CN110942174A - 一种适用于功能园区的负荷预测方法 - Google Patents
一种适用于功能园区的负荷预测方法 Download PDFInfo
- Publication number
- CN110942174A CN110942174A CN201910992508.7A CN201910992508A CN110942174A CN 110942174 A CN110942174 A CN 110942174A CN 201910992508 A CN201910992508 A CN 201910992508A CN 110942174 A CN110942174 A CN 110942174A
- Authority
- CN
- China
- Prior art keywords
- load
- network
- value
- functional park
- predicted value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
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
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
本发明涉及负荷预测技术领域,具体是指一种适用于功能园区的负荷预测方法,S1:获取功能园区的历史负荷值;S2:以历史负荷值为样本,搭建神经网络预测模型,得到网络预测值;S3:获取功能园区的报装负荷值;S4:以报装负荷值为基准,得到新增负荷预测值;S5:将网络预测值和新增负荷预测值相加,得到功能园区的最终负荷预测值。本发明对新增负荷,采用实用系数法,进而提高功能园区的负荷预测精度。
Description
技术领域
本发明涉及负荷预测技术领域,具体是指一种适用于功能园区的负荷预测方法。
背景技术
在配网规划相关技术中,负荷预测是极其关键的一个环节,其直接对规划质量产生影响。因此,若能够准确对功能园区进行负荷预测,就可以为园区规划提供负荷数据参考,在满足负荷增长需求的同时,提高投资效率。
基于此,需要一种新的适用于功能园区的负荷预测方法,来提高功能园区的负荷预测精度。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种,对自然增长负荷采用神经网络预测方法,对新增负荷,采用实用系数法,进而提高功能园区的负荷预测精度。
为解决上述技术问题,本发明采用的技术方案是:一种适用于功能园区的负荷预测方法,其中,包括有以下步骤:
S1:获取功能园区的历史负荷值;
S2:以历史负荷值为样本,搭建神经网络预测模型,得到网络预测值;
S3:获取功能园区的报装负荷值;
S4:以报装负荷值为基准,得到新增负荷预测值;
S5:将网络预测值和新增负荷预测值相加,得到功能园区的最终负荷预测值。
在一个实施方式中,步骤S1中,获取功能园区的历史负荷值的步骤为:
以T表示负荷预测基准年,Pt分别表示年份对应的负荷值。
优选地,步骤S2中,包括有以下步骤:
S21:选取网络训练样本,每组训练样本里面,包含网络输入向量和网络输出向量,其中网络输入向量定义为It=[Pt-4,Pt-3,Pt-2,Pt-1,],式中,It为第t个网络输入向量,网络输入向量It对应的网络输出向量定义为Ot=[Pt];
S22:搭建神经网络模型,根据网络输入向量和网络输出向量,搭建4层BP神经网络,包含输入层、第一隐含层、第二隐含层和输出层,
S23:对神经网络模型进行训练,利用训练样本对神经网络进行训练,得到训练好的神经网络;
S24:得到网络预测值,将向量[Pt-3,Pt-2,Pt-1,Pt]输入到训练好的神经网络,得到年份T+1的网络预测值P1(T+1)。
优选地,步骤S23中,输入层神经元个数为4,第一隐含层神经元个数为9,第二隐含层神经元个数为9,输出层神经元个数为1,即网络结构为4-9-9-1。
优选地,步骤S3中,将功能园区已报装和潜在报装的负荷分为M类,记n为计划用电时间,T+1年n月份,则计划n月份用电的第m类负荷值为Qmn。
优选地,步骤S4中,包括有以下步骤:
S41:记负荷值Qmn对应的实用系数为Xmn;
S42:根据下式计算新增负荷预测值P2(T+1):
优选地,S5中,将网络预测值P1(T+1)和新增负荷预测值P2(T+1)相加,即得到年份T+1的最终负荷预测值。
本发明与现有技术相比,具有以下特点:
本发明将负荷预测分为自然增长负荷和新增负荷两部分,对自然增长负荷采用神经网络预测方法,对新增负荷,采用实用系数法,进而提高功能园区的负荷预测精度。
附图说明
图1是本发明实施例中整体结构示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例:
本发明提供一种适用于功能园区的负荷预测方法,包括有以下步骤:
S1:获取功能园区的历史负荷值;
步骤S1中,获取功能园区的历史负荷值的步骤为:
以T表示负荷预测基准年,Pt分别表示年份对应的负荷值;
S2:以历史负荷值为样本,搭建神经网络预测模型,得到网络预测值;
步骤S2中,包括有以下步骤:
S21:选取网络训练样本,每组训练样本里面,包含网络输入向量和网络输出向量,其中网络输入向量定义为It=[Pt-4,Pt-3,Pt-2,Pt-1,],式中,It为第t个网络输入向量,网络输入向量It对应的网络输出向量定义为Ot=[Pt];
S22:搭建神经网络模型,根据网络输入向量和网络输出向量,搭建4层BP神经网络,包含输入层、第一隐含层、第二隐含层和输出层;
S23:对神经网络模型进行训练,利用训练样本对神经网络进行训练,得到训练好的神经网络;
步骤S23中,输入层神经元个数为4,第一隐含层神经元个数为9,第二隐含层神经元个数为9,输出层神经元个数为1,即网络结构为4-9-9-1。
S24:得到网络预测值,将向量[Pt-3,Pt-2,Pt-1,Pt]输入到训练好的神经网络,得到年份T+1的网络预测值P1(T+1)。
S3:获取功能园区的报装负荷值;
步骤S3中,将功能园区已报装和潜在报装的负荷分为M类,记n为计划用电时间,T+1年n月份,则计划n月份用电的第m类负荷值为Qmn。
S4:以报装负荷值为基准,得到新增负荷预测值;
步骤S4中,包括有以下步骤:
S41:记负荷值Qmn对应的实用系数为Xmn;
S42:根据下式计算新增负荷预测值P2(T+1):
S5:将网络预测值和新增负荷预测值相加,得到功能园区的最终负荷预测值。
S5中,将网络预测值P1(T+1)和新增负荷预测值P2(T+1)相加,即得到年份T+1的最终负荷预测值。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种适用于功能园区的负荷预测方法,其特征在于,包括有以下步骤:
S1:获取功能园区的历史负荷值;
S2:以历史负荷值为样本,搭建神经网络预测模型,得到网络预测值;
S3:获取功能园区的报装负荷值;
S4:以报装负荷值为基准,得到新增负荷预测值;
S5:将网络预测值和新增负荷预测值相加,得到功能园区的最终负荷预测值。
2.根据权利要求1所述的适用于功能园区的负荷预测方法,其特征在于,所述步骤S1中,获取功能园区的历史负荷值的步骤为:
以T表示负荷预测基准年,Pt分别表示年份对应的负荷值。
3.根据权利要求1所述的适用于功能园区的负荷预测方法,其特征在于,所述步骤S2中,包括有以下步骤:
S21:选取网络训练样本,每组训练样本里面,包含网络输入向量和网络输出向量,其中网络输入向量定义为It=[Pt-4,Pt-3,Pt-2,Pt-1,],
式中,It为第t个网络输入向量,网络输入向量It对应的网络输出向量定义为Ot=[Pt];
S22:搭建神经网络模型,根据网络输入向量和网络输出向量,搭建4层BP神经网络,包含输入层、第一隐含层、第二隐含层和输出层,
S23:对神经网络模型进行训练,利用训练样本对神经网络进行训练,得到训练好的神经网络;
S24:得到网络预测值,将向量[Pt-3,Pt-2,Pt-1,Pt]输入到训练好的神经网络,得到年份T+1的网络预测值P1(T+1)。
4.根据权利要求3所述的适用于功能园区的负荷预测方法,其特征在于,所述步骤S23中,输入层神经元个数为4,第一隐含层神经元个数为9,第二隐含层神经元个数为9,输出层神经元个数为1,即网络结构为4-9-9-1。
5.根据权利要求4所述的适用于功能园区的负荷预测方法,其特征在于,所述步骤S3中,将功能园区已报装和潜在报装的负荷分为M类,记n为计划用电时间,T+1年n月份,则计划n月份用电的第m类负荷值为Qmn。
7.根据权利要求6所述的适用于功能园区的负荷预测方法,其特征在于,所述S5中,将网络预测值P1(T+1)和新增负荷预测值P2(T+1)相加,即得到年份T+1的最终负荷预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992508.7A CN110942174A (zh) | 2019-10-18 | 2019-10-18 | 一种适用于功能园区的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992508.7A CN110942174A (zh) | 2019-10-18 | 2019-10-18 | 一种适用于功能园区的负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942174A true CN110942174A (zh) | 2020-03-31 |
Family
ID=69905918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910992508.7A Pending CN110942174A (zh) | 2019-10-18 | 2019-10-18 | 一种适用于功能园区的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942174A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221158A1 (en) * | 2011-02-28 | 2012-08-30 | General Electric Company | System and method for load forecasting |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
CN109711621A (zh) * | 2018-12-27 | 2019-05-03 | 浙江华云信息科技有限公司 | 基于判别分析和支持向量机结合的工业园区负荷预测方法 |
-
2019
- 2019-10-18 CN CN201910992508.7A patent/CN110942174A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221158A1 (en) * | 2011-02-28 | 2012-08-30 | General Electric Company | System and method for load forecasting |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
CN109711621A (zh) * | 2018-12-27 | 2019-05-03 | 浙江华云信息科技有限公司 | 基于判别分析和支持向量机结合的工业园区负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Junaid et al. | A neutrosophic ahp and topsis framework for supply chain risk assessment in automotive industry of Pakistan | |
Kwon et al. | Two-stage production modeling of large US banks: A DEA-neural network approach | |
Jung et al. | An ANP approach for R&D project evaluation based on interdependencies between research objectives and evaluation criteria | |
CN110348624B (zh) | 一种基于Stacking集成策略的沙尘暴等级预测方法 | |
CN107464068A (zh) | 基于神经网络的企业发展趋势预测方法及其系统 | |
Ray et al. | Reputation and efficiency: A non-parametric assessment of America’s top-rated MBA programs | |
Aslam et al. | Towards electric price and load forecasting using cnn-based ensembler in smart grid | |
JP2006221310A (ja) | 予測方法、予測装置、予測プログラムおよび記録媒体 | |
US20180173501A1 (en) | Forecasting worker aptitude using a machine learning collective matrix factorization framework | |
US20230095676A1 (en) | Method for multi-task-based predicting massiveuser loads based on multi-channel convolutional neural network | |
Liu et al. | Probabilistic assessment of hybrid wind-PV hosting capacity in distribution systems | |
Herranz et al. | Leveraging financial management performance of the Spanish aerospace manufacturing value chain | |
CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
Lee et al. | A hybrid approach combining fuzzy C-means-based genetic algorithm and machine learning for predicting job cycle times for semiconductor manufacturing | |
Fan et al. | Design of cellular manufacturing system with quasi-dynamic dual resource using multi-objective GA | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
Tseng et al. | Evaluating the tourist's demand to develop Vietnamese tourism performance | |
CN114139065B (zh) | 基于大数据的人才筛选推荐方法、系统及可读存储介质 | |
Nishi | A multi-sectoral balance-of-payments-constrained growth model with sectoral heterogeneity | |
Ma et al. | Advanced human capital structure, industrial intelligence and service industry structure upgrade——experience from China’s developments | |
CN110782083A (zh) | 基于深度Croston方法的航空发动机备用需求预测方法 | |
Yang et al. | An elitist cuckoo search algorithm for combined heat and power economic dispatch | |
Wang et al. | Time-series forecasting of mortality rates using transformer | |
Satapathy et al. | Interpretive structural modeling for E-electricity utility service | |
Wu et al. | Similarity coefficient-based cell formation method considering operation sequence with repeated operations |
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: 20200331 |