CN112183878A - 一种结合知识图谱与神经网络的电力负荷预测方法 - Google Patents

一种结合知识图谱与神经网络的电力负荷预测方法 Download PDF

Info

Publication number
CN112183878A
CN112183878A CN202011092980.4A CN202011092980A CN112183878A CN 112183878 A CN112183878 A CN 112183878A CN 202011092980 A CN202011092980 A CN 202011092980A CN 112183878 A CN112183878 A CN 112183878A
Authority
CN
China
Prior art keywords
power load
factors
knowledge
neural network
data
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
CN202011092980.4A
Other languages
English (en)
Inventor
杜金铭
方子睿
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202011092980.4A priority Critical patent/CN112183878A/zh
Publication of CN112183878A publication Critical patent/CN112183878A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了结合知识图谱与神经网络的电力负荷预测方法，涉及人工智能技术领域，包括：构建电力负荷影响因素知识图谱；利用所述电力负荷影响因素知识图谱，确定影响电力负荷变化的主要因素；量化所述影响电力负荷变化的主要因素；结合电力负荷历史数据与影响因素建立预测模型；基于预测模型进行电力负荷预测，得到电力负荷预测结果。针对电力负荷的特性和与它预测相关的影响因素进行分析，利用知识图谱刻画影响电力负荷变化的因素，将这些影响因素和历史数据结合起来，应用BP神经网络进行电力负荷预测，能够得到准确的电力负荷预测结果。

Description

一种结合知识图谱与神经网络的电力负荷预测方法
技术领域
本发明涉及人工智能技术领域，更具体地说，涉及一种结合知识图谱与神经网络的电力负荷预测方法。
背景技术
电力产业作为国民工业系统中的支柱产业之一，其平稳运行与国家的国民经济的命脉息息相关。对电力负荷的预测在电力系统管理中至关重要。电力系统的平稳运行、制定合理的电价、电力的实时调度依赖于准确的电力负荷预测。电力负荷预算在经济领域，对合理调配资源，优化发电计划，取得最优的社会效益和经济效益产生巨大的影响。随着生活水平的提高，电力的需求与国民经济水平呈正相关。另一方面来说，日期、温度、气候、市场以及政策都会对电力负荷产生巨大的影响，也因此使得电力负荷预测的难度进一步增加。
传统的电力负荷预测的方法包括：指数平滑法、回归分析法、时间序列法、灰色预测法、卡尔曼滤波法、小波分析法、专家系统法、人工神经网络法等等。这些传统方法对于负荷历史数据以及对历史数据的预处理依赖太强。在实际工作运行的电力系统中，拉闸限电等人为因素均会对系统运行产生影响，与这种因素相似的其它人为因素不在少数，这些因素一方面使电力系统处于一个较为稳定的环境中，同时也能够稳定的运行，另一方面诸多人为因素决定了系统会经常受到影响，并且无法逃避噪音的侵袭。这些原因导致“不良数据”的出现，因此对数据的预处理就显得尤为的重要，也无可避免的需要人为的干预。
存在太多无法掌握的可能引起负荷发生变化的因素，除了自然条件外，经济因素、能源政策、环境政策、行业产业结构调整等重大社会事件对负荷预测均可能产生较大影响，无法让专家系统提前做排除工作。
另外，还存在一些没有办法具体量化的变化因素，虽然我们知道它会对其产生影响但我们无法准确的设定其影响。除传统预测考虑的以结构化数据表示的相关因素外，还包括大量的非结构化、半结构化影响因素。这些都是现有方法难以进行解决的。
发明内容
有鉴于此，本发明提供一种结合知识图谱与神经网络的电力负荷预测方法，以实现准确的电力负荷预测。
为了实现上述目的，现提出的方案如下：
一种结合知识图谱与神经网络的电力负荷预测方法，包括以下步骤：
S101、构建电力负荷影响因素知识图谱；
S102、利用所述电力负荷影响因素知识图谱，确定影响电力负荷变化的主要因素；
S103、量化所述影响电力负荷变化的主要因素；
S104、结合电力负荷历史数据与影响因素建立预测模型；
S105、基于预测模型进行电力负荷预测，得到电力负荷预测结果。
进一步地，所述构建电力负荷影响因素知识图谱，包括：
基于从开放的数据库中抽取的电力负荷影响因素实体、属性及关系，搭建语义网络；
获取电力负荷相关知识；
对所述电力负荷相关知识进行数字化知识表示；
对所述数字化知识表示后的电力负荷相关知识进行知识融合与计算。
进一步地，所述利用所述电力负荷影响因素知识图谱，确定影响电力负荷变化的主要因素，包括：
利用所述电力负荷影响因素知识图谱，以电力负荷预测影响因素为关键词，进行语义级搜索，得到影响电力负荷变化的主要因素。
进一步地，所述确定影响电力负荷变化的主要因素之后还包括：
引入影响电力负荷变化的重要因素；所述重要因素至少包括：气象因素和节假日因素。
进一步地，结合电力负荷历史数据与影响因素建立预测模型包括：
获取电力负荷数据，并对所述电力负荷数据进行筛选和预处理；
确定神经网络中超参数，基于所述超参数建立并训练基于BP神经网络的电力负荷预测模型。
进一步地，所述对所述电力负荷数据进行筛选和预处理包括：
确定电力负荷历史数据；
对所述电力负荷历史数据进行预处理，剔除异常数据；
对剔除异常数据之后的电力负荷历史数据进行归一化。
进一步地，所述基于所述超参数建立并训练基于BP神经网络的电力负荷预测模型，包括：
S401、初始化网络的连接权值和阈值；
S402、给定输入xi和目标输出yi；
S403、确定隐含层神经元的个数，根据以下公式确定隐含层神经元的个数：
Figure BDA0002722780510000031
其中，n、m分别为输入和输出层神经元个数；a为1-10之间的调节常数；
S404、信号的前项传播过程：
设第i个节点的输入为xi，其加和得到Ii，经过f将输出限定在一定的范围内，得到输出Oi：
Figure BDA0002722780510000032
Figure BDA0002722780510000033
其中，wij表示节点i、j之间连接的权重；θi表示神经元i的阈值；
每一层的输出都又作为下一层的输入，通过已经设计好的网络一直迭代得到最终的输出；
S405、计算均方误差：将Ok与期望输出Tk进行均方差计算，均方误差值E是神经网络训练过程中的重要参考指标；
Figure BDA0002722780510000034
其中，Ok为n个神经元中的第k个神经元的输出；
S406、误差的反向传递过程：神经网络通过梯度下降法沿着误差函数偏导数负方向来调整每个神经元的权值和阈值，按如下公式进行修正：
Figure BDA0002722780510000041
Figure BDA0002722780510000042
其中，η为学习率；Δwij为修正后的节点i、j之间连接的权重；Δθi为修正后的神经元i的阈值；
S407、重复步骤S404～S406，直到整个训练误差达到误差精度要求，即△E＜s，△E(t)＝E(t+1)-E(t)；s为预设的误差阈值。
从上述的技术方案可以看出，本发明公开的结合知识图谱与神经网络的电力负荷预测方法，针对电力负荷的特性和与它预测相关的影响因素进行分析，利用知识图谱刻画影响电力负荷变化的因素，将这些影响因素和历史数据结合起来，应用BP神经网络进行电力负荷预测，能够得到准确的电力负荷预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种结合知识图谱与神经网络的电力负荷预测方法的流程图；
图2为本发明实施例公开的一种构建电力负荷影响因素知识图谱的流程图；
图3为本发明实施例公开的一种关于电力负荷主要影响因素的知识图谱示意图；
图4为本发明实施例公开的一种BP神经网络的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种结合知识图谱与神经网络的电力负荷预测方法，以实现准确的电力负荷预测。
参见图1，其示出了本发明实施例中一种结合知识图谱与神经网络的电力负荷预测方法的流程图。该方法包括以下步骤：
S101、构建电力负荷影响因素知识图谱；
构建电力负荷影响因素知识图谱的具体方式包括：
a、搭建语义网络；
利用图和网络的概念，建立起一种语义网。图中的边表示属性或相互关系，而图中的节点则指向实体或属性值。先进入开放的数据库中(通常是互联网，知网或者类似于电网内网之类)，再从中抽取所需构建主体——电力负荷的相关影响因素实体、属性及关系，自底向上地构建语义网络，最终形成电力负荷影响因素的知识图谱。
b、获取电力负荷相关知识；
构建知识图谱需要获取知识，利用爬虫、机器学习和众包法等方法从信息繁杂的网络中将涉及到电力负荷变化的信息从不同结构和类型的数据中提取出来，然后把它们转化为可供计算机理解和计算的结构化数据，以供进一步的分析和利用。
c、数字化知识表示；
电力负荷相关知识可以定义为影响负荷变化的诸多因素。知识表示就是将这些因素转化为可供计算机理解和计算的结构化数据，它需要应用到数据结构的知识，以便更好地对知识进行描述和定义。
d、知识融合与计算；
知识融合是知识组织与信息融合的过程，通过对众多分散、异构资源上知识的获取、匹配、集成、挖掘等处理，获取隐含的或有价值的新知识，同时优化知识的结构和内涵，提供知识服务。知识计算主要做两方面工作：一是知识统计与图挖掘，它主要是做初步的统计、查询工作；另一个是知识推理，它主要做的是基于符号的逻辑推理和基于统计的计算推理工作。知识计算主要是为知识图谱的输出服务的。
S102、确定影响电力负荷变化的因素；
知识图谱作为一项新兴的技术，在如今的大数据时代为信息的表达提供了一种简洁明了的方式，将海量琐碎的信息有机的结合了起来，并将它们清晰地呈现在人们面前，使得知识表达更接近人的理解方式。
利用建立起的电力负荷相关因素知识图谱，进行语义级搜索。相比传统关键词搜索，针对知识图谱尤其是在针对搜索条件中具有多个关键词，且关键词之间存在一定的联系时，优势极为明显。基于智能化查询，以电力负荷预测影响因素为关键词，可以得到关于电力负荷主要影响因素的知识图谱。
经过分析影响电力负荷预测的因素，构建知识图谱后，可以引入气象因素和节假日因素这两个方面来改进模型。需要说明的是，诸如地理差异、政策化差异等因素当然也是影响电力负荷变化的重要因素，也可作为输入引入预测模型。本发明对引入预测模型的重要因素不做限定。
S103、量化影响电力负荷变化的因素；
以天气和节假日为例，对相关因素进行处理：
(1)、有关天气的量化处理；
将天气粗略地分为晴天，多云，阴天，雨天，雪天5种不同的天气，它们对应的数值如表1所示。
表1
天气状况 晴天 多云 阴天 雨天 雪天
取值 1 0.8 0.6 0.4 0.2
(2)、有关节假日的量化处理；
除了天气以外，很显然节假日也是影响电力负荷的一项关键因素。比如工作日大型工厂的耗电量应比节假日的耗电量要大。将日期分为了两类：工作日和节假日，工作日就是工厂正常上班的日子，考虑到社会因素，节假日指的是双休日中的周末以及国家法定节假日，如春节、五一、国庆等。这里输入中将工作日拟定为0.5，将节假日拟定为1。
S104、结合电力负荷历史数据与影响因素建立预测模型；
构建电力负荷预测的模型，要收集、整理相关负荷数据，并对数据进行筛选和预处理，建立BP神经网络的目标样本以及训练样本。对历史负荷数据以及影响因素进行量化以及归一化处理后，在模型中将其输入然后开始训练。
(a)、获取电力负荷数据，并对获取的电力负荷数据进行筛选和预处理；
预处理阶段主要需要进行以下几步：
确定历史数据：对于一个预测类问题而言，准确的历史数据的重要性不言而喻。可以说相信历史是未来预测的根本立足点。电力负荷的预测中，数据一般由供电部门给出，其可靠性具有一定的保证。
数据的预处理：大量数据中难免会有异常数据，如果不对这些异常数据进行处理，最终的结果会产生很大的误差，这里采用水平和垂直两种数据预处理的方式。其中水平预处理是剔除那些变化太过激烈的数据，垂直预处理是剔除那些太不符合常理和规律的数据。
数据的归一化：由于人工神经元的输入都是[0,1]或者是[-1,1]的数据，而电力负荷这个数据显然不符合这样的特点。所以需要对它们进行归一化计算，把他们都转化为[0,1]之间的数据。具体可以将现有数据的最大值和最小值的差进行等分处理，可以令最大值为1(0.9)，最小值0(0.1)，然后将现有数据映射到这个范围内进行计算。
(b)、神经网络中超参数的选择；
BP神经网络中的超参数根据它们调整方式的不同可分为以下三类。其中有部分参数需要依据作用机理来调整大小，有部分参数按照训练集的训练情况来进行调整，也有部分参数需要根据模型对非训练集的预测效果的好坏(模型的泛化能力)来调整。其中，综合运用宽泛政策和控制变量法可以快速有效择优选取参数，比如学习率η的调整和正则化参数λ的选择。神经网络的层数L和在中间层作用的神经元个数j则通常根据实验结果微调获得。
(c)、BP神经网络算法；
S401、首先初始化网络的连接权值和阈值。
在这个阶段，系统自动随机的初始化所有的权值和阈值，考虑到防止网络过早进入饱和状态，它们一般都被设置成较小的随机数。
S402、给定输入xi和目标输出yi，也就是给定样本数据。
S403、确定隐含层神经元的个数，它通常与输入输出的维度有关。可根据以下公式确定其个数：
Figure BDA0002722780510000081
其中，n、m分别为输入和输出层神经元个数；a为1-10之间的调节常数；
S404、信号的前项传播过程；
设第i个节点的输入为xi，其加和得到Ii，经过f将输出限定在一定的范围内，便得到输出Oi：
Figure BDA0002722780510000082
Figure BDA0002722780510000083
其中，wij表示节点i、j之间连接的权重；θi表示神经元i的阈值；
它们每一层的输出都又作为下一层的输入，通过已经设计好的网络一直迭代得到最终的输出。
S405、计算均方误差：将Ok与期望输出Tk进行均方差计算，均方误差值E是神经网络训练过程中的重要参考指标；
Figure BDA0002722780510000084
其中，Ok为n个神经元中的第k个神经元的输出；
S406、误差的反向传递过程：神经网络通过梯度下降法沿着误差函数偏导数负方向来调整每个神经元的权值和阈值，按如下公式进行修正：
Figure BDA0002722780510000085
Figure BDA0002722780510000086
其中，η为学习率；Δwij为修正后的节点i、j之间连接的权重；Δθi为修正后的神经元i的阈值；
S407、重复上面三个步骤(S4～S6)，直到整个训练误差达到误差精度要求，即△E＜s，△E(t)＝E(t+1)-E(t)；s为预设的误差阈值。
S105、基于预测模型进行电力负荷预测，得到电力负荷预测结果。
本发明实施例中的结合知识图谱与神经网络的电力负荷预测方法，针对电力负荷的特性和与它预测相关的影响因素进行分析，利用知识图谱刻画影响电力负荷变化的因素，将这些影响因素和历史数据结合起来，应用BP神经网络进行电力负荷预测，能够得到准确的电力负荷预测结果。
最后，还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种结合知识图谱与神经网络的电力负荷预测方法，其特征在于，包括以下步骤：
S101、构建电力负荷影响因素知识图谱；
S102、利用所述电力负荷影响因素知识图谱，确定影响电力负荷变化的主要因素；
S103、量化所述影响电力负荷变化的主要因素；
S104、结合电力负荷历史数据与影响因素建立预测模型；
S105、基于预测模型进行电力负荷预测，得到电力负荷预测结果。
2.根据权利要求1所述的方法，其特征在于，所述构建电力负荷影响因素知识图谱，包括：
基于从开放的数据库中抽取的电力负荷影响因素实体、属性及关系，搭建语义网络；
获取电力负荷相关知识；
对所述电力负荷相关知识进行数字化知识表示；
对所述数字化知识表示后的电力负荷相关知识进行知识融合与计算。
3.根据权利要求2所述的方法，其特征在于，利用所述电力负荷影响因素知识图谱，确定影响电力负荷变化的主要因素，包括：
利用所述电力负荷影响因素知识图谱，以电力负荷预测影响因素为关键词，进行语义级搜索，得到影响电力负荷变化的主要因素。
4.根据权利要求3所述的方法，其特征在于，所述确定影响电力负荷变化的主要因素之后还包括：
引入影响电力负荷变化的重要因素；所述重要因素至少包括：气象因素和节假日因素。
5.根据权利要求1所述的方法，其特征在于，结合电力负荷历史数据与影响因素建立预测模型包括：
获取电力负荷数据，并对所述电力负荷数据进行筛选和预处理；
确定神经网络中超参数，基于所述超参数建立并训练基于BP神经网络的电力负荷预测模型。
6.根据权利要求5所述的方法，其特征在于，对所述电力负荷数据进行筛选和预处理包括：
确定电力负荷历史数据；
对所述电力负荷历史数据进行预处理，剔除异常数据；
对剔除异常数据之后的电力负荷历史数据进行归一化。
7.根据权利要求5所述的方法，其特征在于，所述基于所述超参数建立并训练基于BP神经网络的电力负荷预测模型，包括：
S401、初始化网络的连接权值和阈值；
S402、给定输入xi和目标输出yi；
S403、确定隐含层神经元的个数，根据以下公式确定隐含层神经元的个数：
Figure FDA0002722780500000021
其中，n、m分别为输入和输出层神经元个数；a为1-10之间的调节常数；
S404、信号的前项传播过程：
设第i个节点的输入为xi，隐层输入为Ii，经过传递函数f将输出限定在一定的范围内，得到输出Oi：
Figure FDA0002722780500000022
Figure FDA0002722780500000023
其中，wij表示节点i、j之间连接的权重；θi表示神经元i的阈值；
每一层的输出都又作为下一层的输入，通过已经设计好的网络一直迭代得到最终的输出；
S405、计算均方误差：将Ok与期望输出Tk进行均方差计算，均方误差值E是神经网络训练过程中的重要参考指标；
Figure FDA0002722780500000024
其中，Ok为n个神经元中的第k个神经元的输出；
S406、误差的反向传递过程：神经网络通过梯度下降法沿着误差函数偏导数负方向来调整每个神经元的权值和阈值，按如下公式进行修正：
Figure FDA0002722780500000031
Figure FDA0002722780500000032
其中，η为学习率；Δwij为修正后的节点i、j之间连接的权重；Δθi为修正后的神经元i的阈值；
S407、重复步骤S404～S406，直到整个训练误差达到误差精度要求。
CN202011092980.4A 2020-10-13 2020-10-13 一种结合知识图谱与神经网络的电力负荷预测方法 Pending CN112183878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011092980.4A CN112183878A (zh) 2020-10-13 2020-10-13 一种结合知识图谱与神经网络的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011092980.4A CN112183878A (zh) 2020-10-13 2020-10-13 一种结合知识图谱与神经网络的电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN112183878A true CN112183878A (zh) 2021-01-05

Family

ID=73949833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011092980.4A Pending CN112183878A (zh) 2020-10-13 2020-10-13 一种结合知识图谱与神经网络的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN112183878A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070804A (zh) * 2023-04-06 2023-05-05 国网冀北电力有限公司 基于知识图谱和数据驱动的电力系统负荷预测方法及装置
CN117436351A (zh) * 2023-12-19 2024-01-23 国网浙江省电力有限公司金华供电公司 复杂气象下基于知识图谱的电网设备故障预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997495A (zh) * 2017-04-13 2017-08-01 云南电网有限责任公司电力科学研究院 一种电力负荷预测方法
CN110851577A (zh) * 2019-10-30 2020-02-28 国网江苏省电力有限公司电力科学研究院 一种电力领域的知识图谱扩充方法及装置
CN110866840A (zh) * 2019-11-12 2020-03-06 南昌工程学院 基于知识图谱的电力负荷特征量训练的数据库建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997495A (zh) * 2017-04-13 2017-08-01 云南电网有限责任公司电力科学研究院 一种电力负荷预测方法
CN110851577A (zh) * 2019-10-30 2020-02-28 国网江苏省电力有限公司电力科学研究院 一种电力领域的知识图谱扩充方法及装置
CN110866840A (zh) * 2019-11-12 2020-03-06 南昌工程学院 基于知识图谱的电力负荷特征量训练的数据库建模方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070804A (zh) * 2023-04-06 2023-05-05 国网冀北电力有限公司 基于知识图谱和数据驱动的电力系统负荷预测方法及装置
CN117436351A (zh) * 2023-12-19 2024-01-23 国网浙江省电力有限公司金华供电公司 复杂气象下基于知识图谱的电网设备故障预测方法及系统
CN117436351B (zh) * 2023-12-19 2024-03-29 国网浙江省电力有限公司金华供电公司 复杂气象下基于知识图谱的电网设备故障预测方法及系统

Similar Documents

Publication Publication Date Title
CN110503256B (zh) 基于大数据技术的短期负荷预测方法及系统
CN101383023B (zh) 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN111079989B (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN107730031B (zh) 一种超短期高峰负荷预测方法及其系统
CN109359786A (zh) 一种电力台区短期负荷预测方法
CN110135635B (zh) 一种区域电力饱和负荷预测方法及系统
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN112183878A (zh) 一种结合知识图谱与神经网络的电力负荷预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN117977568A (zh) 基于嵌套lstm和分位数计算的电力负荷预测方法
CN110717581A (zh) 一种基于温度模糊处理和dbn的短期负荷预测方法
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
Mellios et al. A multivariate analysis of the daily water demand of Skiathos Island, Greece, implementing the artificial neuro-fuzzy inference system (ANFIS)
CN115238948A (zh) 小水电发电量预测方法及装置
CN116826745B (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
CN110059871B (zh) 光伏发电功率预测方法
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
CN112200391A (zh) 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN116485582A (zh) 一种基于深度学习的供热优化调控方法及装置
CN116316542A (zh) 区域分布式光伏功率预测方法、装置、计算机设备及存储介质
CN112862144B (zh) 基于双层目标优化的无资料城市确定最优损失曲线的方法

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