CN110852480B - 一种电力数据补全方法 - Google Patents

一种电力数据补全方法 Download PDF

Info

Publication number
CN110852480B
CN110852480B CN201910971961.XA CN201910971961A CN110852480B CN 110852480 B CN110852480 B CN 110852480B CN 201910971961 A CN201910971961 A CN 201910971961A CN 110852480 B CN110852480 B CN 110852480B
Authority
CN
China
Prior art keywords
data
neural network
input
layer
output
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
Application number
CN201910971961.XA
Other languages
English (en)
Other versions
CN110852480A (zh
Inventor
姜淏予
徐沛哲
葛泉波
余彬
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.)
Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd
Hangzhou Zhonhen Electric Co ltd
Original Assignee
Hangzhou Zhonhen Electric Co ltd
Hangzhou Zhongheng Cloud Energy Internet Technology 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 Hangzhou Zhonhen Electric Co ltd, Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd filed Critical Hangzhou Zhonhen Electric Co ltd
Priority to CN201910971961.XA priority Critical patent/CN110852480B/zh
Publication of CN110852480A publication Critical patent/CN110852480A/zh
Application granted granted Critical
Publication of CN110852480B publication Critical patent/CN110852480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (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)

Abstract

本申请公开了一种电力数据补全方法，涉及电力技术领域，本方法采用训练好的GABP神经网络，对正向电力数据、负向电力数据进行补全计算，再采用PSO‑SVR模型将两个方向的计算结果进行融合，保证了补全后的电力数据的准确性。

Description

一种电力数据补全方法
【技术领域】
本发明涉及电力技术领域，具体涉及一种电力数据补全方法。
【背景技术】
电力负荷预测作为电力系统重要工作内容之一，预测的精度高低会对经济调度、实时控制、运行计划及发展规划等方面产生很大影响。随着电力市场进一步开放、市场机制更加成熟、市场开放更加全面，电力负荷预测将发挥更大作用。传统的负荷预测方式例如回归预测法、时间序列法等方法在实时性和准确性方面已经不能满足目前的需求，尤其是在多重因素的影响下面临巨大挑战。
电力系统作为城市生命线工程的重要环节，对于城市的发展建设和居民生活保障都发挥着重要作用，电力系统的安全和稳定是一切社会活动的基础。一方面随着国家科技进步、社会现代化进程的加快，工程建设、企业生产和国民生活对电能的依赖性更强，电力消耗巨大带来的需求量进一步增加，同时对于供电质量以及可靠性安全性等方面也会有更高的要求。因此，通过智能电网建设可以显著提升电力系统安全稳定运行水平以及供电的可靠性，这样不仅有利于智能化水平和用户互动化水平的提升，在缓解能源压力以及资源有效优化的配置等方面同样受益良多。负荷预测作为现阶段智能电网建设中的一项重要工作，精确的负荷预测对于保证电力系统的安全、稳定、经济运行起到举足轻重的作用，其工程价值以及理论意义也有深远的影响。与此同时，随着电力市场化交易改革进一步深入，交易规模也在进一步扩大，其中在现货市场、输配电价以及增量配电等等领域稳中有进，从政策层面上对市场的配套设施、辅助服务也提供一定的帮助，电力市场改革所带来的巨大经济效益以及社会效益会集中体现，这一系列的机构设立和政策出台标志着有竞争力的市场结构以及市场体系逐步形成，市场的力量也将为电力行业带来新的活力与生机。
电力负荷预测逐步成为研究人员关注的重点方向，其水平的高低甚至可以作为衡量相关电力企业的管理水平是否达到现代化的标准，不同时间周期负荷预测的精度对电网稳定安全经济运行起到重要的保障。尤其在电力事业发展速度空前的今天，用电管理的方式逐步与市场对接、用电管理走向市场，电力负荷预测问题的解决已经成为重要的任务，由此可见，有必要针对电力负荷预测工作展开深入探讨和研究。
【发明内容】
为解决前述问题，本发明提供了一种电力数据补全方法，以更加准确地将缺失的电力数据补充完整。
为了达到上述目的，本发明采用如下技术方案：
建立GABP神经网络；
利用缺失的电力负荷数据之前的电力负荷数据对GABP神经网络进行训练，得到第一GABP神经网络，利用第一GABP神经网络对缺失的电力负荷数据进行计算，得到第一补全数据；
利用缺失的电力负荷数据之后的电力负荷数据对GABP神经网络进行训练，得到第二GABP神经网络，利用第二GABP神经网络对缺失的电力负荷数据进行计算，得到第二补全数据；
建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据；
建立PSO-SVR模型，并训练所述PSO-SVR模型，利用训练好的PSO-SVR模型对所述第三补全数据进行计算，得到完整的电力负荷数据。
更进一步地，所述建立GABP神经网络具体包括如下步骤：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，隐含层的第i个神经元的输入为：
Figure GDA0003729111390000021
其中，wij表示隐含层第i个神经元与输入层第j个神经元的连接权值；θi表示隐含层中第i个神经元阈值；
Figure GDA0003729111390000022
表示输入层第j个神经元的输入值，
Figure GDA0003729111390000023
表示输入层第j个神经元的输出值，M代表输入层神经元个数；
隐含层第i个神经元输出为：
Figure GDA0003729111390000031
其中，f(x)为传递函数；
隐含层所含神经元输出的结果与连接权值相乘后，将所有数值相加输入到输出层，所述输出层中，第k个神经元的输入为：
Figure GDA0003729111390000032
其中，wki为输出层第k个神经元与隐含层第i个神经元的连接权值，
Figure GDA0003729111390000033
表示输入层第i个神经元的输出值,θk表示隐含层中第k个神经元阈值；
所述输出层中将输入数值代入所述传递函数中，得到所述输出层的输出结果为
Figure GDA0003729111390000034
作为优选，建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据具体包括如下步骤：
依据适应度函数分别求解不同种群的适应度，所述适应度函数为
Figure GDA0003729111390000035
其中，K为输出层中神经元个数，M’为输入样本数据总数，ypi为BP神经网络的预期输出，yoi表示BP神经网络的实际输出；
再依据以下两条公式计算个体被选中的概率pi以及种群累计概率ppi：
Figure GDA0003729111390000036
其中，M代表种群中全部个体的数量；
对种群累计概率高的群体中的个体进行随机配对，在配对个体中随机选择交叉点的位置，将两个个体的部分结构进行替换，重组而生成新的个体；
将新的个体在变异点上的基因值按照变异概率取反，所述取反为1变0，0变1，所述变异概率的取值范围在0.0001～0.1之间。
作为优选，所述最PSO-SVR模型为
Figure GDA0003729111390000037
其中，y为PSO-SVR模型的输出数据，x为PSO-SVR模型的输入数据，l表示维度的总数，K(xi，x)表示输入数据到高维特征空间的非线性映射，ηi表示第i个维度上的参数η，h表示待定常数，训练所述PSO-SVR模型为训练参数ηi和参数h。
本发明所提供的方法具有如下有益效果：
(1)本申请所提供的技术方案，发挥了最小二乘支持向量机预测算法泛化能力强的优点，在数据量较少的情况下依然能进行准确预测；
(2)本申请所提供的技术方案，发挥了容积卡尔曼滤波预测算法实时性强、具有一定矫正能力的特点。
(3)本申请所提供的技术方案，采用灰色神经网络对两种算法的预测结果进行结合，有效实现算法之间的优势互补，进一步提高负荷预测的精度。
本发明的这些特点和优点将会在下面的具体实施方式以及附图中进行详细的揭露。本发明最佳的实施方式或手段将结合附图来详尽表现，但并非是对本发明技术方案的限制。另外，在每个下文和附图中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。
【附图说明】
下面结合附图对本发明作进一步说明：
图1为本发明实施例的流程图；
图2本发明实施例中补全数据的流程图。
【具体实施方式】
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
实施例：
一种电力数据补全方法，包括如下步骤：
以0到30min内任意时长为时间间隔，采集电力负荷数据；
收集若干天内的电力负荷数据，判断若干天内的电力负荷数据是否缺失，若电力负荷数据缺失，则进行补全，具体步骤如下：
建立GABP神经网络，具体包括：建立BP神经网络模型，BP神经网络模型包括输入层、隐含层和输出层，隐含层的第i个神经元的输入为：
Figure GDA0003729111390000051
其中，wij表示隐含层第i个神经元与输入层第j个神经元的连接权值；θi表示隐含层中第i个神经元阈值；
Figure GDA0003729111390000052
表示输入层第j个神经元的输入值，
Figure GDA0003729111390000053
表示输入层第j个神经元的输出值，M代表输入层神经元个数；
隐含层第i个神经元输出为：
Figure GDA0003729111390000054
其中，f(x)为传递函数，常用的传递函数包括purelin函数、tansig函数等；
隐含层所含神经元输出的结果与连接权值相乘后，将所有数值相加输入到输出层，输出层中，第k个神经元的输入为：
Figure GDA0003729111390000055
其中，wki为输出层第k个神经元与隐含层第i个神经元的连接权值，
Figure GDA0003729111390000056
表示输入层第i个神经元的输出值，θk表示隐含层中第k个神经元阈值；
输出层中将输入数值代入传递函数中，得到输出层的输出结果为
Figure GDA0003729111390000057
利用缺失的电力负荷数据之前的电力负荷数据对GABP神经网络进行训练，得到第一GABP神经网络，利用第一GABP神经网络对缺失的电力负荷数据进行计算，得到第一补全数据，这一步骤的主要目的是挖掘负荷数据缺失点的前向趋势信息，并获得前向GABP神经网络的基础；
利用缺失的电力负荷数据之后的电力负荷数据对GABP神经网络进行训练，得到第二GABP神经网络，利用第二GABP神经网络对缺失的电力负荷数据进行计算，得到第二补全数据，这一步骤使用反向排序的加载数据来训练模型。该步骤可以挖掘负载数据缺失点后的数据变化趋势，从而获得基于反向GABP神经网络的负载数据互补结果。
建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据，具体步骤包括：依据适应度函数分别求解不同种群的适应度，不同的种群分别对应利用第一补全数据、第二补全数据取值的集合,而取值的集合为运算的中间步骤，是根据输入来确定，并非固定的值或固定的范围，适应度函数为
Figure GDA0003729111390000061
其中，K为输出层中神经元个数，M’为输入样本数据总数，ypi为BP神经网络的预期输出，即BP神经网络的预测值，yoi表示BP神经网络的实际输出，即训练BP神经网络的数据里用来检验预测结果的值；
再依据以下两条公式计算个体被选中的概率pi以及种群累计概率ppi：
Figure GDA0003729111390000062
其中，M代表种群中全部个体的数量；
对种群累计概率高的种群中的个体进行随机配对，随机变化中，适应度函数值较高的个体会有更大概率遗传到下一代，这个概率与适应度函数值呈正比例关系，在配对个体中随机选择交叉点的位置，将两个个体的部分结构进行替换，重组而生成新的个体，替换的部分结构为个体编码是0、1组成的长度为l的字符串，将变异点的字符串相互交换位置，变异点即随机选择的点的字符串；
将新的个体在变异点上的基因值按照变异概率取反，取反为1变0，0变1，变异概率的取值范围在0.0001～0.1之间。本领域技术人员均知晓，在遗传算法中，配对、交叉、变异的操作是完全随机的，类似于物种进化过程，通过反复的运算规则取得最终效果。
建立并训练PSO-SVR模型，PSO-SVR模型为
Figure GDA0003729111390000071
其中，y为PSO-SVR模型的输出数据，x为PSO-SVR模型的输入数据，l表示维度的总数，K(xi,x)表示输入数据到高维特征空间的非线性映射，本领域技术人员均知晓，非线性映射过程通过一个核函数运算实现，核函数的形式可以是多样的，最简单的形式为求xi与x两个特征向量的内积，ηi表示第i个维度上的参数η，h表示待定常数，训练PSO-SVR模型为利用第一补全数据和第二补全数据训练参数ηi和参数h，利用训练好的PSO-SVR模型对第三补全数据进行计算，得到完整的电力负荷数据。
PSO-SVR模型的作用是将第一GABP神经网络和第二GABP神经网络结合起来，对正向数据和反向数据产生影响。为了实现数据结构的双向组合，需要考虑因素。一般组合模型在权重分配时通常采用简单的线性加权或平均法。这种简单的处理方法使得权重分布和计算方法不合理，导致预测结果不准确。在PSO-SVR模型中，输入数据为第一GABP神经网络负载数据完成结果和第二GABP神经网络负载数据完成结果，即第一补全数据和第二补全数据，输出数据为实际负载数据值，通过PSO-SVR模型计算最优权重，进一步保证了数据补全的准确性。
获得完整的电力负荷数据以后，建立最小二乘支持向量机模型，训练最小二乘支持向量机模型，最小二乘支持向量机模型为
Figure GDA0003729111390000081
其中，y为最小二乘支持向量机模型的输出数据，x为最小二乘支持向量机模型的输入数据，具体为
Figure GDA0003729111390000082
格式的若干天内的电力负荷数据，其中，m为若干天内的电力负荷数据的天数，t为采集数据时间间隔的时长，l表示维度的总数，K′(xi，x)表示输入数据到高维特征空间的非线性映射，本领域技术人员均知晓，非线性映射过程通过一个核函数运算实现，核函数的形式可以是多样的，最简单的形式为求xi与x两个特征向量的内积，λi表示第i个维度上的参数λ，q表示待定常数，训练最小二乘支持向量机模型为利用若干天内完整的电力负荷数据训练参数λi和参数。
建立容积卡尔曼滤波预测模型，利用若干天内完整的电力负荷数据训练容积卡尔曼滤波预测模型，容积卡尔曼滤波预测模型为
Figure GDA0003729111390000083
其中，下标k表示时刻，xk为k时刻的电力负荷数据，yk为k时刻的电力负荷预测数据，均采用格式为1*n的若干天内的电力负荷数据，n为若干天内的电力负荷数据。yk＝H(xk)+vk，H(xk)为非线性函数，是基于测量数据拟合得到的，输入不同的测量数据拟合出来的具体函数关系不同；vk为量测噪声，有不同的模型进行表示，例如正态分布，
Figure GDA0003729111390000084
为待训练的增益矩阵，a、b、c分别为状态方程的参数，状态方程为xk＝axk-1+bxk-2+cxk-3+d。
建立灰色神经网络模型，训练灰色神经网络模型，具体包括如下步骤：
建立灰色神经网络结构、参数a’、b’、c’以及初始权值，灰色神经网络包括LA层、LB层、LC层以及LD层，初始权值为：
ω11＝a′，ω21＝-y1(0)，ω22＝u1，…，ω2n＝un-1
ω31＝ω32＝…＝ω3n＝1+ea′t
其中，ω11，ω21，ω22至ω2n，ω31至ω3n为灰色神经网络的权值，
参数a’为LA层的参数，计算公式为：a′＝ω11t；
参数b’为LB层的参数，计算公式为：
Figure GDA0003729111390000093
；
参数c’为LC层的参数，计算公式为：c1′＝b′ω21，c2′＝y2(t)b′ω22，…，cn′＝yn(t)b′w2n，其中，t为输入，y2(t)至yn(t)为第n个节点对t时刻的预测值；
LD层具有参数d′，计算公式为：d′＝ω31c1′+ω32c2′+…+ω3ncn′-θy1；
Figure GDA0003729111390000091
采用最小二成支持向量机模型的计算结果和容积卡尔曼滤波预测模型的计算结果对灰色神经网络进行训练，计算预测误差，根据误差调整权值，误差的比较基准根据业务需要而定，比如浙江省电力市场运行规则所引导的盈利目标，不断变化；
利用训练好的最小二乘支持向量机模型对若干天内的电力负荷数据进行计算，得到第一预测结果；
利用训练好的容积卡尔曼滤波预测模型对若干天内的电力负荷数据进行计算，得到第二预测结果；
利用训练好的灰色神经网络模型对第一预测结果和第二预测结果进行计算，得到最终预测结果，此步骤中，采用最终预测方程进行计算，得到最终预测结果，最终预测方程为：
Figure GDA0003729111390000092
其中，y1为第一预测结果，y2为第二预测结果。
本实施例所提供的技术方案，发挥了最小二乘支持向量机预测算法泛化能力强的优点，在数据量较少的情况下依然能进行准确预测，同时发挥了容积卡尔曼滤波预测算法实时性强、具有一定矫正能力的特点，并且，采用灰色神经网络对两种算法的预测结果进行结合，有效实现算法之间的优势互补，进一步提高负荷预测的精度。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (4)

1.一种电力数据补全方法，其特征在于：包括如下步骤：
建立GABP神经网络；
利用缺失的电力负荷数据之前的电力负荷数据对GABP神经网络进行训练，得到第一GABP神经网络，利用第一GABP神经网络对缺失的电力负荷数据进行计算，得到第一补全数据；
利用缺失的电力负荷数据之后的电力负荷数据对GABP神经网络进行训练，得到第二GABP神经网络，利用第二GABP神经网络对缺失的电力负荷数据进行计算，得到第二补全数据；
建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据；
建立PSO-SVR模型，并训练所述PSO-SVR模型，利用训练好的PSO-SVR模型对所述第三补全数据进行计算，得到完整的电力负荷数据。
2.根据权利要求1所述的电力数据补全方法，其特征在于：所述建立GABP神经网络具体包括如下步骤：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，隐含层的第i个神经元的输入为：
Figure FDA0003729111380000011
其中，wij表示隐含层第i个神经元与输入层第j个神经元的连接权值；θi表示隐含层中第i个神经元阈值；
Figure FDA0003729111380000012
表示输入层第j个神经元的输入值，
Figure FDA0003729111380000013
表示输入层第j个神经元的输出值，M代表输入层神经元个数；
隐含层第i个神经元输出为：
Figure FDA0003729111380000014
其中，f(x)为传递函数；
隐含层所含神经元输出的结果与连接权值相乘后，将所有数值相加输入到输出层，所述输出层中，第k个神经元的输入为：
Figure FDA0003729111380000021
其中，wki为输出层第k个神经元与隐含层第i个神经元的连接权值，
Figure FDA0003729111380000022
表示输入层第i个神经元的输出值,θk表示隐含层中第k个神经元阈值；
所述输出层中将输入数值代入所述传递函数中，得到所述输出层的输出结果为
Figure FDA0003729111380000023
3.根据权利要求1所述的电力数据补全方法，其特征在于：建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据具体包括如下步骤：
依据适应度函数分别求解不同种群的适应度，所述适应度函数为
Figure FDA0003729111380000024
其中，K为输出层中神经元个数，M'为输入样本数据总数，ypi为BP神经网络的预期输出，yoi表示BP神经网络的实际输出；
再依据以下两条公式计算个体被选中的概率pi以及种群累计概率ppi：
Figure FDA0003729111380000025
其中，M代表种群中全部个体的数量；
对种群累计概率高的群体中的个体进行随机配对，在配对个体中随机选择交叉点的位置，将两个个体的部分结构进行替换，重组而生成新的个体；
将新的个体在变异点上的基因值按照变异概率取反，所述取反为1变0，0变1，所述变异概率的取值范围在0.0001～0.1之间。
4.根据权利要求1所述的电力数据补全方法，其特征在于：所述PSO-SVR模型为
Figure FDA0003729111380000026
其中，y为PSO-SVR模型的输出数据，x为PSO-SVR模型的输入数据，l表示维度的总数，K(xi，x)表示输入数据到高维特征空间的非线性映射，ηi表示第i个维度上的参数η，h表示待定常数，训练所述PSO-SVR模型为训练参数ηi和参数h。
CN201910971961.XA 2019-10-14 2019-10-14 一种电力数据补全方法 Active CN110852480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910971961.XA CN110852480B (zh) 2019-10-14 2019-10-14 一种电力数据补全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910971961.XA CN110852480B (zh) 2019-10-14 2019-10-14 一种电力数据补全方法

Publications (2)

Publication Number Publication Date
CN110852480A CN110852480A (zh) 2020-02-28
CN110852480B true CN110852480B (zh) 2023-03-10

Family

ID=69597448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910971961.XA Active CN110852480B (zh) 2019-10-14 2019-10-14 一种电力数据补全方法

Country Status (1)

Country Link
CN (1) CN110852480B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326577A (zh) * 2016-08-26 2017-01-11 上海中威天安公共安全科技有限公司 一种基于危化品事故扩散模型的短期风速计算方法
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法
CN109919489A (zh) * 2019-03-08 2019-06-21 北京工业大学 基于企业资产管理系统和ga-bp的企业设备寿命预测方法
CN109992844A (zh) * 2019-03-13 2019-07-09 上海电力学院 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326577A (zh) * 2016-08-26 2017-01-11 上海中威天安公共安全科技有限公司 一种基于危化品事故扩散模型的短期风速计算方法
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法
CN109919489A (zh) * 2019-03-08 2019-06-21 北京工业大学 基于企业资产管理系统和ga-bp的企业设备寿命预测方法
CN109992844A (zh) * 2019-03-13 2019-07-09 上海电力学院 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于PSO-SVM 算法的环境监测数据异常检测和缺失补全;魏晶茹等;《环境监测管理与技术》;20160831;第53-56页 *

Also Published As

Publication number Publication date
CN110852480A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110796293B (zh) 一种电力负荷预测方法
Azinovic et al. Deep equilibrium nets
Xiao et al. A hybrid model based on data preprocessing for electrical power forecasting
US11755976B2 (en) Method for predicting oxygen load in iron and steel enterprises based on production plan
Zavadskas et al. Evaluation of ranking accuracy in multi-criteria decisions
Cheng et al. Artificial intelligence approaches to achieve strategic control over project cash flows
Bala et al. A computer-based cost prediction model for institutional building projects in Nigeria: An artificial neural network approach
CN108876132B (zh) 基于云的工业企业能效服务推荐方法和系统
Yan et al. Investment estimation of prefabricated concrete buildings based on XGBoost machine learning algorithm
Azadeh et al. An integrated artificial neural network fuzzy C-means-normalization algorithm for performance assessment of decision-making units: The cases of auto industry and power plant
Tartibu et al. Forecasting net energy consumption of South Africa using artificial neural network
CN116862551A (zh) 一种考虑用户隐私保护的新能源消纳电价决策方法
CN111680452A (zh) 基于全要素数据挖掘的电网工程精准投资决策仿真方法
Salgado et al. A short-term bus load forecasting system
Wu et al. [Retracted] Optimization and Simulation of Enterprise Management Resource Scheduling Based on the Radial Basis Function (RBF) Neural Network
CN114819395A (zh) 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
CN110880044A (zh) 一种基于马尔科夫链的负荷预测方法
CN110852480B (zh) 一种电力数据补全方法
Zhang et al. RSVRs based on feature extraction: a novel method for prediction of construction projects’ costs
Napitupulu Artificial neural network application in gross domestic product forecasting: an Indonesia case
NAPITUPULU Artificial neural network application in gross domestic product forecasting an Indonesia case
CN113011779A (zh) 一种基于模糊综合评价的能源消费价格补偿方法及装置
CN107563555A (zh) 基于Q学习memetic算法的动态多目标软件项目调度方法
Tsai et al. The exponential grey forecasting model for CO2 emissions in Taiwan
Wang et al. Dynamic neural network based genetic algorithm optimizing for short term load forecasting

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200316

Address after: 310000 floor 2, building 2, No. 69, Dongxin Avenue, Zhijiang science and Technology Industrial Park, high tech Zone, Binjiang District, Hangzhou, Zhejiang Province

Applicant after: HANGZHOU ZHONGHENG CLOUD ENERGY INTERNET TECHNOLOGY CO.,LTD.

Applicant after: HANGZHOU ZHONHEN ELECTRIC Co.,Ltd.

Address before: 310000 Zhejiang Province, Hangzhou Binjiang District, Hangzhou High-tech Zone, 2 floors, Building 69 Dongxin Avenue, Zhijiang Science and Technology Industrial Park, Hangzhou

Applicant before: HANGZHOU ZHONGHENG CLOUD ENERGY INTERNET TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant