CN112183849A - 一种基于人工神经网络的短期电力电量预测方法 - Google Patents

一种基于人工神经网络的短期电力电量预测方法 Download PDF

Info

Publication number
CN112183849A
CN112183849A CN202011024523.1A CN202011024523A CN112183849A CN 112183849 A CN112183849 A CN 112183849A CN 202011024523 A CN202011024523 A CN 202011024523A CN 112183849 A CN112183849 A CN 112183849A
Authority
CN
China
Prior art keywords
prediction
week
day
neural network
short
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
CN202011024523.1A
Other languages
English (en)
Inventor
彭鹏
陈涛
章立
任廷林
朱江
高英
邹兴建
周保中
乐鹰
朱文斌
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.)
Guizhou Wujiang Hydropower Development Co Ltd
Original Assignee
Guizhou Wujiang Hydropower Development 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 Guizhou Wujiang Hydropower Development Co Ltd filed Critical Guizhou Wujiang Hydropower Development Co Ltd
Priority to CN202011024523.1A priority Critical patent/CN112183849A/zh
Publication of CN112183849A publication Critical patent/CN112183849A/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
    • 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

本发明公开了一种基于人工神经网络的短期电力电量预测方法，包括采集气象信息进行量化处理得到气象因子特征量；利用所述气象因子特征量建立基于人工神经网络的短期电量预测模型；对所述预测模型进行训练；向所述训练完成的预测模型输入原始数据并得到预测数据。本发明对于短期负荷的预测，构建周电量预测和日前负荷预测的多套预测算法模型库，后续可根据不同地区在气候、负荷变化等方面各自的特点差异，单个或综合选择相适应的预测模型，达到提升短期负荷预测精度的目的；并且本发明还考虑到气象因素对于预测精度的影响，进一步提高了短期电力预测的精度。

Description

一种基于人工神经网络的短期电力电量预测方法
技术领域
本发明涉及的技术领域，尤其涉及一种基于人工神经网络的短期电力电量预测方法。
背景技术
短期负荷预测是负荷预测的重要组成部分，它对于机组最优组合、经济调度、最优潮流、电力市场交易等都有着重要的意义。负荷预测精度越高，越有利于提高发电企业的报价和决策的有效性。
随着电力体制改革的进一步深化、电力市场的建立健全、发用电计划的有序放开和售电侧市场主体的培育形成，电力系统将逐步改变计划生产的方式，在更加独立和开放的市场环境下运行。因此，发电企业需要更加准确的负荷预测结果来设计高效的竞价和运营方案，提升市场竞争力。这其中，短期负荷预测更是备受关注的重点，准确的短期负荷预测结果可以带来巨大的经济效益。国外有关的研究发现，短期负荷的平均预测误差每下降1％就可以节约数十甚至上百万美元。
由于负荷的随机因素太多，非线性极强，而有些传统方法理论依据尚存在局限性等问题，因此，新理论和新技术的发展一直推动着短期负荷预测的不断发展，新的预测方法层出不穷。短期负荷预测的最大特点是其具有明显的周期性，包括：
(1)不同日之间24小时整体变化规律的相似性，
(2)不同周、同一星期类型日的相似性，
(3)工作日/休息日各自的相似性，
(4)不同年度的重大节假日负荷曲线的相似性。
此外，在具备上述周期性的同时，短期负荷预测的另外一个特点是其明显受到各种环境因素的影响，如季节更替、天气因素突然变化、设备事故和检修、重大文体活动等，这使得负荷时间序列的变化出现非平稳的随机过程。因此，在短期负荷预测方法的研究中，应根据不同预测对象在时域上的特点，探讨基于时序分析的预测方法可行性的基础上，充分考虑环境因素的影响，将气象等数据纳入预测模型，进一步提升短期负荷预测的精度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在短期电力电量预测精度的问题，提出了本发明。
因此，本发明解决的技术问题是：由于短期电力电量预测的随机因素太多，传统方法理论依据存在局限性，随着负荷时间序列的变化出现随机过程，因此短期电力电量预测的精度不高。
为解决上述技术问题，本发明提供如下技术方案：采集气象信息进行量化处理得到气象因子特征量；利用所述气象因子特征量建立基于人工神经网络的短期电量预测模型；对所述预测模型进行训练，输入原始数据并得到预测数据；根据所述预测数据进行判断，获得最终的预测结果。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述建立基于人工神经网络的短期电量预测模型包括，一般在短期负荷预测中使用的网络是三层前馈网络，即只含有一个隐含层，而所述隐含层的神经元数目的选取与神经网络模型的训练效果是密切相关的，根据不同训练样本，考虑到预测计算时间的要求利用公式确定隐藏层的数量，所述预测模型如下：
Figure BDA0002701746310000021
其中：h为隐含层节点数，m为输入层节点数，p为输出层节点数，α为0～10之间的常数；在神经元构成方面，利用人工神经网络的高度非线性映射特性，来找出电力负荷中输入与输出的映射关系进而将前馈神经网络应用于短期负荷预测，因此输入样本的选取对整个神经网络具有重要的作用，在此选取多输入单输出结构网络以及多输入多输出结构网络两种结构。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述训练包括，神经网络的训练算法直接决定了其学习速度及预测精度，因此神经网络的训练算法需要很好的设计，应用列文伯格-马夸尔特算法进行计算，所述列文伯格-马夸尔特法与拟牛顿法一样，是为了在以近似二阶训练速率进行修正避免计算黑塞矩阵而设计的，所述黑塞矩阵表示为：H＝JTJ，而梯度表示为g＝JTe，因此列文伯格-马夸尔特算法的权重调整值为如下所示：
x(k+1)＝x(k)-[JTJ+μI]-1JTe
其中，J为误差对权值微分的雅克比矩阵，e为网络误差向量，I为单位矩阵，μ为常系数，在计算过程中μ是自适应调整的，当μ→∞时，上式为最速下降法，当μ→0时，上式为牛顿法，使用近似的黑塞矩阵。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述训练还包括，为了避免神经元出现饱和的现象及消除不同量级输入数据对模型训练的影响，需要对原始数据进行预处理，将不同量级的输入数据变换到同一个数量级便于训练过程的网络收敛，在此采用的预处理方法为：对于训练样本集中的每类数据，统计其最大值和最小值，在此数据为x，其最大值为xmax，最小值为xmin，将数据归一化至[0，1]或[-1，1]区间，其归一化计算公式为：
Figure BDA0002701746310000031
其中：x为映射前的取值，y为映射后的取值；在训练结束后可以将预测值通过下述公式转化为各类数据的还原值：
Figure BDA0002701746310000032
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述短期电量预测包括，将短期电量的预测分为周电量预测和日电量预测，并且针对不同的预测时期建立相对应的预测模型。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述周电量预测包括，由于周预测受气象条件影响较大，当周内的气象条件有所变化时，电力负荷会相应的受到一定影响，随着时间的积累从而反映到对周电量水平的影响，因此在进行周电量预测时需要考虑气象因素；为体现气象信息的周度特征，温度的处理上考虑到平均温度与电力负荷的相关因子最大，分别取周内每日的日平均温度中最大值、最小值及平均值作为温度周特征量；在湿度的处理上，分别取周内每日平均湿度中的最大值、最小值以及平均值；在降雨量的处理上，取周内日平均降雨量，从而建立了气象周特征信息根据气象部门公布的相关气象采集及预测数据以及周内每日电量汇总得到的周电量数据，建立所述基于神经网络的周电量预测模型。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述日电量预测包括，在日负荷的预测中，同样需要考虑气象因素对于电力预测的影响，因此需要提取日特征气象因素作为训练模型的输入，另一方面，星期类型的不同往往也会给电力负荷带来影响，因此需要将不同星期类型进行量化处理，便于识别同类型日，在此对于周六取0.4，周日取0.3，周一取0.7，周二到周五取0.8，需注意对于星期类型的量化方法并不唯一，因此采用神经网络算法建立日24点和日96点负荷的预测模型。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述日24点预测模型包括，基于同类型日思想，得到日24点负荷预测模型的输入层变量，包括预测日一周前、两周前的同类型24点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型，以及预测日前一天的24点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型，还有预测日的最高、最低及平均温度、平均湿度、降雨量、风速和星期类型。
作为本发明所述的基于人工神经网络的短期电力电量预测方法的一种优选方案，其中：所述日96点负荷预测模型包括，第一模型基于同类型日的思想，同时鉴于模型输入量的复杂程度，考虑一周前的数据，得到所述第一模型输入层变量包括，预测日一周前的同类型96点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型，预测日前一天的96点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型以及预测日的最高、最低及平均温度、平均湿度、降雨量、风速和星期类型；第二模型基于临近日的思想，同时为避免采用临近日两天气象信息相似，为避免造成输入特征信息冗余，只取前一日的气象信息作为输入，得到该模型输入层变量包括预测日两天前的96点负荷，预测日前一天的96点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型以及预测日的最高、最低及平均温度、平均湿度、降雨量、风速和星期类型。
本发明的有益效果：本发明对于短期负荷的预测，构建周电量预测和日前负荷预测的多套预测算法模型库，后续可根据不同地区在气候、负荷变化等方面各自的特点差异，单个或综合选择相适应的预测模型，达到提升短期负荷预测精度的目的；并且本发明还考虑到气象因素对于预测精度的影响，进一步提高了短期电力预测的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于人工神经网络的短期电力电量预测方法的方法流程图；
图2为本发明第一个实施例所述的基于人工神经网络的短期电力电量预测方法的以多输入单输出方式构成的短期负荷预测网络结构图；
图3为本发明第一个实施例所述的基于人工神经网络的短期电力电量预测方法的以多输入多输出方式构成的短期负荷预测网络结构图；
图4为本发明第一个实施例所述的基于人工神经网络的短期电力电量预测方法的周电量的电量曲线变化趋势图；
图5为本发明第一个实施例所述的基于人工神经网络的短期电力电量预测方法的一般情况下相邻日负荷曲线变化趋势图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～5，为本发明的第一个实施例，该实施例提供了一种基于人工神经网络的短期电力电量预测方法，包括：
S1：采集气象信息进行量化处理得到气象因子特征量。其中需要说明的是，
有两种量化方式：第一种为将周内气象信息以周为单位做平均量化处理，得到代表周气象特征的气象因子特征量，第二种为直接提取日特征气象因素。
S2：利用气象因子特征量建立基于人工神经网络的短期电量预测模型其中需要说明的是，建立基于人工神经网络的短期电量预测模型包括，一般在短期负荷预测中使用的网络是三层前馈网络，即只含有一个隐含层，而隐含层的神经元数目的选取与神经网络模型的训练效果是密切相关的，根据不同训练样本，考虑到预测计算时间的要求利用公式确定隐藏层的数量，公式如下：
Figure BDA0002701746310000061
其中：h为隐含层节点数，m为输入层节点数，p为输出层节点数，α为0～10之间的常数；在神经元构成方面，利用人工神经网络的高度非线性映射特性，来找出电力负荷中输入与输出的映射关系进而将前馈神经网络应用于短期负荷预测，因此输入样本的选取对整个神经网络具有重要的作用，在此选取多输入单输出结构网络以及多输入多输出结构网络两种结构。
进一步的是，多输入单输出结构网络以及多输入多输出结构网络的结构参照图2和图3所示，其中以多输入单输出结构网络的网络结构构成简单，神经网络的连接权重(优化变量)较少，但是用于训练的样本数量非常大；多输入多输出结构网络网络结构构成比较复杂，神经网络的连接权重(优化变量)很多，但是用于训练的样本数量比较少，在实际应用中可以根据当地情况选择更合适的网络结构。
S3：对所述预测模型进行训练，输入原始数据并得到预测数据。其中需要说明的是，
模型训练包括，神经网络的训练算法直接决定了其学习速度及预测精度，因此神经网络的训练算法需要很好的设计，传统算法在进行计算时存在学习速度慢和存在局部极小点等问题，因此应用列文伯格-马夸尔特算法(LM算法)进行计算，LM算法与拟牛顿法一样，是为了在以近似二阶训练速率进行修正避免计算黑塞矩阵(Hessian矩阵)而设计的，Hessian矩阵表示为：H＝JTJ，而梯度表示为g＝JTe，因此LM算法的权重调整值为如下所示：
x(k+1)＝x(k)-[JTJ+μI]-1JTe
其中，J为误差对权值微分的雅克比矩阵，e为网络误差向量，I为单位矩阵，μ为常系数，在计算过程中μ是自适应调整的，当μ→∞时，上式为最速下降法，当μ→0时，上式为牛顿法，使用近似的Hessian矩阵，LM算法的收敛速度最快，在提高神经网络预测精度和收敛速度方面取得了较好的应用效果。
进一步的是，训练还包括，为了避免神经元出现饱和的现象及消除不同量级输入数据对模型训练的影响，需要对原始数据进行预处理，将不同量级的输入数据变换到同一个数量级便于训练过程的网络收敛，在此采用的预处理方法为：对于训练样本集中的每类数据，统计其最大值和最小值，在此数据为x，其最大值为xmax，最小值为xmin，将数据归一化至[0，1]或[-1，1]区间，其归一化计算公式为：
Figure BDA0002701746310000071
其中：x为映射前的取值，y为映射后的取值；在训练结束后可以将预测值通过下述公式转化为各类数据的还原值：
Figure BDA0002701746310000081
S4：根据所述预测数据进行判断，获得最终的预测结果。其中需要说明的是，
短期电量预测包括，将短期电量的预测分为周电量预测和日电量预测，并且针对不同的预测时期建立相对应的预测模型。
其中：周电量预测包括，由于一般情况下，不同周的日电量变化趋势相似，呈现出以周为周期的变化规律，图4为某地区连续三周的日电量标幺曲线(为便于直观分析，此处采用曲线形式展示)，可见，相邻周内的日电量变化规律相似，因此相邻周的周电量水平在正常情况下非常接近，但是周预测受气象条件影响较大，当周内的气象条件有所变化时，电力负荷会相应的受到一定影响，随着时间的积累从而反映到对周电量水平的影响，因此在进行周电量预测时需要考虑气象因素；为体现气象信息的周度特征，温度的处理上考虑到平均温度与电力负荷的相关因子最大，分别取周内每日的日平均温度中最大值、最小值及平均值作为温度周特征量；在湿度的处理上，分别取周内每日平均湿度中的最大值、最小值以及平均值；在降雨量的处理上，取周内日平均降雨量，从而建立了气象周特征信息根据气象部门公布的相关气象采集及预测数据以及周内每日电量汇总得到的周电量数据，建立基于神经网络的周电量预测模型，模型的输入层由如下变量构成：
1)前一周周一到周日每日的日电量汇总得到的周度电量；
2)前一周内各日平均气温中的最大值、平均值及最小值；
3)前一周内各日平均湿度中的最大值、平均值及最小值；
4)前一周内日平均降雨量；
5)本周内各日平均气温中的最大值、平均值及最小值；
6)本周内各日平均湿度中的最大值、平均值及最小值；
7)本周内日平均降雨量；
预测模型的输出为：
1)本周周电量；
根据以上输入、输出变量对模型进行训练，模型一旦训练成功、达到预测精度要求，即可用于每周周电量的预测，实际中，气象数据可以根据预测地区实际周电量变化情况、气象数据获取情况以及不同季节情况，选择其中部分或者全部类型数据加入预测模型输入，参与模型训练，根据不同地区实际周电量预测测试情况进行适当的取舍。
日电量预测包括，参照图5可以看出，日前负荷预测的预测周期更短，负荷的随机因素较多，同时，每日负荷曲线表现出很明显的周期性，而且临近日负荷曲线相似度很高并且在日负荷的预测中，同样需要考虑气象因素对于电力预测的影响，因此需要提取日特征气象因素作为训练模型的输入，另一方面，星期类型的不同往往也会给电力负荷带来影响，因此需要将不同星期类型进行量化处理，便于识别同类型日，在此对于周六取0.4，周日取0.3，周一取0.7，周二到周五取0.8，需注意对于星期类型的量化方法并不唯一，因此采用神经网络算法建立日24点和日96点负荷的预测模型。
进一步的是：日24点预测模型包括，从模型复杂度和计算速率角度来考虑，基于“同类型日思想”，可以考虑两周前的数据，得到日24点负荷预测模型的输入层变量包括：
1)预测日一周前同类型日24点负荷；
2)预测日一周前同类型日最高、最低及平均温度；
3)预测日一周前同类型日平均湿度、降雨量、风速；
4)预测日一周前同类型日星期类型；
5)预测日两周前同类型日24点负荷；
6)预测日两周前同类型日最高、最低及平均温度；
7)预测日两周前同类型日平均湿度、降雨量、风速；
8)预测日两周前同类型日星期类型；
9)预测日前一天24点负荷；
10)预测日前一天最高、最低及平均温度；
11)预测日前一天平均湿度、降雨量、风速；
12)预测日前一天星期类型；
13)预测日最高、最低及平均温度；
14)预测日平均湿度、降雨量、风速；
15)预测日星期类型；
日24点负荷预测模型的输入层变量如下：
1)预测日24点负荷；
日96点负荷预测模型有两种，其中第一模型考虑了“同类型日的思想”，同时鉴于模型输入量的复杂程度，考虑一周前的数据，得到该模型输入层变量包括：
1)预测日一周前同类型日96点负荷；
2)预测日一周前同类型日最高、最低及平均温度；
3)预测日一周前同类型日平均湿度、降雨量、风速；
4)预测日一周前同类型日星期类型；
5)预测日前一天96点负荷；
6)预测日前一天最高、最低及平均温度；
7)预测日前一天平均湿度、降雨量、风速；
8)预测日前一天星期类型；
9)预测日最高、最低及平均温度；
10)预测日平均湿度、降雨量、风速；
11)预测日星期类型；
日96点负荷预测模型1的输出层变量如下：
1)预测日96点负荷；
第二模型考虑了“临近日”的思想，同时为避免采用临近日两天气象信息相似，为避免造成输入特征信息冗余，只取前一日的气象信息作为输入，得到该模型输入层变量包括：
1)预测日两天前96点负荷；
2)预测日前一天96点负荷；
3)预测日前一天最高、最低及平均温度；
4)预测日前一天平均湿度、降雨量、风速；
5)预测日前一天星期类型；
6)预测日最高、最低及平均温度；
7)预测日平均湿度、降雨量、风速；
8)预测日星期类型；
日96点负荷预测模型2的输出层变量如下：
1)预测日96点负荷；
需要说明的是：以上预测网络输入输出结构并不是一成不变的，这需要根据用户已有数据详实度、预测计算速度的要求以及对不同地区的测试情况综合选择，对于不同地区的样本数据，输入特征量不一定越多训练模型预测效果就越好，往往过多的输入量还可能引起数据冗余情况发生，反而影响模型预测的精度，因此需要根据实际测试效果及计算速度要求在以上模型结构的基础上进行调整、更改或删减。
实施例2
本发明的第二个实施例，以2018年的电量数据对本发明方法进行验证。
对于周电量的预测，通过采用不加修正的实际数据，以从2018年1月1日周一开始的第一周到第10周的周总电量和周内温度数据作为基础数据，预测第11周的周总电量，并类似地滚动预测到第86周，分别得到各周的预测周电量，并与实际电量对比，得到预测误差如下表1所示，其中电量单位为亿kWh；
表1：基于神经网络算法的整周周电量预测。
Figure BDA0002701746310000111
Figure BDA0002701746310000121
Figure BDA0002701746310000131
Figure BDA0002701746310000141
Figure BDA0002701746310000151
由表1可以看出，在正常情况下均能得到较好的预测效果，由于均采用未加修正的实际值作为预测基础数据，对于包含重大节假日的周以及预测样本中含有重大节假日的周电量数据都会对预测结果有所影响，实际应用中应剔除这类样本或者加以修正；以上共76周的周电量预测误差平均绝对误差百分数为5.09％，去掉待预测周含有重大节假日的周电量预测误差以及待预测周前10周样本中含有重大节假日的各组周电量误差，得到平均绝对误差百分数为3.4％，因此本发明方法对于周电量的预测具有参考意义。
对于日电力电量的预测，以基于神经网络算法的24点负荷预测模型为例进行预测测试，随机选取春夏秋冬四季中各一天作为预测测试，选取待预测日前40天日24点负荷作为负荷基础数据，由于气象数据有限，选取日最高温度、最低温度作为气象特征量，并将日期类型作为输入训练数据，采用不同的输入特征量进行测试：
①考虑一周前同类型日信息作为输入特征量：
建立以前一日24点负荷数据、气象数据、星期类型，前一周相似日24点负荷数据、气象数据、星期类型，待预测日气象数据、星期类型作为输入，待预测日24点负荷作为输出的预测模型，模型输入变量维数为57，输出维数为24。
预测2018年1月5日24点负荷，以2017年11月26日至2018年1月4日的负荷、气象特征、星期类型数据及1月5日的气象特征数据作为基础数据，在24点负荷预测误差中，最大相对误差绝对值为2.56％，最小相对误差绝对值为0.066％，平均相对误差(MAPE)为0.98％；
预测2018年4月29日24点负荷，以2018年3月20日至2018年4月28日的负荷、气象特征、星期类型数据及4月29日的气象特征数据作为基础数据，在24点负荷预测误差中，最大相对误差绝对值为1.98％，最小相对误差绝对值为1.73％，平均相对误差(MAPE)为1.85％。
②考虑两周前同类型日信息作为输入特征量：
建立以前一日24点负荷数据、气象数据、星期类型，前一周相似日24点负荷数据、气象数据、星期类型，待预测日气象数据、星期类型，前两周相似日24点负荷数据、气象数据、星期类型，待预测日气象数据、星期类型作为输入，待预测日24点负荷作为输出的预测模型，模型输入变量维数为84，输出维数为24。
预测2018年8月10日24点负荷结果，在24点负荷预测误差中，最大相对误差绝对值为1.96％，最小相对误差绝对值为1.27％，平均相对误差(MAPE)为1.73％；
预测2018年10月20日24点负荷结果，在24点负荷预测误差中，最大相对误差绝对值为3.06％，最小相对误差绝对值为0.67％，平均相对误差(MAPE)为1.43％
③不考虑临近周同类型日信息作为输入特征量：
建立一个以前一日24点负荷数据、当日气象特征、日期类型作为输入，以当日24点负荷作为输出的神经网络预测模型。
预测2018年4月29日24点负荷结果，在24点负荷预测误差中，最大相对误差绝对值为1.24％，最小相对误差绝对值为0.83％，平均相对误差(MAPE)为0.95％；
预测2018年8月10日24点负荷结果，在24点负荷预测误差中，最大相对误差绝对值为1.01％，最小相对误差绝对值为0.12％，平均相对误差(MAPE)为0.47％。
通过以上实验可以看出采用上述不同输入特征量的24点负荷预测算法均得到了较好的预测效果，满足实际工作中对预测精度的要求，因此实际工作中用户可根据掌握的负荷数据及气象数据信息的充实度、历史综合预测效果选择或更改输入变量特征量，都可以是的预测模型有较高的精度，增强了模型的实用性。
因此从周电量预测和日电量预测两方面可以明显看出，使用本发明方法对于电力电量的预测都能够取得较高的精度，并且提供不同预测模型进行选择，与传统基于时序趋势外推算法相比更具高度非线性、随机性的模型处理能力，且具有自适应、自学习能力，并且本发明方法能够满足电力市场背景下对电力短期负荷预测提出的高精度要求，还考虑到气象因素进一步提高了预测的精度，由此可见本发明方法较好。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于人工神经网络的短期电力电量预测方法，其特征在于：包括，
采集气象信息进行量化处理得到气象因子特征量；
利用所述气象因子特征量建立基于人工神经网络的短期电量预测模型；
对所述预测模型进行训练，输入原始数据并得到预测数据；
根据所述预测数据进行判断，获得最终的预测结果。
2.如权利要求1所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述建立基于人工神经网络的短期电量预测模型包括，
一般在短期负荷预测中使用的网络是三层前馈网络，即只含有一个隐含层，而所述隐含层的神经元数目的选取与神经网络模型的训练效果是密切相关的，根据不同训练样本，考虑到预测计算时间的要求利用公式确定隐藏层的数量，所述预测模型如下：
Figure FDA0002701746300000011
其中：h为隐含层节点数，m为输入层节点数，p为输出层节点数，α为0～10之间的常数；在神经元构成方面，利用人工神经网络的高度非线性映射特性，来找出电力负荷中输入与输出的映射关系进而将前馈神经网络应用于短期负荷预测，因此输入样本的选取对整个神经网络具有重要的作用，在此选取多输入单输出结构网络以及多输入多输出结构网络两种结构。
3.如权利要求1或2所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述训练包括，
神经网络的训练算法直接决定了其学习速度及预测精度，因此神经网络的训练算法需要很好的设计，应用列文伯格-马夸尔特算法进行计算，所述列文伯格-马夸尔特法与拟牛顿法一样，是为了在以近似二阶训练速率进行修正避免计算黑塞矩阵而设计的，所述黑塞矩阵表示为：H＝JTJ，而梯度表示为g＝JTe，因此列文伯格-马夸尔特算法的权重调整值为如下所示：
x(k+1)＝x(k)-[JTJ+μI]-1JTe
其中，J为误差对权值微分的雅克比矩阵，e为网络误差向量，I为单位矩阵，μ为常系数，在计算过程中μ是自适应调整的，当μ→∞时，上式为最速下降法，当μ→0时，上式为牛顿法，使用近似的黑塞矩阵。
4.如权利要求3所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述训练还包括，
为了避免神经元出现饱和的现象及消除不同量级输入数据对模型训练的影响，需要对原始数据进行预处理，将不同量级的输入数据变换到同一个数量级便于训练过程的网络收敛，在此采用的预处理方法为：对于训练样本集中的每类数据，统计其最大值和最小值，在此数据为x，其最大值为xmax，最小值为xmin，将数据归一化至[0，1]或[-1，1]区间，其归一化计算公式为：
Figure FDA0002701746300000021
其中：x为映射前的取值，y为映射后的取值；在训练结束后可以将预测值通过下述公式转化为各类数据的还原值：
Figure FDA0002701746300000022
5.如权利要求1或4所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述短期电量预测包括，
将短期电量的预测分为周电量预测和日电量预测，并且针对不同的预测时期建立相对应的预测模型。
6.如权利要求5所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述周电量预测包括，
由于周预测受气象条件影响较大，当周内的气象条件有所变化时，电力负荷会相应的受到一定影响，随着时间的积累从而反映到对周电量水平的影响，因此在进行周电量预测时需要考虑气象因素；为体现气象信息的周度特征，温度的处理上考虑到平均温度与电力负荷的相关因子最大，分别取周内每日的日平均温度中最大值、最小值及平均值作为温度周特征量；在湿度的处理上，分别取周内每日平均湿度中的最大值、最小值以及平均值；在降雨量的处理上，取周内日平均降雨量，从而建立了气象周特征信息根据气象部门公布的相关气象采集及预测数据以及周内每日电量汇总得到的周电量数据，建立所述基于神经网络的周电量预测模型。
7.如权利要求5所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述日电量预测包括，
在日负荷的预测中，同样需要考虑气象因素对于电力预测的影响，因此需要提取日特征气象因素作为训练模型的输入，另一方面，星期类型的不同往往也会给电力负荷带来影响，因此需要将不同星期类型进行量化处理，便于识别同类型日，在此对于周六取0.4，周日取0.3，周一取0.7，周二到周五取0.8，需注意对于星期类型的量化方法并不唯一，因此采用神经网络算法建立日24点和日96点负荷的预测模型。
8.如权利要求7所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述日24点预测模型包括，
基于同类型日思想，得到日24点负荷预测模型的输入层变量，包括预测日一周前、两周前的同类型24点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型，以及预测日前一天的24点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型，还有预测日的最高、最低及平均温度、平均湿度、降雨量、风速和星期类型。
9.如权利要求7所述的基于人工神经网络的短期电力电量预测方法，其特征在于：所述日96点负荷预测模型包括，
第一模型基于同类型日的思想，同时鉴于模型输入量的复杂程度，考虑一周前的数据，得到所述第一模型输入层变量包括，预测日一周前的同类型96点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型，预测日前一天的96点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型以及预测日的最高、最低及平均温度、平均湿度、降雨量、风速和星期类型；
第二模型基于临近日的思想，同时为避免采用临近日两天气象信息相似，为避免造成输入特征信息冗余，只取前一日的气象信息作为输入，得到该模型输入层变量包括预测日两天前的96点负荷，预测日前一天的96点负荷、最高、最低及平均温度、平均湿度、降雨量、风速和星期类型以及预测日的最高、最低及平均温度、平均湿度、降雨量、风速和星期类型。
CN202011024523.1A 2020-09-25 2020-09-25 一种基于人工神经网络的短期电力电量预测方法 Pending CN112183849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011024523.1A CN112183849A (zh) 2020-09-25 2020-09-25 一种基于人工神经网络的短期电力电量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011024523.1A CN112183849A (zh) 2020-09-25 2020-09-25 一种基于人工神经网络的短期电力电量预测方法

Publications (1)

Publication Number Publication Date
CN112183849A true CN112183849A (zh) 2021-01-05

Family

ID=73943931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011024523.1A Pending CN112183849A (zh) 2020-09-25 2020-09-25 一种基于人工神经网络的短期电力电量预测方法

Country Status (1)

Country Link
CN (1) CN112183849A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580901A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 基于市场供需和区域气象预测的日前交易策略方法及系统
CN113254857A (zh) * 2021-04-27 2021-08-13 安徽理工大学 一种基于ssa-elm的短期电力负荷预测方法
CN113268929A (zh) * 2021-06-08 2021-08-17 广西电网有限责任公司南宁供电局 短期负荷区间预测方法及装置
CN113627682A (zh) * 2021-08-25 2021-11-09 深圳供电局有限公司 一种非居民用户日电量波动的预测方法及系统
CN113705889A (zh) * 2021-08-26 2021-11-26 广东电网有限责任公司 电耗预测方法、系统、终端设备及计算机可读存储介质
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN116526479A (zh) * 2023-07-03 2023-08-01 国网北京市电力公司 一种供电量预测方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463358A (zh) * 2014-11-28 2015-03-25 大连理工大学 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法
CN105678407A (zh) * 2015-12-31 2016-06-15 国网上海市电力公司 一种基于人工神经网络的日用电量预测方法
CN107730059A (zh) * 2017-11-29 2018-02-23 成都思晗科技股份有限公司 基于机器学习的变电站电量趋势预测分析的方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN109165774A (zh) * 2018-08-07 2019-01-08 燕山大学 一种短期光伏功率预测方法
CN109829613A (zh) * 2018-12-26 2019-05-31 国网山东省电力公司淄博供电公司 一种配电网双时间尺度状态估计方法及系统
CN111191854A (zh) * 2020-01-10 2020-05-22 上海积成能源科技有限公司 一种基于线性回归及神经网络的光伏发电预测模型和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463358A (zh) * 2014-11-28 2015-03-25 大连理工大学 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法
CN105678407A (zh) * 2015-12-31 2016-06-15 国网上海市电力公司 一种基于人工神经网络的日用电量预测方法
CN107730059A (zh) * 2017-11-29 2018-02-23 成都思晗科技股份有限公司 基于机器学习的变电站电量趋势预测分析的方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN109165774A (zh) * 2018-08-07 2019-01-08 燕山大学 一种短期光伏功率预测方法
CN109829613A (zh) * 2018-12-26 2019-05-31 国网山东省电力公司淄博供电公司 一种配电网双时间尺度状态估计方法及系统
CN111191854A (zh) * 2020-01-10 2020-05-22 上海积成能源科技有限公司 一种基于线性回归及神经网络的光伏发电预测模型和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MATLAB中文论坛: "《MATLAB神经网络30个案例分析》", 30 April 2010 *
孙钧: "《地下结构设计理论与方法及工程实践》", 30 June 2016 *
隋惠惠: "基于BP神经网络的短期电力负荷预测的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580901A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 基于市场供需和区域气象预测的日前交易策略方法及系统
CN113254857A (zh) * 2021-04-27 2021-08-13 安徽理工大学 一种基于ssa-elm的短期电力负荷预测方法
CN113268929A (zh) * 2021-06-08 2021-08-17 广西电网有限责任公司南宁供电局 短期负荷区间预测方法及装置
CN113268929B (zh) * 2021-06-08 2024-05-14 广西电网有限责任公司南宁供电局 短期负荷区间预测方法及装置
CN113627682A (zh) * 2021-08-25 2021-11-09 深圳供电局有限公司 一种非居民用户日电量波动的预测方法及系统
CN113705889A (zh) * 2021-08-26 2021-11-26 广东电网有限责任公司 电耗预测方法、系统、终端设备及计算机可读存储介质
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113743673B (zh) * 2021-09-09 2023-12-22 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN116526479A (zh) * 2023-07-03 2023-08-01 国网北京市电力公司 一种供电量预测方法、装置、设备及介质
CN116526479B (zh) * 2023-07-03 2023-10-13 国网北京市电力公司 一种供电量预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112183849A (zh) 一种基于人工神经网络的短期电力电量预测方法
WO2021213192A1 (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
Huang et al. A new artificial intelligent peak power load forecaster based on non-fixed neural networks
CN110675275B (zh) 一种虚拟电厂的需求侧响应用电负荷调控方法及系统
CN103985000B (zh) 基于函数型非参数回归的中长期典型日负荷曲线预测方法
WO2015081660A1 (zh) 一种居民小区短期负荷预测方法
CN104537433A (zh) 基于存量容量与业扩报装特征的售电量预测方法
CN109376950A (zh) 一种基于bp神经网络的多元电网负荷预测方法
CN112149879A (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN108596242A (zh) 基于小波神经网络和支持向量机的电网气象负荷预测方法
CN105631532A (zh) 一种基于模糊决策的神经网络模型电力系统负荷预测方法
CN104573857A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
CN112054507A (zh) 基于卷积神经网络的配电低压台区理论线损区间计算方法
CN104834975A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
CN106845694A (zh) 一种风能、太阳能管理系统
CN108053066A (zh) 工业生产用户能源管理系统中可调电力负荷的预测方法
CN104915727B (zh) 多维度同构异质bp神经网络光功率超短期预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN115205068A (zh) 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN106529742A (zh) 一种利用日负荷率搜库法预测电网典型日负荷的方法
CN114707782A (zh) 一种石材园区用户参与有序用电的决策与管理方法
CN109886449A (zh) 一种基于用户用电行为的地区电网负荷预测方法
CN107679651A (zh) 一种基于灰色预测模型与bp人工神经网络模型的月用电量预测方法
CN107609690A (zh) 一种负荷主动管理决策优化的方法
CN104598982B (zh) 年最大降温负荷的获取方法及系统

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