CN110991722A - 一种电力负荷预测方法 - Google Patents
一种电力负荷预测方法 Download PDFInfo
- Publication number
- CN110991722A CN110991722A CN201911175279.6A CN201911175279A CN110991722A CN 110991722 A CN110991722 A CN 110991722A CN 201911175279 A CN201911175279 A CN 201911175279A CN 110991722 A CN110991722 A CN 110991722A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- day
- neural network
- training
- 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 60
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 27
- 230000002354 daily effect Effects 0.000 description 9
- 239000002356 single layer Substances 0.000 description 8
- 230000008520 organization Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (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
本发明属于电力负荷预测技术领域,具体涉及一种电力负荷预测方法,包括以下步骤:S1、构建预测模型的训练数据集和测试数据集;S2、建立基于分层并行式贝叶斯神经网络的预测模型;S3、将训练数据集中的训练样本输入基于分层并行式贝叶斯神经网络的预测模型进行训练;S4、将测试数据输入到训练好的预测模型中进行预测,得到电力负荷预测结果。本发明提出用分层并行式贝叶斯神经网络的预测模型来预测电力负荷,以实际电网负荷数据验证了本发明所提模型的实用性,具有较高的预测精度。
Description
技术领域
本发明属于电力负荷预测技术领域,具体涉及一种电力负荷预测方法。
背景技术
电能是目前世界上最重要的能量来源,但由于电能难以储存的缺点尚未得到有效解决,这就要求发电计划与负荷需求达到动态平衡,因此高精度的负荷预测是电力系统的正常安全运行以及高供电质量的重要保证。目前,随着新能源发电发展迅速,负荷波动也越来越大,主要原因是新能源随机性强,大量分布式新能源的接入对地区电网负荷的冲击性强,同时为地区电网负荷预测带来巨大挑战,故高精度且实用性强的负荷预测技术对地区电网稳定和安全运行尤为重要。
目前的负荷预测主要集中在短期预测方法的研究,常用的短期电力负荷预测方法主要有:时间序列法、灰色预测法、模糊预测法、神经网络法、支持向量机等。其中,BP神经网络在信息处理方面表现突出,可以实现从输入到输出的任意非线性映射,在负荷预测领域逐步得到了广泛应用。但传统BP神经网络在预测过程中存在局部最小值的问题,泛化能力也不理想。而以上大多数模型研究主要集中在单层的预测模型构建,且未考虑实际电网负荷预测时的具体操作形式,即预测日前一天的历史负荷数据并不能完全采集到的实际情况。因此,上述缺陷是亟需解决的问题。
发明内容
本发明提供一种电力负荷预测方法,该方法提出用分层并行式贝叶斯神经网络的预测模型来预测电力负荷,以实际电网负荷数据验证了本发明所提模型的实用性,具有较高的预测精度。
本发明的技术方案为:
一种电力负荷预测方法,包括以下步骤:
S1、构建预测模型的训练数据集和测试数据集;
S2、建立基于分层并行式贝叶斯神经网络的预测模型;
S3、将训练数据集中的训练样本输入基于分层并行式贝叶斯神经网络的预测模型进行训练;
S4、将测试数据输入到训练好的预测模型中进行预测,得到电力负荷预测结果。
进一步,步骤S1中构建预测模型的训练数据集和测试数据集的过程为:
提取历史数据:
构成历史数据库的是每日负荷数据,而每日负荷数据每15min采集一个数据点,每日负荷数据共有96个数据点;
训练数据集的输入样本包括从历史数据库提取的横向历史数据和纵向历史数据,横向历史数据取4个点;纵向历史数据取7个点;
提取天气因素和日期类型;
天气因素在输入样本中6个点;日期类型在输入样本中占2个点;
所以一个完整样本包括:11个历史数据+6个天气因素+2个日期类型,共19个输入,1个目标输出;
测试数据集的建立方法与训练数据集相同。
进一步,横向历史数据分别取预测日的前一天、前两天、前三天及前七天同一时刻取的1个横向数据点,共4个点。
进一步,纵向历史数据取预测日的前一天同一时刻的5个纵向数据点、预测日的前两天同一时刻的2个纵向数据点,共7个点。
进一步,预测日的前一天的历史数据库采用实际电网负荷预测的组织形式,获取过程如下:
预测模型的每日负荷数据采用每15min采集一次,共96点数据的输出形式,但实际电网负荷预测时,是在预测日前一天的下午4时进行预测,预测得到预测日的96点负荷,然后上报调度部门,但此时预测日的前一天的下午4时后的历史数据并未采集到,故需要先对预测日的前一天进行预测,得到预测日的前一天的96点预测负荷数据,然后将预测日的前一天的下午4时后未采集到的数据用预测数据代替,则预测日的前一天的历史数据库构成为:下午4时前的64点历史数据和下午4时后的32点预测负荷数据。
进一步,天气因素包括最高气温Tmax、最低气温Tmin和降雨量R,其中降雨量R分为4个等级:无雨、小雨、中雨和大雨,所以天气因素在输入样本中占了6个点;
日期类型D包括预测日和预测日前一天两种,所以日期类型在输入样本中占2个点。
最高气温Tmax根据不同门槛值,其权值相应变动;
最低气温Tmin根据不同门槛值,其权值相应变动;
不同等级的降雨量其权值也随之变化;
将日期类型D的权值划分为周一、周二至周六、周日三种,不同时间取不同的权值。
进一步,步骤S2中建立基于分层并行式贝叶斯神经网络的预测模型的过程为:
S21、构建新的训练性能函数:
网络规模由神经网络的权值和阈值大小决定,贝叶斯神经网络通过正则化的方法对神经网络的训练性能函数进行修正,限制权值和阈值大小;
S22、对96个预测点分别采用贝叶斯神经网络进行预测,构建分层并行式贝叶斯神经网络的预测模型。
进一步,步骤S21构建新的训练性能函数的过程为:
传统前馈型神经网络采用均方误差公式MSE作为训练性能函数:
式中:N为样本总数;ei为误差,ti为实际目标值,ai为神经网络预测模型的预测值;
贝叶斯正则化法在式(1)的训练性能函数的基础上,将权值的均方差引入到训练性能函数中,构成式(2)所示的新的训练性能函数:
msereg=βEd+αEw (2)
式中:msereg为改进后的训练性能函数;α、β为正则化参数;Ew为神经网络所有权值平方和的平均值;Wi为权值;
网络训练过程中,正则化参数通过式(4)进行自适应地调整,从而达到最优训练的目的;
式中:γ=N-2αtr(H)-1;H为msereg的海森矩阵。
进一步,步骤S22构建分层并行式贝叶斯神经网络的预测模型的过程为:
选择单隐层神经网络,每个贝叶斯神经网络包含一个输入层、一个隐含层和一个输出层,其中,输入层和输出层节点个数根据预测时实际数据输入和输出来确定,即训练样本的构成确定输入层和输出层节点,分别为19和1;而隐含层神经元个数L的确定方式用试错法,即反复实验的方式来确定,L的实验范围根据公式(5)确定:
式中,a和b分别表示输入层和输出层节点个数;
L为10个,贝叶斯神经网络选择Tansig函数和logsig函数作为隐藏层和输出层的传输函数,学习率设置为0.1,目标误差为0.0001,训练最大次数500。
本发明产生的有益效果是:
本发明用一种分层并行式贝叶斯神经网络的短期负荷预测模型对电力负荷进行预测,相对于传统的BP神经网络,贝叶斯神经网络的泛化能力更强,预测精度更高;历史数据的收集采用实际电网负荷预测的组织形式,与单层的贝叶斯神经网络预测模型相比,分层并行式预测模型能取得更高精度的预测结果,不同季节的预测结果显示出本文所提模型的稳定性,是一种实用性强的预测模型,能满足调度部门的负荷预测需求。
附图说明
图1是本发明的流程示意图;
图2是输入样本中的历史数据形式;
图3是3种模型的负荷最优预测曲线示意图。
具体实施方式
实施例1:
如图1所示,一种电力负荷预测方法,包括以下步骤:
S1、构建预测模型的训练数据集和测试数据集;
S2、建立基于分层并行式贝叶斯神经网络的预测模型;
S3、将训练数据集中的训练样本输入基于分层并行式贝叶斯神经网络的预测模型进行训练;
S4、将测试数据输入到训练好的预测模型中进行预测,得到电力负荷预测结果。
在本实施例中,步骤S1中构建预测模型的训练数据集和测试数据集的过程为:
提取历史数据:
预测点的负荷值和附近历史数据密切相关,愈靠近预测日,其影响就愈大。构成历史数据库的是每日负荷数据,而每日负荷数据每15min采集一个数据点,每日负荷数据共有96个数据点。本方法考虑影响预测点的历史数据时,不仅考虑同一预测时刻的横向历史数据,还考虑了预测时刻附近的纵向历史数据。
由于靠近预测日的历史数据包含更多的有效信息,因此,训练数据集的输入样本包括从历史数据库提取的横向历史数据和纵向历史数据;
横向历史数据分别取预测日的前一天、前两天、前三天及前七天同一时刻取的1个横向数据点,共4个点;纵向历史数据取预测日的前一天同一时刻的5个纵向数据点、预测日的前两天同一时刻的2个纵向数据点,共7个点;历史数据共取11个点,如此就解决了历史数据“近大远小”的原则,输入样本中的历史数据形式如图2所示。
提取天气因素和日期类型:
由于电网的负荷变化与天气和密切相关,受天气影响的敏感负荷较多,故须对天气因素高度重视。本方法共考虑高温负荷、低温负荷和降雨量三个天气因素。考虑到气温的累积效应与小水电负荷的延迟效应,在输入样本中,加入了预测日与预测日前一天的最高、最低气温与降雨情况。显然,就影响预测日负荷变化的天气因素而言,预测日的天气因素所占的比重比预测日前日的天气因素大。为体现这点,同时也体现天气因素在整个输入样本的作用程度,采用一种自适应天气调整参数模型,主要思想就是:一是最高气温超过某一门槛值或最低气温低于某一门槛值后,其权值相应变动,以加强该因素在所有输入因素中的作用;二是小水电负荷主要与降雨量有关,本文把天气降雨情况分为4个等级:无雨、小雨、中雨和大雨,不同等级的降雨量其权值也随之变化。综合上述,天气因素在输入样本中6个点,天气因素包括最高气温Tmax、最低气温Tmin和降雨量R,其中降雨量R分为4个等级:无雨、小雨、中雨和大雨,所以天气因素在输入样本中占了6个点。
针对电网的负荷特性,将一周分为周一、周二至周六、周日三种权值类型,输入样本中,采用了预测日与预测日前一天的日期类型D,所以日期类型在输入样本中占2个点。
综合上述,一个完整样本包括:11个历史数据+6个天气因素+2个日期类型,共19个输入,1个目标输出。
天气因素和日期类型的如表1所示:
表1天气因素和日期类型
测试数据集的建立方法与训练数据集相同。
在本实施例中,为提高所提模型的实用价值,预测日的前一天的历史数据库采用实际电网负荷预测的组织形式,获取过程如下:
预测模型的每日负荷数据采用每15min采集一次,共96点数据的输出形式,但实际电网负荷预测时,是在预测日前一天的下午4时进行预测,预测得到预测日的96点负荷,然后上报调度部门,但此时预测日的前一天的下午4时后的历史数据并未采集到,故需要先对预测日的前一天进行预测,得到预测日的前一天的96点预测负荷数据,然后将预测日的前一天的下午4时后未采集到的数据用预测数据代替,则预测日的前一天的历史数据库构成为:下午4时前的64点历史数据和下午4时后的32点预测负荷数据。
在本实施例中,步骤S2中建立基于分层并行式贝叶斯神经网络的预测模型的过程为:
S21、构建新的训练性能函数:
神经网络性能优劣与其网络规模息息相关,网络规模由神经网络的权值和阈值大小决定,小权值和阈值的神经网络具备更好的泛化能力。贝叶斯神经网络通过正则化的方法对神经网络的训练性能函数进行修正,限制权值和阈值大小,从而提高神经网络泛化能力。
构建新的训练性能函数的过程为:
传统前馈型神经网络采用均方误差公式MSE作为训练性能函数:
式中:N为样本总数;ei为误差,ti为实际目标值,ai为神经网络预测模型的预测值;
贝叶斯正则化法在式(1)的训练性能函数的基础上,将权值的均方差引入到训练性能函数中,构成式(2)所示的新的训练性能函数:
msereg=βEd+αEw (2)
式中:msereg为改进后的训练性能函数;α、β为正则化参数;Ew为神经网络所有权值平方和的平均值;Wi为权值;
网络训练过程中,正则化参数通过式(4)进行自适应地调整,从而达到最优训练的目的;
式中:γ=N-2αtr(H)-1;H为msereg的海森矩阵。
修正后的训练性能函数可以使神经网络在训练的过程中能避免陷入局部最小值或者过度训练情况的发生。
S22、对96个预测点分别采用贝叶斯神经网络进行预测,构建分层并行式贝叶斯神经网络的预测模型。
构建分层并行式贝叶斯神经网络的预测模型的过程为:
本方法采集的历史负荷数据为每日96点负荷数据,即15min一个数据点,进行提前一天的负荷预测,共96个输出。与传统的负荷预测形式不同,本文对96各负荷点分别建立一个预测模型,对96个预测点分别采用贝叶斯神经网络进行预测,这样就形成了96层并行的模型结构。
本方法选择单隐层神经网络,每个贝叶斯神经网络包含一个输入层、一个隐含层和一个输出层,其中,输入层和输出层节点个数根据预测时实际数据输入和输出来确定,即训练样本的构成确定输入层和输出层节点,分别为19和1;而隐含层神经元个数L的确定方式用试错法,即反复实验的方式来确定,L的实验范围根据公式(5)确定:
式中,a和b分别表示输入层和输出层节点个数;
考虑到模型的预测精度和时间成本,最终确定L为10个。综上,贝叶斯神经网络结构为“19-10-1”形式,贝叶斯神经网络选择Tansig函数和logsig函数作为隐藏层和输出层的传输函数,学习率设置为0.1,目标误差为0.0001,训练最大次数500。
本发明提出一种分层并行式贝叶斯神经网络的短期负荷预测模型,相对于传统的BP神经网络,贝叶斯神经网络的泛化能力更强,预测精度更高;采用实际电网负荷预测的组织形式,与单层的贝叶斯神经网络预测模型相比,分层并行式预测模型能取得更高精度的预测结果,不同季节的预测结果显示出本文所提模型的稳定性,是一种实用性强的预测模型,能满足调度部门的负荷预测需求。
实例展示:
本方法取仿真数据为某地区实际电网负荷数据,15min一个负荷点。模型的训练样本为预测日前90天的数据。
采用本发明所提分层并行式贝叶斯神经网络预测模型(HP-BNN)对随机选择的一天进行提前一天的负荷预测实验,并引入传统的单层贝叶斯神经网络(BNN,即建立一个贝叶斯神经网络模型对预测日96点负荷进行预测)和分层并行式BP神经网络(HP-BP)进行对比,不同预测模型的最优预测结果如图3所示,30次独立实验得到3种模型的平均预测误差如表2所示。
表2 3种负荷预测模型的平均误差
由表2可知;
(1)、与单层的BNN模型相比,HP-BP和HP-BNN的EMAE分别提高了22.78MW、和26.45MW,EMAPE分别提高了3.72%和4.36%,ERMSE分别提高了26.01MW和30.69MW,三项误差指标均大幅度提高,这对于短期负荷预测精度而言已是不小的提升。本发明采取的是实际电网负荷预测的组织形式,采用分层并行式预测模型的精度明显高于单层预测模型,说明本发明所提分层并行式预测模型的有效性和高精度性。
(2)、HP-BNN与HP-BP相比,HP-BNN的三项误差指标分别提高了3.67MW、0.64%和4.68MW,说明贝叶斯神经网络比传统BP神经网络具备更强大的泛化能力,能取得更优良的预测精度。
由图3可知,单层BNN模型只能大致跟踪负荷的变化规律,在曲线峰顶和峰谷附近的预测值与实际值相差较大,这主要是因为本发明采用实际电网负荷预测的组织形式,预测的输入数据中由历史实际负荷数据和预测数据组成,这就形成了误差累积效应,单层的BNN模型很难取得好的预测效果;而分层并行式预测模型HP-BP和HP-BNN则能更有效的跟踪负荷的变化规律,在各点的预测值与实际值更为接近,说明采用分层并行式预测能取得更高精度的预测结果,显示出较高的实用价值,而明显,HP-BNN模型比HP-BP模型更接近实际值,能取得更优良的预测精度。
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 (10)
1.一种电力负荷预测方法,其特征在于,包括以下步骤:
S1、构建预测模型的训练数据集和测试数据集;
S2、建立基于分层并行式贝叶斯神经网络的预测模型;
S3、将训练数据集中的训练样本输入基于分层并行式贝叶斯神经网络的预测模型进行训练;
S4、将测试数据输入到训练好的预测模型中进行预测,得到电力负荷预测结果。
2.根据权利要求1所述的一种电力负荷预测方法,其特征在于,步骤S1中构建预测模型的训练数据集和测试数据集的过程为:
提取历史数据:
构成历史数据库的是每日负荷数据,而每日负荷数据每15min采集一个数据点,每日负荷数据共有96个数据点;
训练数据集的输入样本包括从历史数据库提取的横向历史数据和纵向历史数据,横向历史数据取4个点;纵向历史数据取7个点;
提取天气因素和日期类型;
天气因素在输入样本中6个点;日期类型在输入样本中占2个点;
所以一个完整样本包括:11个历史数据+6个天气因素+2个日期类型,共19个输入,1个目标输出;
测试数据集的建立方法与训练数据集相同。
3.根据权利要求2所述的一种电力负荷预测方法,其特征在于,横向历史数据分别取预测日的前一天、前两天、前三天及前七天同一时刻取的1个横向数据点,共4个点。
4.根据权利要求2所述的一种电力负荷预测方法,其特征在于,纵向历史数据取预测日的前一天同一时刻的5个纵向数据点、预测日的前两天同一时刻的2个纵向数据点,共7个点。
5.根据权利要求3或4所述的一种电力负荷预测方法,其特征在于,预测日的前一天的历史数据库采用实际电网负荷预测的组织形式,获取过程如下:预测模型的每日负荷数据采用每15min采集一次,共96点数据的输出形式,但实际电网负荷预测时,是在预测日前一天的下午4时进行预测,预测得到预测日的96点负荷,然后上报调度部门,但此时预测日的前一天的下午4时后的历史数据并未采集到,故需要先对预测日的前一天进行预测,得到预测日的前一天的96点预测负荷数据,然后将预测日的前一天的下午4时后未采集到的数据用预测数据代替,则预测日的前一天的历史数据库构成为:下午4时前的64点历史数据和下午4时后的32点预测负荷数据。
6.根据权利要求2所述的一种电力负荷预测方法,其特征在于,天气因素包括最高气温Tmax、最低气温Tmin和降雨量R,其中降雨量R分为4个等级:
无雨、小雨、中雨和大雨,所以天气因素在输入样本中占了6个点;
日期类型D包括预测日和预测日前一天两种,所以日期类型在输入样本中占2个点。
8.根据权利要求7所述的一种电力负荷预测方法,其特征在于,步骤S2中建立基于分层并行式贝叶斯神经网络的预测模型的过程为:
S21、构建新的训练性能函数:
网络规模由神经网络的权值和阈值大小决定,贝叶斯神经网络通过正则化的方法对神经网络的训练性能函数进行修正,限制权值和阈值大小;
S22、对96个预测点分别采用贝叶斯神经网络进行预测,构建分层并行式贝叶斯神经网络的预测模型。
9.根据权利要求8所述的一种电力负荷预测方法,其特征在于,步骤S21构建新的训练性能函数的过程为:
传统前馈型神经网络采用均方误差公式MSE作为训练性能函数:
式中:N为样本总数;ei为误差,ti为实际目标值,ai为神经网络预测模型的预测值;
贝叶斯正则化法在式(1)的训练性能函数的基础上,将权值的均方差引入到训练性能函数中,构成式(2)所示的新的训练性能函数:
msereg=βEd+αEw (2)
式中:msereg为改进后的训练性能函数;α、β为正则化参数;Ew为神经网络所有权值平方和的平均值;Wi为权值;
网络训练过程中,正则化参数通过式(4)进行自适应地调整,从而达到最优训练的目的;
式中:γ=N-2αtr(H)-1;H为msereg的海森矩阵。
10.根据权利要求9所述的一种电力负荷预测方法,其特征在于,步骤S22构建分层并行式贝叶斯神经网络的预测模型的过程为:
选择单隐层神经网络,每个贝叶斯神经网络包含一个输入层、一个隐含层和一个输出层,其中,输入层和输出层节点个数根据预测时实际数据输入和输出来确定,即训练样本的构成确定输入层和输出层节点,分别为19和1;而隐含层神经元个数L的确定方式用试错法,即反复实验的方式来确定,L的实验范围根据公式(5)确定:
式中,a和b分别表示输入层和输出层节点个数;
L为10个,贝叶斯神经网络选择Tansig函数和logsig函数作为隐藏层和输出层的传输函数,学习率设置为0.1,目标误差为0.0001,训练最大次数500。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175279.6A CN110991722A (zh) | 2019-11-26 | 2019-11-26 | 一种电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175279.6A CN110991722A (zh) | 2019-11-26 | 2019-11-26 | 一种电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991722A true CN110991722A (zh) | 2020-04-10 |
Family
ID=70087123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911175279.6A Pending CN110991722A (zh) | 2019-11-26 | 2019-11-26 | 一种电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991722A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461462A (zh) * | 2020-04-29 | 2020-07-28 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
CN111563973A (zh) * | 2020-04-27 | 2020-08-21 | 湖北同诚通用航空有限公司 | 直升机电力巡检系统、巡检方法及计算机可读存储介质 |
CN112308342A (zh) * | 2020-11-25 | 2021-02-02 | 广西电网有限责任公司北海供电局 | 一种基于深度时间解耦的日负荷预测方法及应用 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN114065653A (zh) * | 2022-01-17 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
CN114219144A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种主变负荷预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109409614A (zh) * | 2018-11-16 | 2019-03-01 | 国网浙江瑞安市供电有限责任公司 | 一种基于贝叶斯正则化神经网络的电力负荷预测方法 |
-
2019
- 2019-11-26 CN CN201911175279.6A patent/CN110991722A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409614A (zh) * | 2018-11-16 | 2019-03-01 | 国网浙江瑞安市供电有限责任公司 | 一种基于贝叶斯正则化神经网络的电力负荷预测方法 |
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 |
Non-Patent Citations (4)
Title |
---|
YALAMANCHILI ET AL.: "Acceleration of hierarchical Bayesian network based cortical models on multicore architectures", 《PARALLEL COMPUTING》 * |
李慧良 等: "基于贝叶斯神经网络的短期负荷预测应用研究", 《广东电力》 * |
殷豪 等: "基于VMD-SE-IPSO-BNN的超短期风电功率预测", 《电测与仪表》 * |
鞠平 等: "96点短期负荷预测方法及其应用", 《电力系统自动化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563973A (zh) * | 2020-04-27 | 2020-08-21 | 湖北同诚通用航空有限公司 | 直升机电力巡检系统、巡检方法及计算机可读存储介质 |
CN111461462A (zh) * | 2020-04-29 | 2020-07-28 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
CN111461462B (zh) * | 2020-04-29 | 2023-11-21 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
CN112308342A (zh) * | 2020-11-25 | 2021-02-02 | 广西电网有限责任公司北海供电局 | 一种基于深度时间解耦的日负荷预测方法及应用 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN112488399B (zh) * | 2020-12-04 | 2024-04-23 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN114219144A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种主变负荷预测方法及系统 |
CN114065653A (zh) * | 2022-01-17 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 电力负荷预测模型的构建方法与电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991722A (zh) | 一种电力负荷预测方法 | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Cheng et al. | A new combined model based on multi-objective salp swarm optimization for wind speed forecasting | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN107563539A (zh) | 基于机器学习模型的短期和中长期电力负荷预测方法 | |
CN110705743B (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 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
JP2013074695A (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
Lu et al. | Study on the optimal hydropower generation of Zhelin reservoir | |
Wang et al. | A regional pretraining-classification-selection forecasting system for wind power point forecasting and interval forecasting | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN107194460A (zh) | 金融时间序列预测的量子粒子群优化递归神经网络方法 | |
CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
Wang et al. | Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN114548350A (zh) | 一种基于樽海鞘群和bp神经网络的电力负荷预测方法 | |
CN112488399B (zh) | 电力负荷预测方法及装置 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN106296444A (zh) | 一种基于粒子群算法和支持向量机的年度全社会电量预测方法 |
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: 20200410 |