CN112330046A - 基于多维灰色-神经网络混合协调的电力需求预测方法 - Google Patents
基于多维灰色-神经网络混合协调的电力需求预测方法 Download PDFInfo
- Publication number
- CN112330046A CN112330046A CN202011293335.9A CN202011293335A CN112330046A CN 112330046 A CN112330046 A CN 112330046A CN 202011293335 A CN202011293335 A CN 202011293335A CN 112330046 A CN112330046 A CN 112330046A
- Authority
- CN
- China
- Prior art keywords
- sequence
- prediction
- epsilon
- power demand
- neural network
- 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 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于多维灰色‑神经网络混合协调的电力需求预测方法,包括:以电力需求原始数据序列E为特征序列,以关键影响因素序列作为相关因素序列,形成多维灰色预测模型;将电力需求数据序列和相关因素序列进行累加,生成新序列,利用最小二乘法对新序列进行估计,得出电力需求总量的预测结果序列EDM;获取E与EDM之间残差ε,并对ε序列进行B‑P反向传播网络预测,得到εAN;获取ε与εAN的差值序列ε2,以历史的电力需求残差序列ε2作为影响因素序列进行B‑P反向传播网络预测,结果为ε2AN;将EDM、εAN、ε2AN相加,得到预测结果序列。本发明既可以弥补单一预测算法的不足,又能够同时考虑多个关键因素。
Description
技术领域
本发明属于电网规划电力需求预测技术领域,尤其涉及基于多维灰色-神经网络混合协调的电力需求预测方法。
背景技术
电量预测是电力系统规划、电网交易及电网营销部门的重要工作之一。目前,常用的电量预测方法主要有基于数学模型的预测方法和基于专家的经验预测方法。基于专家的经验预测方法的缺点是依靠专家组的判断,主观性较大,结果的随机性也较大;基于数学模型的预测方法能够克服主观因素的影响,是建立在数学公式的基础上,但大多数的模型仅仅考虑单一因素的变化,不能准确模拟多种因素对电力需求的影响,而且单一算法得出的结果存在片面性,预测精度低。在当前经济发展的新形势下,多方因素共同影响电力需求的变化,因此急需研究一种电力需求预测方法,既可以弥补单一预测算法的不足,又能够同时考虑多个关键因素对电力需求预测的影响。
发明内容
本发明的目的在于克服现有技术的不足,提供一种电力需求预测方法,既可以弥补单一预测算法的不足,又能够同时考虑多个关键因素对电力需求预测的影响。
本发明解决其技术问题是采取以下技术方案实现的:
基于多维灰色-神经网络混合协调的电力需求预测方法,包括如下步骤:
S1、以电力需求原始数据序列E为特征序列,以关键影响因素序列作为相关因素序列,在灰色预测模型GM(1,1)的基础上,形成多维灰色预测模型GM(1,N);将电力需求数据序列和相关因素序列进行累加,生成新序列,利用最小二乘法对新序列的序列参数进行估计,得出电力需求总量的预测结果序列EDM;
S2、获取原始电力需求序列E与预测序列EDM之间残差ε,并对ε序列进行B-P反向传播网络预测,得到结果序列表示为εAN;
S3、获取模型残差序列ε与B-P反向传播神经网络对ε的预测结果序列εAN的差值序列ε2,以历史的电力需求残差序列ε2作为影响因素序列进行B-P反向传播网络预测,预测的结果表示为ε2AN;
S4、将步骤S1、S2、S3预测得到的结果EDM、εAN、ε2AN相加,得到最后的预测结果序列。
进一步的,所述步骤S2中通过反向逐层修正神经网络中的权值和阈值,直到模型的参数达到设定的指标为止。
进一步的,所述步骤S2中在利用B-P反向传播网络对ε序列进行预测的过程中还包括关键因素分析预测。
进一步的,所述模型中的参数为误差或训练次数。
本发明的优点和积极效果是:
本发明的电力需求预测方法将灰色预测模型和神经网络理论相结合,既可以弥补单一预测算法的不足,又能够同时考虑多个关键因素对电力需求预测的影响。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实施例中提供的基于多维灰色-神经网络混合协调的电力需求预测方法进行长期预测的结果图;
具体实施方式
首先,需要说明的是,以下将以示例方式来具体说明本发明的具体结构、特点和优点等,然而所有的描述仅是用来进行说明的,而不应将其理解为对本发明形成任何限制。此外,在本文所提及各实施例中予以描述或隐含的任意单个技术特征,或者被显示或隐含在各附图中的任意单个技术特征,仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减,从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面结合图1对本实施例进行说明,本实施例提供的基于多维灰色- 神经网络混合协调的电力需求预测方法,包容如下步骤:
S1、在灰色预测模型GM(1,1)的基础上,以电力需求总量统计数据为系统的特征序列,以影响电力需求的关键因素序列作为相关因素序列,将多种影响因素加入到预测过程中,形成多维灰色预测模型GM(1,N)。待预测的电力需求数据序列表示为其相关因素的序列有将电力需求数据序列和相关因素序列进行累加生成(AGO),生成的相应的新数据序列可以表示为:
相应的灰色微分方程为:
利用最小二乘法对序列参数进行估计后,累加序列的预测可以表示为:
式中,g为待预测的项数。
利用灰色预测模型GM(1,N)算法,进行电力需求总量预测,对电力需求总量的预测结果序列表示为EDM。
S2、先对原始数据按BP算法进行反复训练,训练完成后建立B-P神经网络预测模型,计算出原始电力需求序列E和EDM之间残差ε,其中ε=E-EDM,利用B-P神经网络预测模型反向传播神经网络对序列进行预测。
先将样本数据I作为BP神经网络的输入,经过网络传播后得到的输出为O,设网络模型的期望输出为Y,根据O、Y,计算网络的均方差:
用梯度法反向修正神经网络的各个节点的权值和阈值,权值wjk的修正方法为:
式中η为学习速率,则权值矩阵的调整公式为:
同样地,阈值矩阵的调整公式为:
通过反向逐层修正神经网络中的权值和阈值,直到模型的误差或训练次数等参数达到设定的指标为止,对序列ε的B-P反向传播网络预测结果序列表示为εAN;
S3、计算出模型残差序列ε与B-P反向传播神经网络对ε的预测结果序列εAN的差值序列ε2,其中有ε2=ε-εAN。由于电力需求序列不仅受到其他相关因素影响,电力需求总量情况的趋势走向还体现在历史的电力需求情况的变化上,再以历史的电力需求残差ε作为影响因素序列对ε2进行B-P反向传播网络预测,预测的结果表示为ε2AN;
S4、将步骤S1、S2、S3预测得到的结果EDM、εAN、ε2AN相加,得到最后的预测结果序列,表示为:
EP=EDM+εAN+ε2AN
作为举例,在本实施例中:
基于多维灰色-神经网络混合协调预测方法,以2005年-2017年的w 电网最大负荷数据作为原始数据,并基于灰色关联分析法识别影响W电网最大负荷的关键因素(GDP增长率和居民生活用电),将GDP增长率和居民生活用电作为改进灰色模型GM(1,N)的相关序列,对2007年至 2019年的最大负荷序列利用多维灰色-神经网络混合协调预测方法进行模拟,得到相应模拟值和误差,如表1所示。
表1 2005年-2017年W电网最大负荷原始值及模型模拟值
年份 | 电力年最大负荷(万千瓦) | 模拟值 | 误差(%) |
2007年 | 608.6 | 608.60 | 0 |
2008年 | 662.1 | 547.81 | -1.73 |
2009年 | 767.9 | 809.67 | 5.4 |
2010年 | 796.9 | 799.05 | 0.3 |
2011年 | 867.9 | 857.08 | -1.2 |
2012年 | 1030 | 1018.87 | -1.1 |
2013年 | 1097.8 | 1089.39 | -0.8 |
2014年 | 1119.4 | 1114.38 | -0.4 |
2015年 | 1288.3 | 1286.89 | -0.1 |
2016年 | 1304.9 | 1307.21 | 0.2 |
2017年 | 1329.9 | 1336.05 | 0.5 |
2018年 | 1430 | 1440.11 | 0.7 |
2019年 | 1530 | 1544.19 | 0.9 |
平均模拟误差绝对值在1%以内,属于1级精度。因而应用多维灰色 -神经网络混合协调预测方法对W电网2020年至2022年最大负荷进行预测,预测结果如下表2所示:
表2 2020年-2022年W电网最大负荷预测值
年份 | 电力年最大负荷预测值(万千瓦) |
2020年 | 1607.48 |
2021年 | 1716.71 |
2022年 | 1833.10 |
对预测值与原始值进行图像模拟,如图1所示,可以看出,预测值与原始值的增长趋势一致,并且结合平均模拟误差,可以得到:本发明的电力需求预测方法预测较为准确。
以上实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (4)
1.基于多维灰色-神经网络混合协调的电力需求预测方法,其特征在于,包括如下步骤:
S1、以电力需求原始数据序列E为特征序列,以关键影响因素序列作为相关因素序列,在灰色预测模型GM(1,1)的基础上,形成多维灰色预测模型GM(1,N);将电力需求数据序列和相关因素序列进行累加,生成新序列,利用最小二乘法对新序列的序列参数进行估计,得出电力需求总量的预测结果序列EDM;
S2、获取原始电力需求序列E与预测序列EDM之间残差ε,并对ε序列进行B-P反向传播网络预测,得到结果序列表示为εAN;
S3、获取模型残差序列ε与B-P反向传播神经网络对ε的预测结果序列εAN的差值序列ε2,以历史的电力需求残差序列ε2作为影响因素序列进行B-P反向传播网络预测,预测的结果表示为ε2AN;
S4、将步骤S1、S2、S3预测得到的结果EDM、εAN、ε2AN相加,得到最后的预测结果序列。
2.根据权利要求1所述的基于多维灰色-神经网络混合协调的电力需求预测方法,其特征在于:所述步骤S2中通过反向逐层修正神经网络中的权值和阈值,直到模型的参数达到设定的指标为止。
3.根据权利要求2所述的基于多维灰色-神经网络混合协调的电力需求预测方法,其特征在于:所述步骤S2中在利用B-P反向传播网络对ε序列进行预测的过程中还包括关键因素分析预测。
4.根据权利要求2所述的基于多维灰色-神经网络混合协调的电力需求预测方法,其特征在于:所述模型中的参数为误差或训练次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011293335.9A CN112330046A (zh) | 2020-11-18 | 2020-11-18 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011293335.9A CN112330046A (zh) | 2020-11-18 | 2020-11-18 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330046A true CN112330046A (zh) | 2021-02-05 |
Family
ID=74322489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011293335.9A Pending CN112330046A (zh) | 2020-11-18 | 2020-11-18 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187510A1 (en) * | 2008-01-22 | 2009-07-23 | Kung-Hsiung Chang | Calculating Method for Systematic Risk |
CN107679657A (zh) * | 2017-09-28 | 2018-02-09 | 黑龙江省科学院火山与矿泉研究所 | 一种用于矿泉的水质预测方法 |
CN107808212A (zh) * | 2017-10-09 | 2018-03-16 | 南京邮电大学 | 基于灰色神经网络的太阳能收集功率预测方法 |
CN109919356A (zh) * | 2019-01-27 | 2019-06-21 | 河北工程大学 | 一种基于bp神经网络区间需水预测方法 |
CN110503462A (zh) * | 2019-07-18 | 2019-11-26 | 上海交通大学 | 基于灰色关联度分析的电网投资测算方法、系统及介质 |
-
2020
- 2020-11-18 CN CN202011293335.9A patent/CN112330046A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187510A1 (en) * | 2008-01-22 | 2009-07-23 | Kung-Hsiung Chang | Calculating Method for Systematic Risk |
CN107679657A (zh) * | 2017-09-28 | 2018-02-09 | 黑龙江省科学院火山与矿泉研究所 | 一种用于矿泉的水质预测方法 |
CN107808212A (zh) * | 2017-10-09 | 2018-03-16 | 南京邮电大学 | 基于灰色神经网络的太阳能收集功率预测方法 |
CN109919356A (zh) * | 2019-01-27 | 2019-06-21 | 河北工程大学 | 一种基于bp神经网络区间需水预测方法 |
CN110503462A (zh) * | 2019-07-18 | 2019-11-26 | 上海交通大学 | 基于灰色关联度分析的电网投资测算方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
陈家慧: "灰色理论与人工神经网络在电力系统中长期负荷预测中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄鸿云等: "基于多维灰色-神经网络混合协调的电力需求预测方法", 《软件学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
CN112990587B (zh) * | 2021-03-24 | 2023-10-24 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564204B (zh) | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
CN109583474B (zh) | 一种用于工业大数据处理的训练样本生成方法 | |
CN110046408B (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN104537432B (zh) | 基于证据推理的电力系统多目标优化调度的决策方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN114091766B (zh) | 基于ceemdan-lstm的空间负荷预测方法 | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN105447646A (zh) | 一种配电系统健康指数评估方法 | |
CN112330121B (zh) | 一种配电网自动化建设投资效益评估方法 | |
CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及系统 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112733435A (zh) | 一种基于多模型融合的整车尺寸匹配偏差预测方法 | |
CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN112330046A (zh) | 基于多维灰色-神经网络混合协调的电力需求预测方法 | |
CN111932081B (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN117410959A (zh) | 一种基于eemd-gwo-lstm网络和mc误差修正的电网负荷超短期预测方法 | |
CN116522774A (zh) | 基于迁移学习算法的土质边坡稳定性预测方法及预测平台 | |
CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
CN116402370A (zh) | 一种基于ahp改进critic的综合指标赋权方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210205 |