CN115099522A - 基于bp神经网络的专变用户有功无功碳排放预测方法 - Google Patents
基于bp神经网络的专变用户有功无功碳排放预测方法 Download PDFInfo
- Publication number
- CN115099522A CN115099522A CN202210846396.6A CN202210846396A CN115099522A CN 115099522 A CN115099522 A CN 115099522A CN 202210846396 A CN202210846396 A CN 202210846396A CN 115099522 A CN115099522 A CN 115099522A
- Authority
- CN
- China
- Prior art keywords
- active
- reactive
- carbon emission
- special transformer
- 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.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 185
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 181
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000002194 synthesizing effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000009919 sequestration Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000009467 reduction Effects 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的专变用户有功无功碳排放预测方法,本发明面向专变用户,提出基于BP神经网络的专变用户有功/无功碳排放预测技术;本发明主要采用基于传感装置的专变用户电碳和环境信息采集技术,归一化处理,构建训练得到基于BP神经网络的专变用户有功负荷/无功负荷预测模型以及有功/无功综合碳排放因子预测模型,最终实现对专变用户有功、无功碳排放量的有效预测;本发明克服了有功、无功交互影响,专变用户内部碳排放难以有效计算的技术难题;本发明提高预测计算结果,实现对趋势预测,有利于给出专变用户碳排放规律,为专变用户掌握自身碳排放趋势,制定专变用户低碳用能策略,助理电网碳减排,具有重要意义。
Description
技术领域
本发明涉及电力系统领域,具体是基于BP神经网络的专变用户有功无功碳排放预测技术。
背景技术
电网公司以新型电力系统为方向,加快推进能源互联网企业建设,以更高站位、更宽视野、更实举措,推动电源侧、电网侧、用户侧协同发力。近年来,专变用户数量逐渐增多,专变用户可控性好是碳减排的主战场。
但受有功、无功交互影响,专变用户内部碳排放难以有效计算。在电网碳排放计算过程中,由于受无功的影响,消耗相同有功量的两个用户,其碳排放不一定相同,二者的消耗的无功也不一定相同,因此二者碳排放量不一定相同。且专变用户碳排放规律尚不明确,挖掘专变用户碳排放规律,支撑电网调控,对促进电网碳减排具有重要意义。
发明内容
本发明所要解决的技术问题是受有功、无功交互影响,专变用户内部碳排放难以有效计算;
本发明面向专变用户,为减低专变用户碳排放,需要挖掘并掌握专变用户碳排放规律,助力电网碳减排,提出基于BP神经网络的专变用户有功/无功碳排放预测技术;
主要包括:基于传感装置的专变用户电-碳信息采集技术,专变用户多源信息归一化预处理技术,基于BP神经网络的专变用户有功负荷/无功负荷预测模型,基于BP神经网络的专变用户有功/无功综合碳排放因子预测模型,最终实现对专变用户有功、无功碳排放量的有效预测;
本发明提供如下技术方案:
基于BP神经网络的专变用户有功无功碳排放预测方法,包括如下步骤:
S1.采集专变用户的电碳信息数据以及环境信息数据,形成基础数据库;
S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据,构建用于负荷、碳排放因子预测的训练和测试集;用于负荷预测的训练和测试集划分为有功负荷以及无功负荷;
碳排放因子预测的训练和测试集划分为有功集以及无功集;
S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型,并利用S2中相应的训练和测试集,进行训练和测试得到专变用户有功/无功负荷预测模型;
S4.构建专变用户综合有功/无功碳排放因子模型,利用S2中电碳信息数据计算获得专变用户综合有功和无功碳排放因子数据集,并划分为训练和测试样本;
构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型,利用S2中相应的训练和测试集以及上述专变用户综合有功和无功碳排放因子数据集,进行训练和测试得到专变用户综合有功/无功碳排放因子预测模型;
S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有功/无功碳排放因子预测模型,预测得到专变用户的有功和无功负荷以及综合有功和无功碳排放因子;并据此计算专变用户有功和无功源碳排放量,并实现对其趋势预测。
优选的,所述S1中利用基于传感装置的采集技术,利用传感装置和物联网技术对专变用户的电碳信息和环境信息进行采集,电碳信息包括进线单位有功、无功碳排放因子、专变用户有功负荷、无功负荷;环境信息包括天气温度、光照强度以及风速信息;
具体的采集专变用户电碳信息和环境信息如公式(1)所示:
式中:为t时刻专变用户采集的信息;、分别为t时刻专变
用户外部进线单位有功、无功碳排放因子;、分别为t时刻专变用户内部单位
有功、无功碳排放因子;、分别为t时刻专变用户有功负荷、无功负荷;、、分别为t时刻天气温度、光照强度以及风速信息。
优选的,由于采集的专变用户量纲不同,难以进行统一处理,本发明提出专变用户多源信息归一化预处理技术,对专变用户不同量纲信息进行归一化预处理,为神经网络模型训练提供基础;所述S2中归一化预处理采用如公式(2)所示:
按照公式(2)的预处理方法,预处理后的向量如公式(3)所示
式中:为归一化预处理后的t时刻专变用户信息;、分别
为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子;、分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子;、分别为归一化预处理后的t时刻专变用户有功负荷、无功负荷;、、分别为归一化预处理后的t时刻天气温度、光照强度以及风速信息。
优选的,基于BP神经网络,对归一化预处理后的专变用户有功/无功负荷信息,温度、日照强度、风速等进行挖掘,构建提出基于BP神经网络的专变用户有功负荷/无功负荷预测模型,实现对专变用户有功负荷/无功负荷的有效预测;
BP神经网络的应用有 3 个主要步骤,分别为:采集训练数据、训练网络和测试网络。本方法采用的是离线训练神经网络,即根据采集的专变用户有功/无功负荷、环境信息等样本数据,训练神经网络,获取连接权值、阈值、训练函数等,对有功/无功负荷与历史负荷信息、环境信息进行关联,构建基于BP神经网络的专变用户负荷预测模型;
所述S3中专变用户有功/无功负荷预测模型中BP神经网络有输入层、隐含层和输出层;输入层有5 个输入;输出层有 2个输出;
5个输入分别为:为t时刻专变用户有功负荷;为t时刻专变用户无
功负荷;为t时刻专变用户温度;为t时刻光照强度;为t时刻风速;2
个输出分别为:为预测的时间内的有功负荷值,为预测
的时间内的无功负荷值;
优选的,所述隐含层采用tansig函数,经过训练后,输出的BP神经网络有功/无功负荷预测模型如公式(4)所示:
优选的,所述S4中专变用户综合有功/无功碳排放因子模型中计算过程如公式(5)所示:
式中:、分别为t时刻专变用户综合有功、无功碳排放因子。、分别为t时刻专变用户外部注入有功功率、无功功率在负荷中的占比;、分别为t时刻外部电网注入专变用户的有功功率、无功功率;、分
别为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子;、分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子。
优选的,所述S4中专变用户综合有功/无功碳排放因子预测模型中BP神经网络有
输入层、隐含层和输出层;输入层有n个输入;n个输入分别为:为n个历史专变用户向量数据;输出层有 2个输出,2个输
出分别为:、分别为预测的专变用户综合有功/无功碳排放因
子;经过训练后,输出的BP神经网络有功/无功综合碳排放因子预测模型如公式(6)所示:
优选的,所述S5中计算过程如公式(7)所示,实现对专变用户有功/无功碳排放趋势的有效预测。
本发明进一步提出了一种基于BP神经网络的专变用户有功无功碳排放预测计算系统,包括网络接口、存储器和处理器;其中,
所述网络接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行上述基于BP神经网络的专变用户有功无功碳排放预测方法。
本发明进一步提出了一种计算机存储介质,所述计算机存储介质存储有基于BP神经网络的专变用户有功无功碳排放预测计算的程序,所述基于BP神经网络的专变用户有功无功碳排放预测计算的程序被至少一个处理器执行时实现上述所述基于BP神经网络的专变用户有功无功碳排放预测方法;
需要说明的是本发明中电碳信息采集技术以及环境信息采集技术均采用现有传感装置进行采集,本发明在此不作具体阐述也不作限制;
与现有技术相比,本发明具有以下几个方面的有益效果:
1、本发明提供一种基于BP神经网络的专变用户有功无功碳排放预测方法,克服了专变用户碳排放控制过程中有功、无功交互影响,专变用户内部碳排放难以有效计算的技术难题,本发明通过传感装置的专变用户电-碳信息采集技术,采集专变用户的电碳信息以及环境信息等多源数据,本发明将电碳信息数据划分为有功和无功;归一化预处理,同时构造专变用户综合有功/无功碳排放因子模型计算形成训练和测试数据集;训练和测试得出有功/无功类型的负荷以及综合碳排放因子BP神经网络预测模型,方便根据相应的模型预测计算负荷和综合碳排放因子,并求积计算得出相应的有功/无功源的碳排放量,提高预测计算结果,实现对趋势预测,有利于给出专变用户碳排放规律,为专变用户掌握自身碳排放趋势,制定专变用户低碳用能策略,助理电网碳减排,具有重要意义。
2、本发明采用电碳信息和环境信息的结合,电碳信息考虑外部进线和内部单位信息,其中环境信息包括天气温度、光照强度以及风速信息;综合贴近工程实际,较为全面地考虑碳排放的影响因素,叠加BP神经网络预测计算,提高准确度;
3、本发明采用的归一化预处理计算方法,有利于数据的保真和后续训练和测试,提高计算效率和准确度;本发明采用的专变用户综合有功/无功碳排放因子模型,充分考虑专变用户外部注入有功功率、无功功率在负荷中的占比,贴近碳排放实际系数,提高后续训练和测试的准确度;本发明的方法流程简单,计算数据量全面,计算过程中的中间结构含义明确,计算方法实用性强,有利于专变用户碳排放控制计算的使用和推广。
附图说明
图1为基于BP神经网络的专变用户有功无功碳排放预测方法的流程示意图。
图2为基于BP神经网络的专变用户有功无功碳排放预测方法中专变用户有功/无功负荷预测的BP神经网络示意图。
图3为基于BP神经网络的专变用户有功无功碳排放预测方法中专变用户有功/无功综合碳排放因子预测的BP神经网络示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“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;术语“第一”、“第二”、“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;此外,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,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。
参见图1,基于BP神经网络的专变用户有功无功碳排放预测方法,包括如下步骤:
S1.采集专变用户的电碳信息数据以及环境信息数据,形成基础数据库;
对于S1,本实施例采用基于传感装置的采集技术,利用成熟的传感装置和物联网技术对专变用户的电碳信息和环境信息进行采集,电碳信息包括进线单位有功、无功碳排放因子、专变用户有功负荷、无功负荷;环境信息包括天气温度、光照强度以及风速信息;
具体的采集专变用户电碳信息和环境信息如公式(1)所示:
式中:为t时刻专变用户采集的信息;、分别为t时刻专变
用户外部进线单位有功、无功碳排放因子;、分别为t时刻专变用户内部单位
有功、无功碳排放因子;、分别为t时刻专变用户有功负荷、无功负荷;、、分别为t时刻天气温度、光照强度以及风速信息。
S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据,构建用于负荷、碳排放因子预测的训练和测试集;都划分为有功类和无功类;
对于S2、由于采集的专变用户量纲不同,难以进行统一处理,本发明提出专变用户多源信息归一化预处理技术,对专变用户不同量纲信息进行归一化预处理,为神经网络模型训练提供基础;
具体地本实施例中归一化预处理采用如公式(2)所示:
按照公式(2)的预处理方法,预处理后的向量如公式(3)所示
式中:为归一化预处理后的t时刻专变用户信息;、分别
为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子;、分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子;、分别为归一化预处理后的t时刻专变用户有功负荷、无功负荷;、、分别为归一化预处理后的t时刻天气温度、光照强度以及风速信息。
S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型,并利用S2中相应的训练和测试集,进行训练和测试得到专变用户有功/无功负荷预测模型;
对于S3、本实施例基于BP神经网络,对归一化预处理后的专变用户有功/无功负荷信息,温度、日照强度、风速等进行挖掘,构建提出基于BP神经网络的专变用户有功负荷/无功负荷预测模型,实现对专变用户有功负荷/无功负荷的有效预测;
其中本实施例的BP神经网络的应用有 3 个主要步骤,分别为:采集训练数据、训练网络和测试网络。本方法采用的是离线训练神经网络,即根据采集的专变用户有功/无功负荷、环境信息等样本数据,训练神经网络,获取连接权值、阈值、训练函数等,对有功/无功负荷与历史负荷信息、环境信息进行关联,构建基于BP神经网络的专变用户负荷预测模型;
如图2所示,本实施例中专变用户有功/无功负荷预测模型中BP神经网络有输入层、隐含层和输出层;输入层有5 个输入;输出层有 2个输出;
5个输入分别为:为t时刻专变用户有功负荷;为t时刻专变用户无
功负荷;为t时刻专变用户温度;为t时刻光照强度;为t时刻风速;2
个输出分别为:为预测的时间内的有功负荷值,为预测
的时间内的无功负荷值;
本实施例中所述隐含层采用tansig函数,经过训练后,输出的BP神经网络有功/无功负荷预测模型如公式(4)所示:
S4.构建专变用户综合有功/无功碳排放因子模型,利用S2中电碳信息数据计算获得专变用户综合有功和无功碳排放因子数据集,并划分为训练和测试样本;
构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型,利用S2中相应的训练和测试集以及上述专变用户综合有功和无功碳排放因子数据集,进行训练和测试得到专变用户综合有功/无功碳排放因子预测模型;
对于S4,本实施例中专变用户综合有功/无功碳排放因子模型中计算过程如公式(5)所示:
式中:、分别为t时刻专变用户综合有功、无功碳排放因子。、分别为t时刻专变用户外部注入有功功率、无功功率在负荷中的占比;、分别为t时刻外部电网注入专变用户的有功功率、无功功率;、
分别为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子;、分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子。
本实施例中,专变用户综合有功/无功碳排放因子预测模型中BP神经网络有输入
层、隐含层和输出层,如图3所示;输入层有n个输入;n个输入分别为:为n个历史专变用户向量数据;输出层有 2个输出,2个输
出分别为:、分别为预测的专变用户综合有功/无功碳排放因子;
经过训练后,输出的BP神经网络有功/无功综合碳排放因子预测模型如公式(6)所示:
S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有功/无功碳排放因子预测模型,预测得到专变用户的有功和无功负荷以及综合有功和无功碳排放因子;并据此计算专变用户有功和无功源碳排放量,并实现对其趋势预测。
本实施例中,所述S5中计算过程如公式(7)所示,实现对专变用户有功/无功碳排放趋势的有效预测。
本发明的工作原理是:本发明通过传感装置的专变用户电-碳信息采集技术,采集专变用户的电碳信息以及环境信息等多源数据,本发明将电碳信息数据划分为有功和无功;归一化预处理,同时构造专变用户综合有功/无功碳排放因子模型计算形成训练和测试数据集;训练和测试得出有功/无功类型的负荷以及综合碳排放因子BP神经网络预测模型,方便根据相应的模型预测计算负荷和综合碳排放因子,并求积计算得出相应的有功/无功源的碳排放量,提高预测计算结果;
本发明采用电碳信息和环境信息的结合,电碳信息考虑外部进线和内部单位信息,其中环境信息包括天气温度、光照强度以及风速信息;综合贴近工程实际,较为全面地考虑碳排放的影响因素,叠加BP神经网络预测计算,提高准确度;本发明采用的归一化预处理计算方法,有利于数据的保真和后续训练和测试,提高计算效率和准确度;本发明采用的专变用户综合有功/无功碳排放因子模型,充分考虑专变用户外部注入有功功率、无功功率在负荷中的占比,贴近碳排放实际系数,提高后续训练和测试的准确度。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (9)
1.基于BP神经网络的专变用户有功无功碳排放预测方法,其特征在于,包括如下步骤:
S1.采集专变用户的电碳信息数据以及环境信息数据,形成基础数据库;
S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据,构建用于负荷、碳排放因子预测的训练和测试集;用于负荷预测的训练和测试集划分为有功负荷以及无功负荷;
碳排放因子预测的训练和测试集划分为有功集以及无功集;
S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型,并利用S2中相应的训练和测试集,进行训练和测试得到专变用户有功/无功负荷预测模型;
S4.构建专变用户综合有功/无功碳排放因子模型,利用S2中电碳信息数据计算获得专变用户综合有功和无功碳排放因子数据集,并划分为训练和测试样本;
构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型,利用S2中相应的训练和测试集以及所述专变用户综合有功和无功碳排放因子数据集,进行训练和测试得到专变用户综合有功/无功碳排放因子预测模型;
S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有功/无功碳排放因子预测模型,预测得到专变用户的有功和无功负荷以及
综合有功和无功碳排放因子;
并据此计算专变用户有功和无功源碳排放量,并实现对其趋势预测。
3.根据权利要求2所述的基于BP神经网络的专变用户有功无功碳排放预测方法,其特征在于,步骤S2中,归一化预处理采用如公式(2)所示:
按照公式(2)的预处理方法,预处理后的向量如公式(3)所示
4.根据权利要求3所述的基于BP神经网络的专变用户有功无功碳排放预测方法,其特征在于,步骤S3中,专变用户有功/无功负荷预测模型中BP神经网络有输入层、隐含层和输出层;输入层有5 个输入;输出层有 2个输出;
所述隐含层采用tansig函数,经过训练后,输出的BP神经网络有功/无功负荷预测模型如公式(4)所示:
8.基于BP神经网络的专变用户有功无功碳排放预测计算系统,其特征在于,包括网络接口、存储器和处理器;其中,
所述网络接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行权利要求2-7任一所述基于BP神经网络的专变用户有功无功碳排放预测方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于BP神经网络的专变用户有功无功碳排放预测计算的程序,所述基于BP神经网络的专变用户有功无功碳排放预测计算的程序被至少一个处理器执行时实现权利要求2-7任一所述基于BP神经网络的专变用户有功无功碳排放预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210846396.6A CN115099522B (zh) | 2022-07-19 | 2022-07-19 | 基于bp神经网络的专变用户有功无功碳排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210846396.6A CN115099522B (zh) | 2022-07-19 | 2022-07-19 | 基于bp神经网络的专变用户有功无功碳排放预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099522A true CN115099522A (zh) | 2022-09-23 |
CN115099522B CN115099522B (zh) | 2023-04-18 |
Family
ID=83297933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210846396.6A Active CN115099522B (zh) | 2022-07-19 | 2022-07-19 | 基于bp神经网络的专变用户有功无功碳排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099522B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975799A (zh) * | 2016-06-01 | 2016-09-28 | 广东电网有限责任公司电力科学研究院 | 一种碳排放量计算方法及系统 |
CN106251095A (zh) * | 2016-09-06 | 2016-12-21 | 清华大学 | 一种电力系统碳排放实时计量的方法及碳表系统 |
CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
CN113609713A (zh) * | 2021-10-08 | 2021-11-05 | 南京东博智慧能源研究院有限公司 | 用户侧电碳信息量化计算方法、系统及计算机存储介质 |
CN113642936A (zh) * | 2021-10-13 | 2021-11-12 | 中国电力科学研究院有限公司 | 一种需求侧碳流边缘分析方法、终端与系统 |
-
2022
- 2022-07-19 CN CN202210846396.6A patent/CN115099522B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975799A (zh) * | 2016-06-01 | 2016-09-28 | 广东电网有限责任公司电力科学研究院 | 一种碳排放量计算方法及系统 |
CN106251095A (zh) * | 2016-09-06 | 2016-12-21 | 清华大学 | 一种电力系统碳排放实时计量的方法及碳表系统 |
CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
CN113609713A (zh) * | 2021-10-08 | 2021-11-05 | 南京东博智慧能源研究院有限公司 | 用户侧电碳信息量化计算方法、系统及计算机存储介质 |
CN113642936A (zh) * | 2021-10-13 | 2021-11-12 | 中国电力科学研究院有限公司 | 一种需求侧碳流边缘分析方法、终端与系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564106B (zh) * | 2022-09-29 | 2023-10-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115099522B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
CN103455729B (zh) | 一种确定光储并网联合发电调度值的方法 | |
CN114118569A (zh) | 基于多模态多任务的Transformer网络的风电功率多步预测方法 | |
CN115099522B (zh) | 基于bp神经网络的专变用户有功无功碳排放预测方法 | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
CN107039981A (zh) | 一种拟直流线性化概率最优潮流计算方法 | |
CN116482975A (zh) | 一种虚实融合的船舶能量管理策略验证方法与平台 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
Liu et al. | Wind power short-term forecasting based on LSTM neural network with dragonfly algorithm | |
CN115906619A (zh) | 一种基于pso-bp优化算法的混合动力双电船的能量管理方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
Wang et al. | Optimization of the powertrain and energy management control parameters of a hybrid hydraulic vehicle based on improved multi-objective particle swarm optimization | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
CN112070625A (zh) | 一种用户用电行为模式识别方法及系统 | |
CN117239754A (zh) | 一种考虑碳排放的风-光-火多电源协调运行方法及系统 | |
CN110142803B (zh) | 一种移动焊接机器人系统工作状态检测方法及装置 | |
CN115776138A (zh) | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 | |
Huang et al. | Wind prediction based on improved bp artificial neural network in wind farm | |
CN113673141B (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
CN101540504A (zh) | 一种基于变步长神经网络的潮流分析装置及方法 | |
CN108920810A (zh) | 基于大数据架构的电力仿真方法 | |
CN113780661A (zh) | 一种针对突变风速的风电超短期功率预测方法 | |
CN114069604B (zh) | 考虑电动汽车充电站耦合作用的多时段容量评估方法 | |
CN117078030B (zh) | 一种基于车速预测的燃料电池公交车能量管理方法 |
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 | ||
GR01 | Patent grant |