CN114429248A - 一种变压器视在功率预测方法 - Google Patents

一种变压器视在功率预测方法 Download PDF

Info

Publication number
CN114429248A
CN114429248A CN202210330126.XA CN202210330126A CN114429248A CN 114429248 A CN114429248 A CN 114429248A CN 202210330126 A CN202210330126 A CN 202210330126A CN 114429248 A CN114429248 A CN 114429248A
Authority
CN
China
Prior art keywords
neural network
transformer
apparent power
prediction
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
CN202210330126.XA
Other languages
English (en)
Inventor
孙国歧
焦丕华
魏晓宾
张玲艳
蔡旭
李培国
曹云峰
王乐乐
赵彦鸣
刘涛
刘少君
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.)
Shandong Deyou Electric Corp ltd
Original Assignee
Shandong Deyou Electric Corp 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 Shandong Deyou Electric Corp ltd filed Critical Shandong Deyou Electric Corp ltd
Priority to CN202210330126.XA priority Critical patent/CN114429248A/zh
Publication of CN114429248A publication Critical patent/CN114429248A/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)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种变压器视在功率预测方法，属于预测技术领域。S1：变压器的负荷历史数据的采集；S2：从低阶改进的岭多项式神经网络开始，进行训练并且更新权重；S3：若观测到的误差变化低于预定义阈值，则加入更高阶的前馈神经网络单元；S4：误差梯度的阈值和学习效率分别通过学习因子进行调整；S5：不断学习和更新改进的岭多项式神经网络，最后计算并输出预测值。本发明能够准确快速的对历史数据进行训练，得到数据的变化规律，能够有效提高数据的预测精度，实现数据的准确预测。

Description

一种变压器视在功率预测方法
技术领域
一种变压器视在功率预测方法，属于预测技术领域。
背景技术
目前，建设智能电网是电力系统建设中非常关注的方向，能够有效保证网络的安全可靠运行。此外，在电网安全运行的同时，运行经济性不可或缺。电力系统视在功率预测着眼于视在功率的实时运行状态，致力于视在功率的安全运行和数据分析，为挖掘和了解视在功率运行态势和工况提供技术基础。
在当前以电为主体的新型电力系统下，用电视在功率预测与多元因素相互关联，当存在设备多元数据剧烈波动、相互关联并且存在相互扰动情况下，温湿度、环境等自然因素以及分布式电源出力的不确定影响下，算法预测误差相对较大，无法满足精度较高的场景。若视在功率预测的误差较大，则会对电力调度系统的控制产生影响，导致发电、输电、配电、用电以及备用容量的不匹配，造成资源浪费，严重时会导致用户的用电需求得不到满足，发电、输电和配电设备运行效率低，严重影响了电网的运行经济性。因此，针对目前的算法在针对视在功率时间序列具有显著随机性、复杂性和非线性特征时，往往不能保证数据的精度和准确性的问题，亟待研究和开展一种基于云平台的日前视在功率预测方法及系统，使得视在功率特性能够得到准确把握，确保预测数据的准确性。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种基于云平台的日前视在功率预测方法及系统，使得视在功率特性能够得到准确把握，确保预测数据的准确性的变压器视在功率预测方法。
本发明解决其技术问题所采用的技术方案是：该变压器视在功率预测方法，其特征在于：包括如下步骤：
S1：变压器的负荷历史数据的采集；
S2：从低阶改进的岭多项式神经网络开始，进行训练并且更新权重；
S3：若观测到的误差变化低于预定义阈值，则加入更高阶的前馈神经网络单元；
S4：误差梯度的阈值和学习效率分别通过学习因子进行调整；
S5：不断学习和更新改进的岭多项式神经网络，最后计算并输出预测值。
优选的，所述方法还包括，网络的整体输入是
Figure 100002_DEST_PATH_IMAGE001
和
Figure 100002_DEST_PATH_IMAGE002
的组合
Figure 100002_DEST_PATH_IMAGE003
，且
Figure 100002_DEST_PATH_IMAGE004
；
其中，
Figure 100002_DEST_PATH_IMAGE005
和
Figure 993028DEST_PATH_IMAGE002
是RRPNN神经网络在第
Figure 100002_DEST_PATH_IMAGE006
和
Figure 100002_DEST_PATH_IMAGE007
迭代的输出，
Figure 100002_DEST_PATH_IMAGE008
是改进的岭多项式神经网络输入
Figure 100002_DEST_PATH_IMAGE009
的维度；
第
Figure 100002_DEST_PATH_IMAGE010
阶改进的岭多项式神经网络的输出为：
Figure 100002_DEST_PATH_IMAGE011
；
其中，
Figure 957223DEST_PATH_IMAGE010
是前馈神经网络单元的个数，
Figure 100002_DEST_PATH_IMAGE012
是非线性激活函数，
Figure 100002_DEST_PATH_IMAGE013
为第
Figure 100002_DEST_PATH_IMAGE014
个前馈神经网络单元的输出；
Figure 100002_DEST_PATH_IMAGE015
；
其中，
Figure 100002_DEST_PATH_IMAGE016
是相应前馈神经网络单元块中sigma单元的净和。
优选的，所述的相应前馈神经网络单元块中sigma单元的净和
Figure 591204DEST_PATH_IMAGE016
为：
Figure 100002_DEST_PATH_IMAGE017
，
其中，
Figure 100002_DEST_PATH_IMAGE018
是输入
Figure 100002_DEST_PATH_IMAGE019
和单位sigma单元
Figure 100002_DEST_PATH_IMAGE020
之间的权重。
优选的，所述方法还包括，通过期望输出
Figure 100002_DEST_PATH_IMAGE021
和算法预测
Figure 100002_DEST_PATH_IMAGE022
的误差
Figure 100002_DEST_PATH_IMAGE023
平方和
Figure 100002_DEST_PATH_IMAGE024
完成训练，
Figure 100002_DEST_PATH_IMAGE025
。
优选的，S2中RRPNN权重
Figure 100002_DEST_PATH_IMAGE026
的更新过程和学习效率
Figure 100002_DEST_PATH_IMAGE027
的关系如下：
Figure 100002_DEST_PATH_IMAGE028
；
Figure 100002_DEST_PATH_IMAGE029
；
Figure 100002_DEST_PATH_IMAGE030
；
其中，
Figure 100002_DEST_PATH_IMAGE031
是输入
Figure 373082DEST_PATH_IMAGE019
和单位sigma单元
Figure 100002_DEST_PATH_IMAGE032
之间的权重。
优选的，所述方法还包括，更新
Figure 100002_DEST_PATH_IMAGE033
代表第
Figure 100002_DEST_PATH_IMAGE034
个神经元的状态，
Figure 182644DEST_PATH_IMAGE033
为：
Figure 100002_DEST_PATH_IMAGE035
；
Figure 100002_DEST_PATH_IMAGE036
；
其中，
Figure 100002_DEST_PATH_IMAGE037
为第
Figure 203559DEST_PATH_IMAGE010
个PSNN的输出，
Figure 75569DEST_PATH_IMAGE031
是输入
Figure 895757DEST_PATH_IMAGE019
和单位sigma单元
Figure 451503DEST_PATH_IMAGE032
之间的权重。
优选的，所述方法还包括，
Figure 852441DEST_PATH_IMAGE033
是表示过去信息描述未来信息的公式，其中
Figure 228059DEST_PATH_IMAGE033
为：
Figure 100002_DEST_PATH_IMAGE038
；
其中，
Figure 38889DEST_PATH_IMAGE031
是输入
Figure 963988DEST_PATH_IMAGE019
和单位sigma单元
Figure 546279DEST_PATH_IMAGE032
之间的权重。
优选的，S2中的权重更新为：
Figure 100002_DEST_PATH_IMAGE039
；
Figure 100002_DEST_PATH_IMAGE040
；
其中，
Figure 596144DEST_PATH_IMAGE031
表示可调节的权重，
Figure 100002_DEST_PATH_IMAGE041
是权重的变化量，
Figure 100002_DEST_PATH_IMAGE042
，
Figure 100002_DEST_PATH_IMAGE043
。
优选的，所述方法还包括，采用平均绝对百分误差(MAPE)、均方根误差（RMSE）和皮尔逊相关系数(PPMCC)对预测结果进行评价，
Figure 100002_DEST_PATH_IMAGE044
；
Figure 100002_DEST_PATH_IMAGE045
；
Figure 100002_DEST_PATH_IMAGE046
；
其中，
Figure 100002_DEST_PATH_IMAGE047
和
Figure 100002_DEST_PATH_IMAGE048
分别表示在
Figure 100002_DEST_PATH_IMAGE049
时刻的预测数据和实际数据，
Figure 100002_DEST_PATH_IMAGE050
和
Figure 100002_DEST_PATH_IMAGE051
分别表示在
Figure 787828DEST_PATH_IMAGE049
时刻的预测数据和实际数据的平均值，
Figure 100002_DEST_PATH_IMAGE052
表示在预测时间尺度上的样本点数。
与现有技术相比，本发明所具有的有益效果是：
本变压器视在功率预测方法通过获取监测变压器视在功率的历史运行数据；构建一个由多个递增的前馈神经网络单元构成的前馈高阶神经网络；从输出层到输入层的反馈连接，通过反馈连接将输出节点的激活馈送到每个前馈神经网络单元中的求和节点；每个模块得到先前模式的结果输出，快速调整输出结果；依据预测值提供一种基于改进的岭多项式神经网络的日前视在功率预测系统，实现视在功率的日前有效预测。本发明能够有效提高日前视在功率的预测精度。
附图说明
图1为变压器视在功率预测方法的流程图。
图2为改进的岭多项式神经网络结构示意图。
具体实施方式
图1、图2是本发明的最佳实施例，下面结合图1、图2对本发明做进一步说明。
如图1所示：一种变压器视在功率预测方法，包括如下步骤：
S1：变压器的负荷历史数据的采集；
S2：从低阶改进的岭多项式神经网络开始，进行训练并且更新权重；
S3：若观测到的误差变化低于预定义阈值，则加入更高阶的前馈神经网络单元；
S4：误差梯度的阈值和学习效率分别通过学习因子进行调整；
S5：不断学习和更新改进的岭多项式神经网络，最后计算并输出预测值。
其中，RRPNN指的是改进的岭多项式神经网络；Pi-Sigma的简写为PSNN，指的是前馈神经网络单元。
具体包括如下步骤：
S1.1：本发明通过某电力系统监测平台的配电变压器负荷运行数据，对配电变压器的视在功率进行预测。
S1.2：设置运行参数。RRPNN神经网络采用sigmoid函数作为神经元的激活函数，将122天的数据作为训练集，并将第123天的数据作为预测集，以均方误差（MSE）作为损失函数，误差梯度的阈值
Figure DEST_PATH_IMAGE053
和学习效率
Figure DEST_PATH_IMAGE054
分别为0.1和0.05，学习因子
Figure DEST_PATH_IMAGE055
和
Figure DEST_PATH_IMAGE056
分别为0.05和0.8。
S2.1：设定
Figure 827154DEST_PATH_IMAGE005
和
Figure 564035DEST_PATH_IMAGE002
是RRPNN神经网络在第
Figure 445403DEST_PATH_IMAGE006
和
Figure 676665DEST_PATH_IMAGE007
迭代的输出，
Figure 310777DEST_PATH_IMAGE008
是RRPNN神经网络输入
Figure 969292DEST_PATH_IMAGE009
的维度；网络的整体输入是
Figure 806798DEST_PATH_IMAGE001
和
Figure 91017DEST_PATH_IMAGE002
的组合
Figure 595948DEST_PATH_IMAGE003
，其可以表示为：
Figure 159784DEST_PATH_IMAGE004
；
第
Figure 265013DEST_PATH_IMAGE010
阶RRPNN神经网络的输出可以表示为：
Figure 838076DEST_PATH_IMAGE011
；
其中，
Figure 197514DEST_PATH_IMAGE010
是PSNN的个数，
Figure 447098DEST_PATH_IMAGE012
是非线性激活函数，
Figure 259196DEST_PATH_IMAGE013
为第
Figure 901530DEST_PATH_IMAGE014
个PSNN的输出；
Figure 364742DEST_PATH_IMAGE015
。
S2.2：确定
Figure 801539DEST_PATH_IMAGE016
是相应PSNN块中sigma单元的净和，其表达式为：
Figure 100933DEST_PATH_IMAGE017
，
其中，
Figure 281379DEST_PATH_IMAGE018
是输入
Figure 339377DEST_PATH_IMAGE019
和单位sigma单元
Figure 681497DEST_PATH_IMAGE020
之间的权重。
S3：通过期望输出
Figure 983034DEST_PATH_IMAGE021
和算法预测
Figure 436012DEST_PATH_IMAGE022
的误差
Figure 624548DEST_PATH_IMAGE023
平方和
Figure 386836DEST_PATH_IMAGE024
完成训练：
Figure 926402DEST_PATH_IMAGE025
。
S4.1：RRPNN权重
Figure 917492DEST_PATH_IMAGE026
的更新过程和学习效率
Figure 475381DEST_PATH_IMAGE027
的关系如下：
Figure 159303DEST_PATH_IMAGE028
；
Figure 920586DEST_PATH_IMAGE029
；
Figure 230213DEST_PATH_IMAGE030
；
其中，
Figure 127762DEST_PATH_IMAGE031
是输入
Figure 248165DEST_PATH_IMAGE019
和单位sigma单元
Figure 746011DEST_PATH_IMAGE032
之间的权重。
S4.2：更新
Figure 344483DEST_PATH_IMAGE033
代表第
Figure 362117DEST_PATH_IMAGE034
个神经元的状态，其表达式为：
Figure 105951DEST_PATH_IMAGE035
；
其中，
Figure 576247DEST_PATH_IMAGE036
；
式中，
Figure 493256DEST_PATH_IMAGE037
为第
Figure 99818DEST_PATH_IMAGE010
个PSNN的输出。
因此，
Figure 827603DEST_PATH_IMAGE033
是表示过去信息描述未来信息的公式，其表达式如下：
Figure 52040DEST_PATH_IMAGE038
。
S4.3：
Figure 992314DEST_PATH_IMAGE042
，
Figure 984541DEST_PATH_IMAGE043
，权重更新计算公式为：
Figure 866915DEST_PATH_IMAGE039
；
Figure 46224DEST_PATH_IMAGE040
；
其中，
Figure 790189DEST_PATH_IMAGE031
表示可调节的权重，
Figure 151769DEST_PATH_IMAGE041
是权重的变化量。
S4.4：完成RRPNN 网络结构的构建，如图2所示。
S5.1：对预测结果进行计算并评价算法性能。RRPNN模型的预测结果为y，并采用平均绝对百分误差(MAPE)、均方根误差（RMSE）和皮尔逊相关系数(PPMCC)对预测结果进行评价。MAPE、RMSE和PPMCC计算公式分别为：
Figure 690198DEST_PATH_IMAGE044
；
Figure 622382DEST_PATH_IMAGE045
；
Figure 153726DEST_PATH_IMAGE046
；
其中，
Figure 120545DEST_PATH_IMAGE047
和
Figure 829875DEST_PATH_IMAGE048
分别表示在
Figure 498622DEST_PATH_IMAGE049
时刻的预测数据和实际数据，
Figure 849969DEST_PATH_IMAGE050
和
Figure 671295DEST_PATH_IMAGE051
分别表示在
Figure 66373DEST_PATH_IMAGE049
时刻的预测数据和实际数据的平均值，
Figure 707570DEST_PATH_IMAGE052
表示在预测时间尺度上的样本点数。
S5.2：本实施例中以改进的岭多项式神经网络（RRPNN）与岭多项式神经网络(RPNN)、极限学习机算法(ELM) 、粒子群-岭多项式神经网络(PSO-RPNN)和粒子群-极限学习机算法(PSO-ELM) 4个模型的变压器视在功率预测数据对比。通过表 1 可以看出，预测模型RRPNN的MAPE和RMSE相比于 RPNN、ELM、PSO-RPNN和PSO-ELM 4个模型的数据要更小，此外相关系数PPMCC更接近1。从总体上看，本文所建立的RRPNN预测模型相对于另外四种模型，在MAPE及RMSE上均为最小，说明其预测精度总体上要比其它四种模型高，具有更好、更稳健的预测效果。因此，结果表明本文提出的模型的预测效果更好，能够很好地预测出变压器视在功率的整体变化趋势。
表1五种模型的平均绝对百分误差(MAPE)、均方根误差(RMSE)和皮尔逊相关系数(PPMCC)比较
Figure DEST_PATH_IMAGE057
S5.3：构建基于RRPNN神经网络的变压器视在功率预测系统，实现变压器视在功率的日前数据预测。
本发明实施提出一种变压器视在功率预测方法，预测未来一段时间尺度上变压器的用能用电情况。本发明能够准确快速的对历史数据进行训练，得到数据的变化规律，能够有效提高数据的预测精度，实现数据的准确预测。本发明提供的方法，通过神经网络大数据学习，精确度高，实用性强，易于推广。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种变压器视在功率预测方法，其特征在于：包括如下步骤：
S1：变压器的负荷历史数据的采集；
S2：从低阶改进的岭多项式神经网络开始，进行训练并且更新权重；
S3：若观测到的误差变化低于预定义阈值，则加入更高阶的前馈神经网络单元；
S4：误差梯度的阈值和学习效率分别通过学习因子进行调整；
S5：不断学习和更新改进的岭多项式神经网络，最后计算并输出预测值。
2.根据权利要求1所述的变压器视在功率预测方法，其特征在于：所述方法还包括，网络的整体输入是
Figure DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE002
的组合
Figure DEST_PATH_IMAGE003
，且
Figure DEST_PATH_IMAGE004
；
其中，
Figure DEST_PATH_IMAGE005
和
Figure 833706DEST_PATH_IMAGE002
是RRPNN神经网络在第
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
迭代的输出，
Figure DEST_PATH_IMAGE008
是改进的岭多项式神经网络输入
Figure DEST_PATH_IMAGE009
的维度；
第
Figure DEST_PATH_IMAGE010
阶改进的岭多项式神经网络的输出为：
Figure DEST_PATH_IMAGE011
；
其中，
Figure 485984DEST_PATH_IMAGE010
是PSNN的个数，
Figure DEST_PATH_IMAGE012
是非线性激活函数，
Figure DEST_PATH_IMAGE013
为第
Figure DEST_PATH_IMAGE014
个前馈神经网络单元的输出；
Figure DEST_PATH_IMAGE015
；
其中，
Figure DEST_PATH_IMAGE016
是相应前馈神经网络单元块中sigma单元的净和。
3.根据权利要求2所述的变压器视在功率预测方法，其特征在于：所述的相应前馈神经网络单元块中sigma单元的净和
Figure 718252DEST_PATH_IMAGE016
为：
Figure DEST_PATH_IMAGE017
，
其中，
Figure DEST_PATH_IMAGE018
是输入
Figure DEST_PATH_IMAGE019
和单位sigma单元
Figure DEST_PATH_IMAGE020
之间的权重。
4.根据权利要求2所述的变压器视在功率预测方法，其特征在于：所述方法还包括，通过期望输出
Figure DEST_PATH_IMAGE021
和算法预测
Figure DEST_PATH_IMAGE022
的误差
Figure DEST_PATH_IMAGE023
平方和
Figure DEST_PATH_IMAGE024
完成训练，
Figure DEST_PATH_IMAGE025
。
5.根据权利要求4所述的变压器视在功率预测方法，其特征在于：S2中改进的岭多项式神经网络权重
Figure DEST_PATH_IMAGE026
的更新过程和学习效率
Figure DEST_PATH_IMAGE027
的关系如下：
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
；
Figure DEST_PATH_IMAGE030
；
其中，
Figure DEST_PATH_IMAGE031
是输入
Figure 398281DEST_PATH_IMAGE019
和单位sigma单元
Figure DEST_PATH_IMAGE032
之间的权重。
6.根据权利要求2所述的变压器视在功率预测方法，其特征在于：所述方法还包括，更新
Figure DEST_PATH_IMAGE033
代表第
Figure DEST_PATH_IMAGE034
个神经元的状态，
Figure 71708DEST_PATH_IMAGE033
为：
Figure DEST_PATH_IMAGE035
；
Figure DEST_PATH_IMAGE036
；
其中，
Figure DEST_PATH_IMAGE037
为第
Figure 940176DEST_PATH_IMAGE010
个PSNN的输出，
Figure 941630DEST_PATH_IMAGE031
是输入
Figure 812634DEST_PATH_IMAGE019
和单位sigma单元
Figure 199622DEST_PATH_IMAGE032
之间的权重。
7.根据权利要求2所述的变压器视在功率预测方法，其特征在于：所述方法还包括，
Figure 927406DEST_PATH_IMAGE033
是表示过去信息描述未来信息的公式，其中
Figure 353840DEST_PATH_IMAGE033
为：
Figure DEST_PATH_IMAGE038
；
其中，
Figure 746644DEST_PATH_IMAGE031
是输入
Figure 738871DEST_PATH_IMAGE019
和单位sigma单元
Figure 146544DEST_PATH_IMAGE032
之间的权重。
8.根据权利要求7所述的变压器视在功率预测方法，其特征在于：S2中的权重更新为：
Figure DEST_PATH_IMAGE039
；
Figure DEST_PATH_IMAGE040
；
其中，
Figure 512803DEST_PATH_IMAGE031
表示可调节的权重，
Figure DEST_PATH_IMAGE041
是权重的变化量，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
。
9.根据权利要求1所述的变压器视在功率预测方法，其特征在于：所述方法还包括，采用平均绝对百分误差(MAPE)、均方根误差（RMSE）和皮尔逊相关系数(PPMCC)对预测结果进行评价，
Figure DEST_PATH_IMAGE044
；
Figure DEST_PATH_IMAGE045
；
Figure DEST_PATH_IMAGE046
；
其中，
Figure DEST_PATH_IMAGE047
和
Figure DEST_PATH_IMAGE048
分别表示在
Figure DEST_PATH_IMAGE049
时刻的预测数据和实际数据，
Figure DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
分别表示在
Figure 958566DEST_PATH_IMAGE049
时刻的预测数据和实际数据的平均值，
Figure DEST_PATH_IMAGE052
表示在预测时间尺度上的样本点数。
CN202210330126.XA 2022-03-31 2022-03-31 一种变压器视在功率预测方法 Pending CN114429248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210330126.XA CN114429248A (zh) 2022-03-31 2022-03-31 一种变压器视在功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210330126.XA CN114429248A (zh) 2022-03-31 2022-03-31 一种变压器视在功率预测方法

Publications (1)

Publication Number Publication Date
CN114429248A true CN114429248A (zh) 2022-05-03

Family

ID=81314409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210330126.XA Pending CN114429248A (zh) 2022-03-31 2022-03-31 一种变压器视在功率预测方法

Country Status (1)

Country Link
CN (1) CN114429248A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361624A (zh) * 2023-03-31 2023-06-30 成都理工大学 一种基于误差反馈的大范围地面沉降预测方法及系统
CN117725981A (zh) * 2024-02-08 2024-03-19 昆明学院 一种基于最佳时间窗口机制的配电网故障预测方法
WO2024200650A1 (en) * 2023-03-31 2024-10-03 Landis+Gyr Ag Monitoring transformers of power networks

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850891A (zh) * 2015-05-29 2015-08-19 厦门大学 一种时间序列预测的智能优化递归神经网络方法
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
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN112348247A (zh) * 2020-11-03 2021-02-09 深圳大学 一种光能发电的预测方法、装置、计算机设备及存储介质
CN114239944A (zh) * 2021-12-09 2022-03-25 上海维智卓新信息科技有限公司 真实人群数量预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850891A (zh) * 2015-05-29 2015-08-19 厦门大学 一种时间序列预测的智能优化递归神经网络方法
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
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
CN112348247A (zh) * 2020-11-03 2021-02-09 深圳大学 一种光能发电的预测方法、装置、计算机设备及存储介质
CN114239944A (zh) * 2021-12-09 2022-03-25 上海维智卓新信息科技有限公司 真实人群数量预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GHAZALI R: "Non-stationary and stationary prediction of financial time series using dynamic ridge polynomial neural network", 《WEB OF SCIENCE》 *
成烯: "基于长短时记忆网络的股价短期预测研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361624A (zh) * 2023-03-31 2023-06-30 成都理工大学 一种基于误差反馈的大范围地面沉降预测方法及系统
CN116361624B (zh) * 2023-03-31 2023-12-19 成都理工大学 一种基于误差反馈的大范围地面沉降预测方法及系统
WO2024200650A1 (en) * 2023-03-31 2024-10-03 Landis+Gyr Ag Monitoring transformers of power networks
CN117725981A (zh) * 2024-02-08 2024-03-19 昆明学院 一种基于最佳时间窗口机制的配电网故障预测方法
CN117725981B (zh) * 2024-02-08 2024-04-30 昆明学院 一种基于最佳时间窗口机制的配电网故障预测方法

Similar Documents

Publication Publication Date Title
Ye et al. Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China
Ghods et al. Methods for long-term electric load demand forecasting; a comprehensive investigation
CN114429248A (zh) 一种变压器视在功率预测方法
Niu et al. Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed
Mellit ANN-based GA for generating the sizing curve of stand-alone photovoltaic systems
CN101782743A (zh) 神经网络建模方法及系统
CN110518580A (zh) 一种考虑微网主动优化的主动配电网运行优化方法
Chitsazan et al. Wind speed forecasting using an echo state network with nonlinear output functions
CN105631528A (zh) 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN113988481B (zh) 一种基于动态矩阵预测控制的风功率预测方法
CN113300380A (zh) 一种基于负荷曲线分段的配电网无功优化补偿方法
Cheng et al. Forecasting monthly runoff time series by single-layer feedforward artificial neural network and grey wolf optimizer
CN116167531A (zh) 一种基于数字孪生的光伏发电预测方法
Shah et al. A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach
CN117220318B (zh) 电网数字化驱动控制方法及系统
CN115115127A (zh) 一种基于深度学习的低压台区智能调控方法及系统
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN116914751A (zh) 一种智能配电控制系统
Trigkas et al. Energy Management in Microgrids Using Model Predictive Control Empowered with Artificial Intelligence
CN117787915A (zh) 一种配电网数字孪生智慧大脑构建方法
Razmi et al. Neural network based on a genetic algorithm for power system loading margin estimation
CN117154727A (zh) 电力系统可靠性控制方法及系统
CN116995740A (zh) 一种配电网分布式风电及储能优化配置方法和系统
Ammar et al. Analysis Load Forecasting of Power System Using of Fuzzy Logic and Artificial Neural Network

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

Application publication date: 20220503

RJ01 Rejection of invention patent application after publication