电力负荷预测方法，该方法包括如下步骤：
获取预测日的多个主要气象因素对应的数值和预测日日期，其中所述主要气象因素通过分析气象因素对历史负荷的影响大小而获得；
根据所述预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据；
将用于训练的历史日数据输入BP神经网络，并对所述BP神经网络进行优化，获得优化后的BP神经网络模型；
将所述预测日的所述主要气象因素以及预测日日期输入所述优化后的BP神经网络模型中，计算获得预测日的电力负荷。
其中，所述根据所述预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据具体包括：
根据所述预测日的多个主要气象因素计算预测日和历史日之间的气象因素相似度；
根据历史日和预测日的日期类型计算预测日和所述历史日之间的日期类型相似度；
计算预测日和历史日之间的时间距离相似度，所述时间距离指预测日与历史日相距时间的大小；
根据所述气象因素相似度、日期类型相似度以及时间距离相似度从所述历史日数据中选取用于负荷预测模型训练的历史日；
其中，通过分析气象因素对历史负荷的影响大小而获得多个主要气象因素具体包括：
对历史日数据矩阵进行归一化处理，获得历史日数据的归一化矩阵，其中历史日数据矩阵的数值mij表示第i个历史日的第j个气象因素的权重值，i∈n,j∈m，n为历史日的天数，m为气象因素的个数；
计算每个气象因素的熵值，根据所述熵值计算每个气象因素的权重值，
根据所述每个气象因素的权重值选择设定个数的权重值相对大的气象因素为主要气象因素。
其中，所述根据所述预测日的多个主要气象因素计算预测日和历史日之间的气象因素相似度具体包括：
依次计算每个历史日的气象因素的权重值与预测日对应因素的权重值的绝对差值；
根据所述绝对差值计算每一所述气象因素的相似度系数；
根据所述相似度系数计算预测日和历史日的气象因素相似度。
其中，所述计算预测日和所述历史日之间的日期类型相似度具体包括：
根据日期因素对负荷值的影响，将日期分为工作日、星期六、星期日以及除星期六、星期天之外的节假日四种日期类型，并获得每一日期类型的量化值；
获取每一个历史日的日期类型以及对应的量化值，获取预测日的日期类型以及对应的量化值；
根据每一所述历史日的量化值以及预测日的量化值计算每一所述历史日与所述预测日的日期相似度。
其中，采用下式计算每一所述历史日与所述预测日的日期相似度
R(i，1)＝1-|f(Xi)-f(X0)|，i＝1，2，…，n
其中，R(i,1)为第i个历史日与预测日的日期相似度，Xi和X0分别表示第i个历史日和预测日的日期类型，f(Xi)表示第i个历史日的量化值，f(X0)表示预测日的量化值，n为历史日的天数。
其中，所述计算预测日和历史日之间的时间距离相似度具体包括：
计算每个历史日距离预测日的天数；
判断每一个历史日与预测日是否是在同一年；
分别设置历史日与预测日距离间隔在一日内、一周内以及一年内的相似缩减比例；
采用下式计算预测日与第i个历史日的时间距离相似度：
其中，D(i，1)为第i个历史日与预测其的时间距离相似度，ti是第i个历史日距离预测日的天数，sli表示预测日与历史日是否在同一年，若是，则sli为0，否则sli为1，β1表示预测日与历史相隔一天的衰减系数，β2表示预测日与历史相隔一周的衰减系数，β3表示预测日与历史日相隔一年的衰减系数，N1、N2和N3均为常数。
其中，根据所述气象因素相似度、星期因子相似度以及时间距离相似度从所述历史负荷数据中选取负荷预测模型的训练数据具体包括：
根据所述气象因素相似度、日期类型相似度以及时间距离相似度计算预测日与历史日之间的综合相似度；
将综合相似度按照从大到小的顺序排序，选取与预测日综合相似度大于设定值的历史日作为相似日，将相似日的历史数据作为预测模型的训练数据。
其中，采用下式计算预测日与历史日之间的综合相似度：
S(i,1)＝＝P(i,1)R(i,1)D(i,1),i＝1,2,...,n
其中，S(i，1)为历史日与预测日之间的综合相似度，P(i，1)为预测日和历史日气象因素相似度，R(i，1)为历史日与预测日的日期相似度，D(i，1)为历史日与预测日的时间距离相似度。
其中，所述将用于训练的历史日数据输入输入BP神经网络，并对所述BP神经网络进行优化，获得优化后的BP神经网络模型具体包括：
将用于训练的历史日数据输入到BP神经网络中，确定神经元的初始权值的编码长度，对神经网络的初始权值进行编码并随机产生初始种群，根据遗传算法适应度函数计算个体适应度值，并循环进行选择、交叉、变异操作，选择遗传算法自适应度函数最大的个体作为最优个体，解析出神经元的权值；
其中，遗传算法适应度函数为：
si为BP神经网络中隐含层的第i个神经元的输入，y1i为隐含层中第i个神经元的输出，n为输入神经元个数，xj是输入神经元，s1为隐含层神经元个数，f1是隐含层激活函数，ω1ij是输入层与隐含层之间的权重值，y2k为输出层第k个神经元的输出，s2为输出层的神经元个数，Ex为遗传算法适应度函数，tk为神经网络的期望输出。
本发明实施例的有益效果在于：本发明实施例的基于BP神经网络的日平均电力负荷预测方法，在通过分析历史日与预测日的气象相似度、日期类型相似度以及时间距离相似度的基础之上获得预测模型的训练集，并通过遗传算法对BP神经网络进行优化，采用优化后的BP神经网络进行预测日的电力负荷预测，本发明使用相似日算法来查找相似度比较大的历史负荷日作为训练数据，在保证预测精度的前提下加速网络的训练，同时通过使用遗传算法优化BP神经网络的权值，避免了BP神经网络在随机初始化中陷入局部极小值，难于收敛等问题，提高模型预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于BP神经网络的日平均负荷预测方法的流程示意图。
图2是本发明实施例的一种基于BP神经网络的日平均负荷预测方法的BP神经网络算法的流程示意图。
图3是本发明实施例的一种基于BP神经网络的日平均负荷预测方法的神经网络算法的神经元的流程示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
以下参照图1进行说明，本发明实施例一提供一种基于BP神经网络的日平均电力负荷预测方法，该方法包括如下步骤：
S1、获取预测日的多个主要气象因素对应的数值和预测日日期，其中所述主要气象因素通过分析气象因素对历史负荷的影响大小而获得。
使用熵权值法分析和计算历史负荷数据受设定的12种气象因素影响的权重值，比较选择8种影响最大的气象因素；根据这8种主要气象因素，其中，所述8种气象因素包括日平均气温、日最高气温、日最低气温、平均气压、平均相对湿度、20-20时累计降水量、平均风速和日照时数。其中，熵权法的计算步骤为：
假设历史日数据矩阵为Mnm，其数据mij表示第i个历史日的第j个气象因素的权重值，对历史日数据进行归一化处理得到归一化矩阵Snm，其中，归一化矩阵Snm的数据Sij为：
计算气象因素j的熵值Hj和权重值wj：
其中，当fij＝0时，fijln fij＝0，0≤ωj≤1，且在计算获得了各气象因素的权重值后，选择权重值较大的8个气象因素作为主要气象因素。
S2、根据所述预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据。
具体地，根据所述预测日的多个主要气象因素计算预测日和历史日之间的气象因素相似度；根据历史日和预测日的日期类型计算预测日和所述历史日之间的日期类型相似度；计算预测日和历史日之间的时间距离相似度，所述时间距离指预测日与历史日相距时间的大小；根据所述气象因素相似度、日期类型相似度以及时间距离相似度从所述历史日数据中选取用于负荷预测模型训练的历史日。
在一具体实施方式中，计算历史日和预测日之间的气象因素相似度具体包括：
假设S0为预测日的气象因素矩阵，Sij则表示第i个历史日第j个气象因素的权重值，逐个计算每个历史日的气象因素权重值与预测日对应气象元素权重值的绝对差值：
Vi＝|Si-S0|＝|sij-s0j|，i＝1，2，…，n，j＝1，2，…，m
则该项气象因素的相似度系数Cij为：
式中，minVi是所有特征值计算后Vi的最小值，maxVi是所有特征值计算后Vi的最大值，ρ为分辨率系数，取值为0.5。
采用下式计算预测日和历史日气象因素相似度P(i,1)：
在一具体实施方式中，计算预测日和历史日之间的日期类型相似度具体为：
具体地，按照日期因素对负荷值的影响，将日期分为工作日、星期六、星期天、节假日四种日期类型，并设定每一种日期类型的量化值，例如，设置工作日的量化值为0.1，星期六的量化值为0.6，星期天的量化值为0.7，节假日的量化值为0.9，设Xi表示第i个历史日的日期类型，X0表示预测日的日期类型，采用下式计算第i个历史日与预测日的日期相似度R(i,1)
R(i，1)＝1-|f(Xi)-f(X0)|，i＝1，2，…，n
其中，f(Xi)表示第i个日期的日期类型为Xi的量化值，f(X0)表示预测日日期类型为X0时的量化值。
在一具体实施方式中，计算预测日和历史日之间的时间距离相似度，所述时间距离指预测日与历史日相距时间的大小具体为：
预测日与历史日电力负荷的相似性，和预测日与历史日的时间间隔大小有关。ti是第i个历史日距离预测日的天数，预测日和历史日在同一年内s1i取0，否则取1，β1、β2和β3作为衰减系数，取值0.9～0.98，分别表示历史日与预测日距离间隔一日、一周和一年的相似度缩减比例，N1、N2和N3是常数，N1和N2取值为一周的天数7，N3取小于一年的周期的经验值340。计算历史日和预测日的时间距离相似度D(i，1)：
在一具体实施方式中，根据所述气象因素相似度、星期因子相似度以及时间距离相似度从所述历史负荷数据中选取负荷预测模型的训练数据具体为：
根据气象因素、日期因素、时间距离因素相似度，计算得历史日和预测日的综合相似度S(i,1):
S(i,1)＝P(i,1)R(i,1)D(i,1),i＝1,2,...,n
并将综合相似度按照由大到小的排序，选取与预测日的综合相似度大于0.8的历史日作为相似日；将相似日数据作为负荷预测模型的训练数据。
S3、将用于训练的历史日数据输入BP神经网络，并对所述BP神经网络进行优化，获得优化后的BP神经网络模型。
使用遗传算法对BP神经网络的权值的神经元的权值进行寻优，得到较优的权值加入模型的训练中。对BP神经网络的权值进行编码并随机产生初始种群，定义遗传算法适应度函数计算个体适应度值，并循环进行选择、交叉、变异操作，达到相对稳定的适应度值，选择适应度值最大的个体作为最优个体，解析出BP神经网络的神经元的权值。
如图2所示，BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，对于如下的只含一个隐层的神经网络模型，BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
如图3所示，神经网络的基本组成单元是神经元。神经元的通用模型如图所示，其中常用的激活函数有阈值函数、sigmoid函数和双曲正切函数。
在本发明实施例中，初始的权值是随机产生的，将历史日数据输入到BP神经网络中，确定初始权值的编码长度：
S＝R*S1+S1*S2+S1+S2
式中，S为编码长度，S1为隐含层神经元个数，S2为输出层神经元个数，R为输入神经元个数。
对BP神经网络的权值进行编码并随机产生初始种群，定义遗传算法适应度函数计算个体适应度值，并循环进行选择、交叉、变异操作，达到相对稳定的适应度值，选择适应度值最大的个体作为最优个体，解析出BP神经网络的神经元的权值。
遗传算法适应度函数为BP神经网络的实际输出和标签输出值的误差平方和的倒数，假设输入信息向量x具有n个特征值，样本期待输出向量记为T，则隐含层中第i个神经元的输入si和输出y1i分别为：
式中，n为输入神经元个数，xj是输入神经元，s1为隐含层神经元个数，f1是隐含层激活函数，ω1ij是输入层与隐含层之间的权重值，隐含层输出值为y1i。输出层第k个神经元的输出为：
则遗传算法适应度函数为：
其中，y2k为输出层第k个神经元的输出，s2为输出层的神经元个数，Ex为遗传算法适应度函数，tk为神经网络的期望输出。将遗传算法适应度函数最大时对应的权值作为优化后的神经网络的权值。
S4、将所述预测日的所述主要气象因素以及预测日日期输入所述优化后的BP神经网络模型中，计算获得预测日的电力负荷。
在一具体实施例中，输入特征数包含8个气象因素值、5个日期信息值和1个平均负荷值，输入神经元有14个，隐含层1层包含25个神经元，输出层为日平均负荷即1个神经元。选取综合相似度大于0.8的数据训练神经网络，在训练好的神经网络中输入预测日气象因素、日期因素和时间距离因素数据，对预测日进行电力负荷预测。
本发明实施例的基于BP神经网络的日平均电力负荷预测方法，在通过分析历史日与预测日的气象相似度、日期类型相似度以及时间距离相似度的基础之上获得预测模型的训练集，并通过遗传算法对BP神经网络进行优化，采用优化后的BP神经网络进行预测日的电力负荷预测，本发明使用相似日算法来查找相似度比较大的历史负荷日作为训练数据，在保证预测精度的前提下加速网络的训练，同时通过使用遗传算法优化BP神经网络的权值，避免了BP神经网络在随机初始化中陷入局部极小值，难于收敛等问题，提高模型预测精度。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种基于BP神经网络的日平均电力负荷预测方法，其特征在于，包括如下步骤：
获取预测日的多个主要气象因素对应的数值和预测日日期，其中所述主要气象因素通过分析气象因素对历史负荷的影响大小而获得；
根据所述预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据；
将用于训练的历史日数据输入BP神经网络，并对所述BP神经网络进行优化，获得优化后的BP神经网络模型；
将所述预测日的所述主要气象因素以及预测日日期输入所述优化后的BP神经网络模型中，计算获得预测日的电力负荷。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据具体包括：
根据所述预测日的多个主要气象因素计算预测日和历史日之间的气象因素相似度；
根据历史日和预测日的日期类型计算预测日和所述历史日之间的日期类型相似度；
计算预测日和历史日之间的时间距离相似度，所述时间距离指预测日与历史日相距时间的大小；
根据所述气象因素相似度、日期类型相似度以及时间距离相似度从所述历史日数据中选取用于负荷预测模型训练的历史日。
3.根据权利要求2所述的预测方法，其特征在于，通过分析气象因素对历史负荷的影响大小而获得多个主要气象因素具体包括：
对历史日数据矩阵进行归一化处理，获得历史日数据的归一化矩阵，其中历史日数据矩阵的数值mij表示第i个历史日的第j个气象因素的权重值，i∈n,j∈m，n为历史日的天数，m为气象因素的个数；
计算每个气象因素的熵值，根据所述熵值计算每个气象因素的权重值，
根据所述每个气象因素的权重值选择设定个数的权重值相对大的气象因素为主要气象因素。
4.根据权利要求3所述的预测方法，其特征在于，所述根据所述预测日的多个主要气象因素计算预测日和历史日之间的气象因素相似度具体包括：
依次计算每个历史日的气象因素的权重值与预测日对应因素的权重值的绝对差值；
根据所述绝对差值计算每一所述气象因素的相似度系数；
根据所述相似度系数计算预测日和历史日的气象因素相似度。
5.根据权利要求4所述的预测方法，其特征在于，所述计算预测日和所述历史日之间的日期类型相似度具体包括：
根据日期因素对负荷值的影响，将日期分为工作日、星期六、星期日以及除星期六、星期天之外的节假日四种日期类型，并获得每一日期类型的量化值；
获取每一个历史日的日期类型以及对应的量化值，获取预测日的日期类型以及对应的量化值；
根据每一所述历史日的量化值以及预测日的量化值计算每一所述历史日与所述预测日的日期相似度。
6.根据权利要求5所述的预测方法，其特征在于，采用下式计算每一所述历史日与所述预测日的日期相似度
R(i，1)＝1-|f(Xi)-f(X0)|，i＝1，2，...，n
其中，R(i,1)为第i个历史日与预测日的日期相似度，Xi和X0分别表示第i个历史日和预测日的日期类型，f(Xi)表示第i个历史日的量化值，f(X0)表示预测日的量化值，n为历史日的天数。
7.根据权利要求6所述的预测方法，其特征在于，所述计算预测日和历史日之间的时间距离相似度具体包括：
计算每个历史日距离预测日的天数；
判断每一个历史日与预测日是否是在同一年；
分别设置历史日与预测日距离间隔在一日内、一周内以及一年内的相似缩减比例；
采用下式计算预测日与第i个历史日的时间距离相似度：
其中，D(i，1)为第i个历史日与预测其的时间距离相似度，ti是第i个历史日距离预测日的天数，sli表示预测日与历史日是否在同一年，若是，则sli为0，否则sli为1，β1表示预测日与历史相隔一天的衰减系数，β2表示预测日与历史相隔一周的衰减系数，β3表示预测日与历史日相隔一年的衰减系数，N1、N2和N3均为常数。
8.根据权利要求7所述的预测方法，其特征在于，根据所述气象因素相似度、星期因子相似度以及时间距离相似度从所述历史负荷数据中选取负荷预测模型的训练数据具体包括：
根据所述气象因素相似度、日期类型相似度以及时间距离相似度计算预测日与历史日之间的综合相似度；
将综合相似度按照从大到小的顺序排序，选取与预测日综合相似度大于设定值的历史日作为相似日，将相似日的历史数据作为预测模型的训练数据。
9.根据权利要求8所述的预测方法，其特征在于，采用下式计算预测日与历史日之间的综合相似度：
S(i，1)＝P(i，1)R(i，1)D(i，1)，i＝1，2，...，n
其中，S(i，1)为历史日与预测日之间的综合相似度，P(i，1)为预测日和历史日气象因素相似度，R(i，1)为历史日与预测日的日期相似度，D(i，1)为历史日与预测日的时间距离相似度。
10.根据权利要求9所述的预测方法，其特征在于，所述将用于训练的历史日数据输入输入BP神经网络，并对所述BP神经网络进行优化，获得优化后的BP神经网络模型具体包括：
将用于训练的历史日数据输入到BP神经网络中，确定神经元的初始权值的编码长度，对BP神经网络的初始权值进行编码并随机产生初始种群，根据遗传算法适应度函数计算个体适应度值，并循环进行选择、交叉、变异操作，选择遗传算法自适应度函数最大的个体作为最优个体，解析出神经元的权值；
其中，遗传算法适应度函数为：
si为BP神经网络中隐含层的第i个神经元的输入，y1i为隐含层中第i个神经元的输出，n为输入神经元个数，xj是输入神经元，s1为隐含层神经元个数，f1是隐含层激活函数，ω1ij是输入层与隐含层之间的权重值，y2k为输出层第k个神经元的输出，s2为输出层的神经元个数，Ex为遗传算法适应度函数，tk为神经网络的期望输出。
CN201910456034.4A 2019-05-27 2019-05-27 一种基于bp神经网络的日平均电力负荷预测方法 Pending CN110222888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910456034.4A CN110222888A (zh) 2019-05-27 2019-05-27 一种基于bp神经网络的日平均电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910456034.4A CN110222888A (zh) 2019-05-27 2019-05-27 一种基于bp神经网络的日平均电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN110222888A true CN110222888A (zh) 2019-09-10

Family

ID=67818780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910456034.4A Pending CN110222888A (zh) 2019-05-27 2019-05-27 一种基于bp神经网络的日平均电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN110222888A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110598947A (zh) * 2019-09-20 2019-12-20 东莞理工学院 一种基于改进布谷鸟-神经网络算法的负荷预测方法
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN111144643A (zh) * 2019-12-24 2020-05-12 天津相和电气科技有限公司 基于双端自动编码的日前电力负荷预测方法及装置
CN111325402A (zh) * 2020-02-21 2020-06-23 东南大学 基于bp神经网络的电动汽车用户充电行为的预测方法
CN111401604A (zh) * 2020-02-17 2020-07-10 国网新疆电力有限公司经济技术研究院 电力系统负荷功率预测方法及储能电站功率分配方法
CN111461463A (zh) * 2020-04-30 2020-07-28 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN111476435A (zh) * 2020-04-30 2020-07-31 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
CN112200366A (zh) * 2020-10-09 2021-01-08 北京邮电大学 负荷预测方法、装置、电子设备及可读存储介质
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN112990749A (zh) * 2021-04-06 2021-06-18 广西电网有限责任公司电力科学研究院 一种基于边缘计算的台区低电压智能就地预判方法
CN113050486A (zh) * 2021-03-12 2021-06-29 南京工程学院 基于工控机的电力系统边缘计算及数据分发装置
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
CN113177355A (zh) * 2021-04-28 2021-07-27 南方电网科学研究院有限责任公司 一种电力负荷预测方法
CN113642676A (zh) * 2021-10-12 2021-11-12 华北电力大学 基于异构气象数据融合的区域电网负荷预测方法和装置
CN115936264A (zh) * 2023-02-22 2023-04-07 北京师范大学 单日工程量计算方法、阶段性工程量预测方法及预测装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016469A (zh) * 2017-04-13 2017-08-04 重庆大学 电力负荷预测方法
CN109636003A (zh) * 2018-11-14 2019-04-16 北京电力经济技术研究院有限公司 一种高预测精度的电力系统短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016469A (zh) * 2017-04-13 2017-08-04 重庆大学 电力负荷预测方法
CN109636003A (zh) * 2018-11-14 2019-04-16 北京电力经济技术研究院有限公司 一种高预测精度的电力系统短期负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨蕊: "一种短期电力负荷预测方法", 《软件》 *
杨蕊: "神经网络技术在短期电力负荷预测中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科级II辑》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110598947A (zh) * 2019-09-20 2019-12-20 东莞理工学院 一种基于改进布谷鸟-神经网络算法的负荷预测方法
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN111144643A (zh) * 2019-12-24 2020-05-12 天津相和电气科技有限公司 基于双端自动编码的日前电力负荷预测方法及装置
CN111401604A (zh) * 2020-02-17 2020-07-10 国网新疆电力有限公司经济技术研究院 电力系统负荷功率预测方法及储能电站功率分配方法
CN111401604B (zh) * 2020-02-17 2023-07-07 国网新疆电力有限公司经济技术研究院 电力系统负荷功率预测方法及储能电站功率分配方法
CN111325402A (zh) * 2020-02-21 2020-06-23 东南大学 基于bp神经网络的电动汽车用户充电行为的预测方法
CN111461463A (zh) * 2020-04-30 2020-07-28 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN111476435A (zh) * 2020-04-30 2020-07-31 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
CN111476435B (zh) * 2020-04-30 2024-02-09 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
CN111461463B (zh) * 2020-04-30 2023-11-24 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN112200366B (zh) * 2020-10-09 2022-11-01 北京邮电大学 负荷预测方法、装置、电子设备及可读存储介质
CN112200366A (zh) * 2020-10-09 2021-01-08 北京邮电大学 负荷预测方法、装置、电子设备及可读存储介质
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN113050486A (zh) * 2021-03-12 2021-06-29 南京工程学院 基于工控机的电力系统边缘计算及数据分发装置
CN112990749A (zh) * 2021-04-06 2021-06-18 广西电网有限责任公司电力科学研究院 一种基于边缘计算的台区低电压智能就地预判方法
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
CN113177355A (zh) * 2021-04-28 2021-07-27 南方电网科学研究院有限责任公司 一种电力负荷预测方法
CN113177355B (zh) * 2021-04-28 2024-01-12 南方电网科学研究院有限责任公司 一种电力负荷预测方法
CN113642676A (zh) * 2021-10-12 2021-11-12 华北电力大学 基于异构气象数据融合的区域电网负荷预测方法和装置
CN115936264A (zh) * 2023-02-22 2023-04-07 北京师范大学 单日工程量计算方法、阶段性工程量预测方法及预测装置

Similar Documents

Publication Publication Date Title
CN110222888A (zh) 一种基于bp神经网络的日平均电力负荷预测方法
CN108280551B (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN109754113B (zh) 基于动态时间规整与长短时间记忆的负荷预测方法
CN114626512B (zh) 一种基于有向图神经网络的高温灾害预报方法
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
CN112488415A (zh) 基于经验模态分解和长短时记忆网络的电力负荷预测方法
CN109583565A (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN109325624A (zh) 一种基于深度学习的月度电力需求预测方法
CN110705743A (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
CN102270309A (zh) 一种基于集成学习的短期电力负荷预测方法
CN111915073A (zh) 一种考虑日期属性和天气因素的铁路城际客流短期预测方法
Tudose et al. A CNN based model for short-term load forecasting: a real case study on the Romanian power system
CN112578089B (zh) 一种基于改进tcn的空气污染物浓度预测方法
CN109034500A (zh) 一种多时序协同的中期电力负荷预测方法
CN114118596A (zh) 一种光伏发电量预测方法和装置
Zhang et al. Prediction of daily water demands by neural networks
Qiao et al. Effective ensemble learning approach for SST field prediction using attention-based PredRNN
CN112767692A (zh) 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN116562454A (zh) 一种应用于bim的长短时注意力机制网络的造价预测方法
Cheng et al. Prediction of Tourist Flow Based on Deep Belief Network and Echo State Network.
CN115392964A (zh) 基于信号分解和深度学习的农产品价格预测方法及系统
Dua et al. Short Term Load Forecasting using Machine Learning Techniques
Jahandoost et al. Prediction of West Texas Intermediate Crude-oil Price Using Hybrid Attention-based Deep Neural Networks: A Comparative Study

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190910