CN112785022B - 一种挖掘电能替代潜力的方法及系统 - Google Patents

一种挖掘电能替代潜力的方法及系统 Download PDF

Info

Publication number
CN112785022B
CN112785022B CN201911061628.1A CN201911061628A CN112785022B CN 112785022 B CN112785022 B CN 112785022B CN 201911061628 A CN201911061628 A CN 201911061628A CN 112785022 B CN112785022 B CN 112785022B
Authority
CN
China
Prior art keywords
regional
prediction period
influence factor
standard value
electric energy
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.)
Active
Application number
CN201911061628.1A
Other languages
English (en)
Other versions
CN112785022A (zh
Inventor
李昌祖
程晨
牛东晓
彭莎
陈吉奂
刘强
赵志新
覃剑
苗博
李斌
林晶怡
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.)
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Electric Power Research Institute of State Grid Zhejiang Electric Power 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 State Grid Zhejiang Electric Power Co Ltd, China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN201911061628.1A priority Critical patent/CN112785022B/zh
Publication of CN112785022A publication Critical patent/CN112785022A/zh
Application granted granted Critical
Publication of CN112785022B publication Critical patent/CN112785022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/08—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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种挖掘电能替代潜力的方法及系统，包括：获取预测时段的区域电能替代量的影响因素标准值；根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量。本发明提供的技术方案，基于电能替代潜力的多种因素的影响，构建区域电能替代电量预测模型，为电能替代业务提供关键技术支撑，提升服务能力，推动电能替代实施的进程，进而增加售电市场份额及售电量。

Description

一种挖掘电能替代潜力的方法及系统
技术领域
本发明涉及电力负荷预测领域，具体涉及一种挖掘电能替代潜力的方法及系统。
背景技术
环境污染、气候变化是人类共同面对话题，大量化石能源在生产、运输、使用各环节造成严重污染和破坏，新能源大规模、集约化发展，决定了全球优化能源资源配置重要性，在能源终端消费环节需优化能源结构、保障能源安全可靠供应，电能相对其他能源具有明显的优势。相关部门先后出台了一系列电能替代支持政策和规划文件，可以看出，电能替代尤为重要，是治理环境污染、调整能源结构的重要手段，因此，电能替代潜力预测分析的重要程度不言而喻。
从20世纪60年代末开始能源问题的研究，众多学者指出，能源需求预测一般取决于经济及科技发展水平，在终端能源市场用能情况来看，石油仍稳坐能源消费结构第一把交椅，煤炭则紧随其后，但是两者比例都在逐年递减，许多绿色能源正在异军突起，前景良好。目前，在电能替代预测方法的研究方面，可以大致分为三类，分别是经典预测方法、传统预测方法、智能预测方法。
电力负荷需求的经典预测技术从相关变量之间存在的数量关系出发，预测负荷的未来发展情况，这类方法的目的不是弄清负荷变化的结构或轨迹，仅仅给出一个方向性的结论。因此，这种方法通常用来检验预测结果，并对结果进行适当的修正和调整。经典预测方法主要包括了分产业产值单耗法、分区负荷密度法、比例增长法、电力弹性系数法等；传统的电力负荷预测技术起步较早，经过了长时间的发展，理论充足，方法易于理解，目前还被广泛应用在电力部门实际工作中。传统预测方法中短期电力负荷预测方法包括时间序列预测法、趋势外推法和灰色预测法等，而中长期传统电力负荷预测主要包括趋势分析法、回归分析法和时间序列分析法等；基于机器学习的智能算法可以有效克服传统电力负荷预测方法存在的问题。现代智能预测方法它不需要提前了解历史数据特征、模型结构和参数设置的先验知识，也不需要建立复杂的数学模型。由于电力负荷预测具有非线性、多变量、时变、随机性较强等特征，现代智能预测算法正适用于求解这类问题，并且预测的精确度比传统或经典预测法都要高。常用的电力负荷短期预测智能方法包括人工神经网络预测方法、支持向量机、小波分析方法等，中长期电力负荷预测方法除了人工神经网络预测方法外，还包括模糊预测法、专家系统预测法、基于系统动力学的预测方法等。
虽然单一预测方法在其各自的适用领域都会表现出了良好的预测性能，但是现实世界中影响电能替代潜力的因素比较复杂，在发展过种中会有各种突发的变化，数据发展趋势会有很大的波动性，单一预测模型也只能够反映预测对象的局部信息，导致模型的预测性能会下降很快，难以得到令人满意的预测效果。然而，组合预模型可以灵活利用不同方法的优点，将它们有机组合后有可能获得比任何一个单一预测值更准确的预测值，能够在一定程度上提高模型的拟合能力，减少系统误差对预测结果造成的影响，提高预测精度。
发明内容
针对现有技术的不足，本发明的目的是基于电能替代潜力的多种因素的影响，构建区域电能替代电量预测模型，为电能替代业务提供关键技术支撑，提升服务能力，推动电能替代实施的进程，进而增加售电市场份额及售电量。
本发明的目的是采用下述技术方案实现的：
一种挖掘电能替代潜力的方法，其改进之处在于，所述方法包括：
获取预测时段的区域电能替代量的影响因素标准值；
根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量。
优选的，所述区域电能替代量的影响因素标准值包括：区域经济发展影响因素标准值、区域环保约束影响因素标准值、区域能源价格影响因素标准值、区域政策影响因素标准值和区域技术进步影响因素标准值。
进一步的，按下式确定第t预测时段区域经济发展影响因素标准值ED(t)：
按下式确定第t预测时段区域环保约束影响因素标准值EC(t)：
按下式确定第t预测时段区域能源价格影响因素标准值EP(t)：
按下式确定第t预测时段区域政策影响因素标准值PS(t)：
按下式确定第t预测时段区域技术进步影响因素标准值TA(t)：
上式中，GDP(t)为第t预测时段的区域生产总值，P(t)为第t预测时段末的区域人口总数，PE(t)为第t预测时段污染物的排放量，Wj(t)为第t预测时段第j种能源的权重，Ie(t)为第t预测时段电力固定资产投资额，Ic(t)为第t预测时段煤炭固定资产投资额，Io(t)为第t预测时段石油固定资产投资额，Ig(t)为第t预测时段天然气固定资产投资额，E(t)为第t预测时段的能源消耗量，Kj(t)为第t预测时段第j种能源的价格指数。
进一步的，按下式确定第t预测时段第j种能源的价格指数Kj(t)：
上式中，n(t)为第t预测时段的能源种类，ki(t)为第t预测时段第i种能源的单价与基期单价的比值。
优选的，按下式确定第t预测时段区域电能替代量D(t)：
上式中，Ye.t为第t预测时段区域实际电能消耗量，Ye.TB为区域基准年的实际电能消耗量，Yt为第t预测时段区域终端能源消耗总量，YTB为区域基准年终端能源消耗总量。
优选的，所述根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量，包括：
将预测时段的区域电能替代量影响因素标准值作为预先训练的反向传播神经网络模型的输入，获取第一输出结果；
将预测时段的区域电能替代量影响因素标准值作为预先训练的支持向量机模型的输入，获取第二输出结果；
将预测时段的区域电能替代量影响因素标准值作为预先训练的核函数极限学习机模型的输入，获取第三输出结果；
采用权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量。
进一步的，所述预先训练的反向传播神经网络模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始反向传播神经网络模型的输入层训练样本数据，历史时段的区域电能替代量作为初始反向传播神经网络模型的输出层训练样本数据，训练所述初始反向传播神经网络模型，获取所述预先训练的反向传播神经网络模型；
所述预先训练的支持向量机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始支持向量机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始支持向量机模型的输出层训练样本数据，训练所述初始支持向量机模型，获取所述预先训练的支持向量机模型；
所述预先训练的核函数极限学习机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始核函数极限学习机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始核函数极限学习机模型的输出层训练样本数据，训练所述初始核函数极限学习机模型，获取所述预先训练的核函数极限学习机模型。
一种挖掘电能替代潜力的系统，其改进之处在于，所述系统包括：
获取模块，用于获取预测时段的区域电能替代量的影响因素标准值；
确定模块，用于根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量。
优选的，所述区域电能替代量的影响因素标准值包括：区域经济发展影响因素标准值、区域环保约束影响因素标准值、区域能源价格影响因素标准值、区域政策影响因素标准值和区域技术进步影响因素标准值。
进一步的，按下式确定第t预测时段区域经济发展影响因素标准值ED(t)：
按下式确定第t预测时段区域环保约束影响因素标准值EC(t)：
按下式确定第t预测时段区域能源价格影响因素标准值EP(t)：
按下式确定第t预测时段区域政策影响因素标准值PS(t)：
按下式确定第t预测时段区域技术进步影响因素标准值TA(t)：
上式中，GDP(t)为第t预测时段的区域生产总值，P(t)为第t预测时段末的区域人口总数，PE(t)——表示第t年污染物的排放量，Wj(t)为第t预测时段第j种能源的权重，Ie(t)为第t预测时段电力固定资产投资额，Ic(t)为第t预测时段煤炭固定资产投资额，Io(t)为第t预测时段石油固定资产投资额，Ig(t)为第t预测时段天然气固定资产投资额，E(t)为第t预测时段的能源消耗量，Kj(t)为第t预测时段第j种能源的价格指数。
进一步的，按下式确定第t预测时段第j种能源的价格指数Kj(t)：
上式中，n(t)为第t预测时段的能源种类，ki(t)为第t预测时段第i种能源的单价与基期单价的比值。
优选的，按下式确定第t预测时段区域电能替代量D(t)：
上式中，Ye.t为第t预测时段区域实际电能消耗量，Ye.TB为区域基准年的实际电能消耗量，Yt为第t预测时段区域终端能源消耗总量，YTB为区域基准年终端能源消耗总量。
优选的，所述确定模块，包括：
第一确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的反向传播神经网络模型的输入，获取第一输出结果；
第二确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的支持向量机模型的输入，获取第二输出结果；
第三确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的核函数极限学习机模型的输入，获取第三输出结果；
第四确定单元，用于采用权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量。
进一步的，所述预先训练的反向传播神经网络模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始反向传播神经网络模型的输入层训练样本数据，历史时段的区域电能替代量作为初始反向传播神经网络模型的输出层训练样本数据，训练所述初始反向传播神经网络模型，获取所述预先训练的反向传播神经网络模型；
所述预先训练的支持向量机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始支持向量机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始支持向量机模型的输出层训练样本数据，训练所述初始支持向量机模型，获取所述预先训练的支持向量机模型；
所述预先训练的核函数极限学习机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始核函数极限学习机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始核函数极限学习机模型的输出层训练样本数据，训练所述初始核函数极限学习机模型，获取所述预先训练的核函数极限学习机模型。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的技术方案首先获取预测时段的区域电能替代量的影响因素标准值，进一步根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量。与普通的电力负荷预测不同，对电能替代潜力进行预测分析需要考虑更多不同的因素，对于模型的选择也有更高的要求。单一的预测方法将不能满足对电能替代潜力的预测，会产生较大误差，并且无法正确体现多种不同因素对电能替代潜力的影响，而传统组合预测模型虽然可以综合不同预测方法的优缺点，可以进一步提高预测精度，但仍然不能准确地将多种影响因素考虑在内，将不能较好地把控中长期电能替代发展趋势提供有力支持。本发明能够利用各种优化算法发挥预测模型的核心优势，提高地区电能替代的潜力预测预测精度，对于发挥地区电能替代潜力和实现节能减排目标具有重要的推动作用。
附图说明
图1是本发明提供的一种挖掘电能替代潜力的方法流程图；
图2是本发明实施例中反向传播神经网络模型的优化及训练流程图；
图3是本发明实施例中支持向量机模型的优化及训练流程图；
图4是本发明实施例中核函数极限学习机模型的优化及训练流程图；
图5是本发明实施例中电能替代潜力预测实施流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种挖掘电能替代潜力的方法，主要对多因素影响下的电能替代潜力预测分析。首先，分析了影响电能替代发展的主要因素，包括经济发展因素、环保约束因素、能源价格因素、政策扶持因素和技术进步因素，并对其进行了量化；其次，建立了基于改进BPNN-SVM-KELM的电能替代潜力预测模型，将电能替代影响因素作为输入变量，电能替代电量作为输出变量，分别运用反向传播神经网络模型、支持向量机模型和核函数极限学习机模型进行训练和预测，将各自的预测结果运用权值动态分配法进行组合，经过样本数据误差分析，提高地区电能替代的潜力预测预测精度，如图1所示，包括：
101获取预测时段的区域电能替代量的影响因素标准值；
102根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量。
本发明提供的最优实施例中，为了对电能替代潜力实现量化计算，本文定义电能替代量作为分析电能替代潜力的客观依据。设定基准年TB，终端用能格局若维持基准年水平，则电能所占终端能源比重与基准年相同，因此，利用下式确定第t预测时段区域电能替代量D(t)：
上式中，Ye.t为第t预测时段区域实际电能消耗量，Ye.TB为区域基准年的实际电能消耗量，Yt为第t预测时段区域终端能源消耗总量，YTB为区域基准年终端能源消耗总量。
进一步的，本发明提供的最优实施例中，选取了影响电能替代的5种关键因素：所述区域电能替代量的影响因素标准值包括：区域经济发展影响因素标准值、区域环保约束影响因素标准值、区域能源价格影响因素标准值、区域政策影响因素标准值和区域技术进步影响因素标准值，并对这5种影响因素进行了量化处理，具体步骤如下：
1)经济发展情况对于终端电能的需求和消费影响重大，一个地区总体经济的发展情况将对电能及其他能源消费产生影响。通过对比较某区域过去20年GDP与社会用电量的发展趋势可以发现，用电量与经济增长变化基本同步。1998-2007年，该区域生产总值同比增速由7.8％提高至14.2％，而同期电力消费增速总体上呈现上升的态势；2008年，受国际金融危机冲击，该区域经济增速大幅回落，用电量增长也明显回落；在大规模刺激政策的作用下，2009-2010年该区域经济增速回升，用电量增长加快；2011-2018年，随着经济增速的回调，用电量增长速度呈现放缓态势。故按下式确定第t预测时段区域经济发展影响因素标准值ED(t)：
2)2009年将单位GDP二氧化碳排放量作为约束性指标纳入了国民经济和社会发展中长期规划，单位GDP二氧化碳排放量能实际反映温室气体排放水平和建设水平，降低单位GDP二氧化碳排放量需要大力发展清洁能源，改变以煤为主的能源消费结构，而推进电能替代正是解决这个问题的重要举措。为了能够定量地反映环保约束指标，这里将二氧化碳、二氧化硫和氮氧化合物视为污染物，采用单位GDP污染物排放量作为环境指标来反映环保约束对电能替代的影响，故按下式确定第t预测时段区域环保约束影响因素标准值EC(t)：
3)能源价格是影响电能替代的重要因素。化石能源之间以及化石能源与非化石能源之间均具有一定的替代性和互补性。某种能源价格及其它替代能源的价格对于用户选择以及最终的消费量都会带来一定的影响。例如近年来，新能源与可再生能源发电技术的成本大幅下降，尤其是风电技术和光伏技术的成本下降显著，导致在现有的电价政策下，新能源与可再生能源发电技术较煤电技术具有更好的盈利能力。此外，随着市场的进一步放开，国际能源价格对能源市场的影响也日益加剧，能源市场的价格也会影响煤炭出口，进而影响电能替代的实施进程。
电能替代策略是在终端消费环节鼓励、支持、引导用户使用电能替代煤炭、石油、天然气等一次能源。对于用户而言，经济性是用户进行能源选择时的首要考虑因素，如果使用不同能源能达到同样效果，那么对用户来说价廉就是硬道理。用户总是会优先选择价格较低的能源，因此分析能源价格波动因素对促进电能替代的发展与推广具有十分重要的意义。此外，电能具有预期价格优势。随着新能源并网的大力推广，能源价格对比关系逐步趋于合理，石油、天然气价格不断上涨，电能在终端消费市场的竞争力会进一步增强，将使得电能替代项目更加显著的经济效益，用户将会优先选择电能。
能源价格对电能替代的影响先是通过影响能源消费量，再通过能源消费量影响电能替代的潜力。以燃料、动力购进价格指数代替能源价格的变量，这是因为燃料和动力是目前能源生产和消费的主要成本。另外还有部分学者以煤油电价格指数代替能源价格，但是由于煤油电价格指数都是月度数据，其他变量的月度数据不容易获得。另外由于对能源价格实施管制，煤油电价格指数也不能反映真实的能源价格变动情况。因此，这里选取燃料、动力购进价格指数作为能源价格来反映能源价格对电能替代的影响。故按下式确定第t预测时段区域能源价格影响因素标准值EP(t)：
其中，按下式确定第t预测时段第j种能源的价格指数Kj(t)：
上式中，n(t)为第t预测时段的能源种类，ki(t)为第t预测时段第i种能源的单价与基期单价的比值。
4)虽然电能替代是一种清洁化的能源消费方式，有利于减少大气污染、提高人民生活质量，给社会公众带来普遍收益和社会效益。但电能替代初期成本较高，难以完全通过一般方式回收投资，因此必须有配套政策以及支持。政府应该出台支持电能替代的专项政策，为电能替代创造条件，尤其是针对部分地区专门针对电能替代给予财政补贴和税收政策，大力支持电能替代大力开展。
推进电能替代工作不仅是主观的宣传引导，更主要的表现是不断加强电力建设，并在经济上提高了电能在终端能源市场上的竞争力，从而促进电能替代。补贴政策、价格政策、财税政策、投融资政策，基础建设等都将对其市场发展空间带来影响，为在整体上把握电能替代的支持，以宏观的角度分析政府对电能替代发展的投入，这里采用新建的电力的固定资产投资与新建的能源固定资产投资(包括电力、煤炭、石油和天然气)的比值来表示对电能替代发展的影响，故按下式确定第t预测时段区域政策影响因素标准值PS(t)：
5)技术进步因素是指电能替代的技术、方式以及普及的领域得到进步和拓展。相较煤炭、石油等化石能源，电能替代领域的技术方式更加便捷、高效、安全，并且更加智能化，因此具有较好的用户舒适度。在终端能源消费环节，用户将会优先选择舒适度较高的消费方式，因此电能对用户具有更大的吸引力。所以，高效、安全、便捷、智能化的电能替代技术方式可以引领用户自主地参与到电能替代战略中来，可以有效地推动电能替代的发展进程。
技术的进步是经济发展的一个源泉，同时它也推动着人们对能源需求的转变。从人类历史的发展就可以看出，科技发展是每一次能源需求转变的源动力。科技的发展能够提高能源的利用效率，使得电能的使用更加便捷、更加经济，使得人们更加愿意使用电能，如此便促进了电能替代的发展。单位GDP能耗反映了设备技术装备水平、能源利用的技术水平和能源生产、消费的管理水平。设备技术装备水平、能源利用的技术水平和能源生产、消费的管理水平越高，所消耗的能源量则会越少，单位GDP能耗也必然越小，技术的进步是影响单位GDP能耗的关键因素，所以这里将单位GDP能耗作为技术指标来反映技术进步因素对电能替代的影响，故按下式确定第t预测时段区域技术进步影响因素标准值TA(t)：
上述公式中，GDP(t)为第t预测时段的区域生产总值，P(t)为第t预测时段末的区域人口总数，PE(t)为第t预测时段污染物的排放量，Wj(t)为第t预测时段第j种能源的权重，Ie(t)为第t预测时段电力固定资产投资额，Ic(t)为第t预测时段煤炭固定资产投资额，Io(t)为第t预测时段石油固定资产投资额，Ig(t)为第t预测时段天然气固定资产投资额，E(t)为第t预测时段的能源消耗量，Kj(t)为第t预测时段第j种能源的价格指数。
本发明提供的最优实施例中，获取预测时段的区域电能替代量影响因素标准值后，需根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量，包括：
将预测时段的区域电能替代量影响因素标准值作为预先训练的反向传播神经网络模型的输入，获取第一输出结果；
将预测时段的区域电能替代量影响因素标准值作为预先训练的支持向量机模型的输入，获取第二输出结果；
将预测时段的区域电能替代量影响因素标准值作为预先训练的核函数极限学习机模型的输入，获取第三输出结果；
采用权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量。
本发明提供的最优实施例中，将历史时段的区域电能替代量影响因素标准值作为初始反向传播神经网络模型的输入层训练样本数据，历史时段的区域电能替代量作为初始反向传播神经网络模型的输出层训练样本数据，训练所述初始反向传播神经网络模型，获取所述预先训练的反向传播神经网络模型；
进一步的，反向传播神经网络模型是一种误差反向传播的多层前馈神经网络。由输入层、隐含层和输出层组成。输入信号经输入层逐层传输到各隐含层，最后传向输出层。若输出结果不满足期望值，误差信号反向传递到各隐含层和输入层，利用梯度最速下降法，调整各神经元的权值和阈值，从而使反向传播神经网络模型模拟输出不断逼近期望输出。反向传播神经网络模型通过训练使网络具有联想记忆和预报能力，如图2所示，具体过程如下：
1)网络初始化。根据系统输入输出序列(X,Y)确定网络输入层节点数p、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值Wij、Wjk，初始化隐含层阈值a，输出层阈值b，给定学习速率η和神经元激励函数f。
2)隐含层输出计算。根据输入变量X，输入层和隐含层间连接权值Wij以及隐含层阈值a，计算隐含层输出H。
式中：
f()——表示神经元激励函数，这里取
3)输入层输出计算。根据隐含层输出H，隐含层与输出层连接权值Wjk和以及输出层阈值b，计算网络的预报输出O。
4)误差计算。根据网络预报输出O和期望输出Y，计算网络预报误差e。
ek＝Yk-Ok,k＝1,2,…,m
5)权值更新。根据网络预报误差更新网络连接权值Wij、Wjk。
Wjk＝Wjk+ηHjek
6)阈值更新。根据网络预报误差e更新网络节点阈值a、b。
bk＝bk+ek
7)判断是否达到设定的误差或算法迭代是否结束，若没有达到设定的误差或算法迭代没有结束，返回步骤2)。
进一步的，本发明提供的最优实施例中，还可以利用运用思维进化算法对反向传播神经网络模型初始权值和阈值进行优化，可大幅减少反向传播神经网络模型迭代次数并提高模型精度。将电能替代的影响因素作为反向传播神经网络模型的输入，电能替代电量作为反向传播神经网络模型的输出。然后选取训练集均方误差的倒数作为各个体和种群的得分函数，利用思维进化算法不断迭代，输出最优个体，并以此作为最优的连接权值和阈值，训练反向传播神经网络模型。
其中，运用思维进化算法是针对遗传算法缺陷提出的一种进化算法，其思想来源于模仿人类思维进化的过程。运用思维进化算法继承了遗传算法的“群体”、“进化”和“个体”等思想，提出了新的操作算子——“趋同”和“异化”，这两种操作相互协调，具有良好的扩充性、移植性和极强的全局优化能力，该算法的基本进化流程如下：
a.群体生成：在解空间内随机生成一定规模的个体，根据适应度函数计算出每个个体的得分，以得分最高的作为优胜个体和临时个体。
b.子群体生成：分别以这些优胜个体和临时个体为中心，在每个中心周围产生一些新的个体，从而得到若干个优胜子群体和临时子群体。
c.趋同操作：在各个子群体内部执行趋同操作，直至该子群体成熟，并以该子群体中最优个体的得分作为该子群体的得分。
d.异化操作：子群体成熟之后，将各个子群体的得分在全局公告板上张贴，子群体之间执行异化操作，完成优胜子群体与临时子群体的替换、废弃及子群体中个体释放的过程，计算个体得分并找出全局最优个体。
e.迭代操作：异化结束后，被释放的个体重新被新的临时子群体补充，重复步骤c～d，直到最优个体的得分不再提高或迭代结束，则认为运算收敛，输出最优个体。
本发明提供的最优实施例中，将历史时段的区域电能替代量影响因素标准值作为初始支持向量机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始支持向量机模型的输出层训练样本数据，训练所述初始支持向量机模型，获取所述预先训练的支持向量机模型；
支持向量机模型是一种基于统计学习理论的机器学习算法，将线性不可分的低维空间数据，通过引进非线性内积核函数，映射到一个线性可分的高维特征空间内，并在该空间内进行分类或回归拟合，如图3所示，具体过程如下。
对于给定的训练集样本{(xi,yi),i＝1,2,…,k}，k表示样本数。在高维特征空间中建立线性回归函数：
式中：
——表示非线性映射函数；
w——表示权值向量；
b——表示偏置量。
构造损失函数，并结合结构风险最小化思想，则可转化为求解以下最优化的问题：
式中：
C——表示惩罚因子；
ζi、ζi *——表示松弛变量。
定义核函数的公式：
这里选取典型的径向基核函数：
K(xi,xj)＝exp(-g||xi-xj||2)
式中：
g——表示核函数中的方差。
支持向量机模型的预测性能主要受惩罚参数C和核函数参数g的影响，因此，本发明提供的最优实施例中，还可以利用蝙蝠算法对支持向量机模型的惩罚参数C和核函数参数g进行优化，具体为：将电能替代影响因素作为支持向量机模型的样本输入，电能替代电量作为样本输出，将惩罚参数C和核函数参数g作为蝙蝠的初始位置，通过不断迭代，输出最优个体，并以此作为最优的惩罚参数和核函数参数值，训练支持向量机模型。
蝙蝠算法是模拟自然界中蝙蝠利用一种声呐来探测猎物、避免障碍物的随机搜索算法，即模拟蝙蝠利用超声波对障碍物或猎物进行最基本的探测、定位能力并将其和优化目标功能相联系，该算法的运行过程如下所示。
1)种群初始化，即蝙蝠以随机方式在D维空间中扩散分布一组初始解。具体包括：初始种群个体数NP，最大脉冲音量A0，最大脉冲率R0，搜索脉冲频率范围[fmin,fmax]，音量的衰减系数α，搜索频率的增强系数γ，搜索精度ε和最大迭代次数iter_max。
2)随机初始化蝙蝠的位置xi，并根据适应度的优劣寻找当前最优解x*。
3)蝙蝠的搜索脉冲频率、速度和位置更新。种群在进化过程中，每一代个体的搜索脉冲频率、速度和位置按如下公式进行变化：
fi＝fmin+(fmax-fmin)×β
式中：
β——表示符合[0,1]均匀分布的随机数；
fi——表示蝙蝠i的搜索脉冲频率，fi∈[fmin,fmax]；
——分别表示蝙蝠i在t和t-1时刻的速度；
——分别表示蝙蝠i在t和t-1时刻的位置；
x*——表示当前所有蝙蝠的最优解。
4)生成均匀分布随机数rand，如果rand＞ri，则对当前最优解进行随机扰动，产生一个新的解，并对新的解进行越界处理。
5)生成均匀分布随机数rand，如果rand＜Ai且f(xi)＜f(x*)，则接受步骤4)的新解，然后按如下公式对ri和Ai进行更新：
ri t+1＝R0[1-exp(-γt)]
6)对所有蝙蝠的适应度值进行排序，找出当前的最优解和最优值。
7)重复步骤2)～步骤6)，直至满足设定的最优解条件或达到最大迭代次数。
8)输出全局最优解和最优值。
本发明提供的实施例中，所述预先训练的核函数极限学习机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始核函数极限学习机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始核函数极限学习机模型的输出层训练样本数据，训练所述初始核函数极限学习机模型，获取所述预先训练的核函数极限学习机模型。
极限学习机是一类基于前馈神经网络的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。核函数极限学习机模型为极限学习机模型的衍生算法，通过引入核函数来获得更好的回归预测精度。核函数极限学习机模型不仅能够克服传统神经网络学习算法极易陷入局部最优、学习速度慢的缺点，还能够弥补基于VC维理论结构风险最小化原则的支持向量机在训练样本规模大时训练速度缓慢的缺陷。如图4所示，该算法的具体计算过程如下：
设定神经网络函数g(x)：
g(x)＝hi(x)·βi
式中：
g(x)——表示网络输出值；
hi(x)——表示与输入x对应的第i个隐层神经元的输出；
βi——表示第i个隐含层神经元与输出神经元之间的连接权值。
通过最小化输出误差保证回归预测精度，即：
式中：
L——表示隐含层神经元的个数；
g0(x)——表示目标值构成的待预测函数
通过最小化输出权重β保证神经网络的泛化能力，令β取其最小二乘解，即：
式中：
H——表示神经网络隐含层矩阵；
H+——表示H的广义逆矩阵；
O——表示预测目标值向量。
通过增加正常数1/C，求解结果将更加稳定并具有更好的泛化能力。引入核函数，应用Mercer’s条件定义核矩阵，如下所示：
核矩阵替代ELM中的随机矩阵HHT，利用核函数将所有输入样本从n维输入空间映射到高维隐层特征空间。这里选取径向基函数作为核函数。
ELM的输出权值变为：
β*＝HT(I/C+HHT)-1O
式中：
I——表示对角矩阵；
C——表示惩罚系数，用以权衡结构风险和经验风险之间的比例。
由以上公式可得，KELM模型的输出如下式所示。
本发明提供的最优实施例中，采用了权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量，该方案可以综合各单一模型的优点，提高预测精度。权值动态分配方式相对于其他组合预测法的优点是可求得最佳的组合权系数，提高预测的稳定性和准确性，具体计算如下：
计算每个预测模型对应的方差：
式中：
n——表示测试样本的个数；
e1,e2…,en——表示每个测试样本的绝对百分误差；
——表示n个测试样本的平均绝对百分误差。
根据方差来求取权重：
w1＝1/[δ1(1/δ1+1/δ2+1/δ3)]
w1＝1/[δ2(1/δ1+1/δ2+1/δ3)]
w1＝1/[δ3(1/δ1+1/δ2+1/δ3)]
求出权重后，分别乘以相应的预测结果，得出组合预测结果：
F＝w1F1+w2F2+w3F3
式中：
F——表示预测结果；
F1，F2，F3——分别表示第一、第二、第三输出结果。
基于上述方案，本发明还提供了一种最优的实施过程，如图5所示，包括：
S1.数据收集，汇总地区的用电量数据、电力消费量、能源消费总量、生产总值、
总人口、CO2排放量、电力固定资产投资和能源固定资产投资、燃料、动力购进价格指数等数据；
S2.以上述原始数据为基础，根据电能替代影响因素量化方法，计算得出经济发展因素、环保约束因素、能源价格因素、政策扶持因素和技术经济因素的量化值；
S3.利用电力折算标准煤系数，将用电量的量纲折算成标准煤，连同能源消费量和能源消费量数据计算出不同年份的电能替代电量；
S4.将电能替代影响因素作为输入变量，电能替代电量作为输出变量，分别
优化后的反向传播神经网络模型、支持向量机模型和核函数极限学习机模型进行训练和预测，将各自的预测结果运用VC权值动态分配法进行组合，得到最终的预测结果。
其中，采用运用思维进化算法优化反向传播神经网络，蝙蝠算法(bat algorithm，BA)优化支持向量机。
基于同一发明构思，本发明还提供了一种挖掘电能替代潜力的系统，所述系统包括：
获取模块，用于获取预测时段的区域电能替代量的影响因素标准值；
确定模块，用于根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量。
优选的，所述区域电能替代量的影响因素标准值包括：区域经济发展影响因素标准值、区域环保约束影响因素标准值、区域能源价格影响因素标准值、区域政策影响因素标准值和区域技术进步影响因素标准值。
进一步的，按下式确定第t预测时段区域经济发展影响因素标准值ED(t)：
按下式确定第t预测时段区域环保约束影响因素标准值EC(t)：
按下式确定第t预测时段区域能源价格影响因素标准值EP(t)：
按下式确定第t预测时段区域政策影响因素标准值PS(t)：
按下式确定第t预测时段区域技术进步影响因素标准值TA(t)：
上式中，GDP(t)为第t预测时段的区域生产总值，P(t)为第t预测时段末的区域人口总数，PE(t)——表示第t年污染物的排放量，Wj(t)为第t预测时段第j种能源的权重，Ie(t)为第t预测时段电力固定资产投资额，Ic(t)为第t预测时段煤炭固定资产投资额，Io(t)为第t预测时段石油固定资产投资额，Ig(t)为第t预测时段天然气固定资产投资额，E(t)为第t预测时段的能源消耗量，Kj(t)为第t预测时段第j种能源的价格指数。
进一步的，按下式确定第t预测时段第j种能源的价格指数Kj(t)：
上式中，n(t)为第t预测时段的能源种类，ki(t)为第t预测时段第i种能源的单价与基期单价的比值。
优选的，按下式确定第t预测时段区域电能替代量D(t)：
上式中，Ye.t为第t预测时段区域实际电能消耗量，Ye.TB为区域基准年的实际电能消耗量，Yt为第t预测时段区域终端能源消耗总量，YTB为区域基准年终端能源消耗总量。
优选的，所述确定模块，包括：
第一确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的反向传播神经网络模型的输入，获取第一输出结果；
第二确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的支持向量机模型的输入，获取第二输出结果；
第三确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的核函数极限学习机模型的输入，获取第三输出结果；
第四确定单元，用于采用权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量。
进一步的，所述预先训练的反向传播神经网络模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始反向传播神经网络模型的输入层训练样本数据，历史时段的区域电能替代量作为初始反向传播神经网络模型的输出层训练样本数据，训练所述初始反向传播神经网络模型，获取所述预先训练的反向传播神经网络模型；
所述预先训练的支持向量机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始支持向量机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始支持向量机模型的输出层训练样本数据，训练所述初始支持向量机模型，获取所述预先训练的支持向量机模型；
所述预先训练的核函数极限学习机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始核函数极限学习机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始核函数极限学习机模型的输出层训练样本数据，训练所述初始核函数极限学习机模型，获取所述预先训练的核函数极限学习机模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种挖掘电能替代潜力的方法，其特征在于，所述方法包括：
获取预测时段的区域电能替代量的影响因素标准值；
根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量；
所述区域电能替代量的影响因素标准值包括：区域经济发展影响因素标准值、区域环保约束影响因素标准值、区域能源价格影响因素标准值、区域政策影响因素标准值和区域技术进步影响因素标准值；
按下式确定第t预测时段区域经济发展影响因素标准值ED(t)：
按下式确定第t预测时段区域环保约束影响因素标准值EC(t)：
按下式确定第t预测时段区域能源价格影响因素标准值EP(t)：
按下式确定第t预测时段区域政策影响因素标准值PS(t)：
按下式确定第t预测时段区域技术进步影响因素标准值TA(t)：
上式中，GDP(t)为第t预测时段的区域生产总值，P(t)为第t预测时段末的区域人口总数，PE(t)为第t预测时段污染物的排放量，Wj(t)为第t预测时段第j种能源的权重，Ie(t)为第t预测时段电力固定资产投资额，Ic(t)为第t预测时段煤炭固定资产投资额，Io(t)为第t预测时段石油固定资产投资额，Ig(t)为第t预测时段天然气固定资产投资额，E(t)为第t预测时段的能源消耗量，Kj(t)为第t预测时段第j种能源的价格指数；
所述根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量，包括：
将预测时段的区域电能替代量影响因素标准值作为预先训练的反向传播神经网络模型的输入，获取第一输出结果；
将预测时段的区域电能替代量影响因素标准值作为预先训练的支持向量机模型的输入，获取第二输出结果；
将预测时段的区域电能替代量影响因素标准值作为预先训练的核函数极限学习机模型的输入，获取第三输出结果；
采用权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量；
按下式确定第t预测时段第j种能源的价格指数Kj(t)：
上式中，n(t)为第t预测时段的能源种类，ki(t)为第t预测时段第i种能源的单价与基期单价的比值。
2.如权利要求1所述的方法，其特征在于，按下式确定第t预测时段区域电能替代量D(t)：
上式中，Ye.t为第t预测时段区域实际电能消耗量，Ye.TB为区域基准年的实际电能消耗量，Yt为第t预测时段区域终端能源消耗总量，YTB为区域基准年终端能源消耗总量。
3.如权利要求1所述的方法，其特征在于，所述预先训练的反向传播神经网络模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始反向传播神经网络模型的输入层训练样本数据，历史时段的区域电能替代量作为初始反向传播神经网络模型的输出层训练样本数据，训练所述初始反向传播神经网络模型，获取所述预先训练的反向传播神经网络模型；
所述预先训练的支持向量机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始支持向量机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始支持向量机模型的输出层训练样本数据，训练所述初始支持向量机模型，获取所述预先训练的支持向量机模型；
所述预先训练的核函数极限学习机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始核函数极限学习机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始核函数极限学习机模型的输出层训练样本数据，训练所述初始核函数极限学习机模型，获取所述预先训练的核函数极限学习机模型。
4.一种挖掘电能替代潜力的系统，其特征在于，所述系统包括：
获取模块，用于获取预测时段的区域电能替代量的影响因素标准值；
确定模块，用于根据预测时段的区域电能替代量影响因素标准值确定预测时段的区域电能替代量；
所述区域电能替代量的影响因素标准值包括：区域经济发展影响因素标准值、区域环保约束影响因素标准值、区域能源价格影响因素标准值、区域政策影响因素标准值和区域技术进步影响因素标准值；
按下式确定第t预测时段区域经济发展影响因素标准值ED(t)：
按下式确定第t预测时段区域环保约束影响因素标准值EC(t)：
按下式确定第t预测时段区域能源价格影响因素标准值EP(t)：
按下式确定第t预测时段区域政策影响因素标准值PS(t)：
按下式确定第t预测时段区域技术进步影响因素标准值TA(t)：
上式中，GDP(t)为第t预测时段的区域生产总值，P(t)为第t预测时段末的区域人口总数，PE(t)——表示第t年污染物的排放量，Wj(t)为第t预测时段第j种能源的权重，Ie(t)为第t预测时段电力固定资产投资额，Ic(t)为第t预测时段煤炭固定资产投资额，Io(t)为第t预测时段石油固定资产投资额，Ig(t)为第t预测时段天然气固定资产投资额，E(t)为第t预测时段的能源消耗量，Kj(t)为第t预测时段第j种能源的价格指数；
所述确定模块，包括：
第一确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的反向传播神经网络模型的输入，获取第一输出结果；
第二确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的支持向量机模型的输入，获取第二输出结果；
第三确定单元，用于将预测时段的区域电能替代量影响因素标准值作为预先训练的核函数极限学习机模型的输入，获取第三输出结果；
第四确定单元，用于采用权值动态分配方式将所述第一输出结果、第二输出结果和第三输出结果进行组合，获取预测时段的区域电能替代量；
按下式确定第t预测时段第j种能源的价格指数Kj(t)：
上式中，n(t)为第t预测时段的能源种类，ki(t)为第t预测时段第i种能源的单价与基期单价的比值。
5.如权利要求4所述的系统，其特征在于，按下式确定第t预测时段区域电能替代量D(t)：
上式中，Ye.t为第t预测时段区域实际电能消耗量，Ye.TB为区域基准年的实际电能消耗量，Yt为第t预测时段区域终端能源消耗总量，YTB为区域基准年终端能源消耗总量。
6.如权利要求4所述的系统，其特征在于，所述预先训练的反向传播神经网络模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始反向传播神经网络模型的输入层训练样本数据，历史时段的区域电能替代量作为初始反向传播神经网络模型的输出层训练样本数据，训练所述初始反向传播神经网络模型，获取所述预先训练的反向传播神经网络模型；
所述预先训练的支持向量机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始支持向量机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始支持向量机模型的输出层训练样本数据，训练所述初始支持向量机模型，获取所述预先训练的支持向量机模型；
所述预先训练的核函数极限学习机模型的训练过程包括：
将历史时段的区域电能替代量影响因素标准值作为初始核函数极限学习机模型的输入层训练样本数据，历史时段的区域电能替代量作为初始核函数极限学习机模型的输出层训练样本数据，训练所述初始核函数极限学习机模型，获取所述预先训练的核函数极限学习机模型。
CN201911061628.1A 2019-11-01 2019-11-01 一种挖掘电能替代潜力的方法及系统 Active CN112785022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911061628.1A CN112785022B (zh) 2019-11-01 2019-11-01 一种挖掘电能替代潜力的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911061628.1A CN112785022B (zh) 2019-11-01 2019-11-01 一种挖掘电能替代潜力的方法及系统

Publications (2)

Publication Number Publication Date
CN112785022A CN112785022A (zh) 2021-05-11
CN112785022B true CN112785022B (zh) 2024-06-07

Family

ID=75748799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911061628.1A Active CN112785022B (zh) 2019-11-01 2019-11-01 一种挖掘电能替代潜力的方法及系统

Country Status (1)

Country Link
CN (1) CN112785022B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505847B (zh) * 2021-07-26 2023-04-14 云南电网有限责任公司电力科学研究院 一种基于迁移学习的节能量在线量测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631517A (zh) * 2015-12-17 2016-06-01 河海大学 基于思维进化Elman神经网络的光伏发电功率短期预测方法
CN107292508A (zh) * 2017-06-16 2017-10-24 北京中电普华信息技术有限公司 一种电能替代潜力的分析预测方法及系统
CN107358021A (zh) * 2017-06-01 2017-11-17 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
CN108062598A (zh) * 2017-12-11 2018-05-22 天津天大求实电力新技术股份有限公司 一种多情景下的新态势负荷潜力预测方法
CN108288118A (zh) * 2017-12-07 2018-07-17 北京中电普华信息技术有限公司 一种能源替代分析决策方法及装置
CN109308551A (zh) * 2018-10-25 2019-02-05 云南电网有限责任公司 一种基于gm灰色预测的某区域电能替代潜力分析方法
CN110210642A (zh) * 2019-04-17 2019-09-06 中国电力科学研究院有限公司 一种城市电能替代量预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631517A (zh) * 2015-12-17 2016-06-01 河海大学 基于思维进化Elman神经网络的光伏发电功率短期预测方法
CN107358021A (zh) * 2017-06-01 2017-11-17 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
CN107292508A (zh) * 2017-06-16 2017-10-24 北京中电普华信息技术有限公司 一种电能替代潜力的分析预测方法及系统
CN108288118A (zh) * 2017-12-07 2018-07-17 北京中电普华信息技术有限公司 一种能源替代分析决策方法及装置
CN108062598A (zh) * 2017-12-11 2018-05-22 天津天大求实电力新技术股份有限公司 一种多情景下的新态势负荷潜力预测方法
CN109308551A (zh) * 2018-10-25 2019-02-05 云南电网有限责任公司 一种基于gm灰色预测的某区域电能替代潜力分析方法
CN110210642A (zh) * 2019-04-17 2019-09-06 中国电力科学研究院有限公司 一种城市电能替代量预测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Icing Forecasting of Transmission Lines with a Modified Back Propagation Neural Network-Support Vector Machine-Extreme Learning Machine with Kernel (BPNN-SVM-KELM) Based on the Variance-CovarianceWeight Determination Method;Niu, DX等;《ENERGIE》;第10卷(第8期);第1-21页，摘要 *
京津冀地区电能替代潜力预测及优化管理研究;梁毅;《 中国博士学位论文全文数据库 (基础科学辑)》;第C042-3页 *
基于多模型的区域电能替代发展潜力研究;夏怀健;林海英;张文;杨硕;郭威;苗博;陈企楚;;科技管理研究(第04期);第241-246页 *
基于电能替代背景下的新疆用电量预测研究;李昌祖;《上海节能》(第3期);第173-177页 *
夏怀健 ; 林海英 ; 张文 ; 杨硕 ; 郭威 ; 苗博 ; 陈企楚 ; .基于多模型的区域电能替代发展潜力研究.科技管理研究.2018,(第04期),第241-246页. *

Also Published As

Publication number Publication date
CN112785022A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
Zhang et al. A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms
He et al. Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting
CN109214449A (zh) 一种电网投资需求预测方法
CN109146121A (zh) 基于pso-bp模型的停限产情况下的电量预测方法
CN111401604B (zh) 电力系统负荷功率预测方法及储能电站功率分配方法
CN106529732A (zh) 基于神经网络与随机前沿分析的碳排放效率预测方法
Ning et al. GA-BP air quality evaluation method based on fuzzy theory.
CN110991722A (zh) 一种电力负荷预测方法
CN112149976B (zh) 一种基于人工智能的电网精准投资项目决策方法
CN109214546A (zh) 一种基于改进的hs-narx神经网络的电力短期负荷预测方法
CN112686693A (zh) 电力现货市场边际电价预测方法、系统、设备及存储介质
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN115186803A (zh) 一种考虑pue的数据中心算力负荷需求组合预测方法和系统
CN115689001A (zh) 基于模式匹配的短期负荷预测方法
CN113762387A (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114757107A (zh) 一种基于负荷预测模型的重力储能功率分配方法
CN112785022B (zh) 一种挖掘电能替代潜力的方法及系统
Zhu Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis
CN113947332A (zh) 一种地下工程综合保障能力的评估方法及系统
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
Zhang et al. A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法

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
GR01 Patent grant