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 PDF

Info

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
Application number
CN201910992508.7A
Other languages
English (en)
Inventor
吴炬卓
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.)
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910992508.7A priority Critical patent/CN110942174A/zh
Publication of CN110942174A publication Critical patent/CN110942174A/zh
Pending legal-status Critical Current

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

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

一种适用于功能园区的负荷预测方法
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)：
Figure BDA0002238710390000021
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)：
Figure BDA0002238710390000041
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。
6.根据权利要求5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)：
Figure FDA0002238710380000021
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。
CN201910992508.7A 2019-10-18 2019-10-18 一种适用于功能园区的负荷预测方法 Pending CN110942174A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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