CN117895479A - 一种基于人体舒适度评价和bp神经网络的负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于人体舒适度评价和BP神经网络的负荷预测方法，该方法针对负荷预测考虑气象因素不全面、复杂气象因素输入影响神经网络训练速度的问题，提出的一种考虑人体舒适度评价的电力负荷短期预测方法，适用于负荷受气象影响波动大背景下的电力系统短期负荷预测。在神经网络日负荷预测中，本发明以相关性更高的人体舒适度指数代替其他多项气象指标，可以减少网络输入单元，加快网络训练速度，更有利于提高负荷预测的精确性。

Description

一种基于人体舒适度评价和BP神经网络的负荷预测方法

技术领域

本发明涉及电力系统负荷预测领域，尤其涉及一种基于人体舒适度评价和BP神经网络的负荷预测方法。

背景技术

负荷预测是指导电网调度、规划的重要基础。近年来随着经济的发展，我国城市的用电负荷逐年上升，高速发展带来的负荷变化要求提升负荷预测准确率。通过精细化负荷预测，指导日前调度计划安排，提升地区供电可靠性，保障电网的安全稳定运行。此外，基于负荷预测结果，能够对线路运行风险以及分布式能源超发等情况进行合理评估，提供配电网改造的建议，暂缓或减少配电网改造投资。

对于城市短期电力负荷的预测，考虑天气因素的影响非常必要。影响电力负荷预测的因素众多，在短期负荷预测中最为显著的因素是气象因素，气象因素对电力系统负荷的影响过程是复杂的、高度耦合的，会影响空调、电暖风、电烤箱等家用电器使用强度的变化。尤其在夏季，负荷受气温影响波动很大，甚至多地出现高温天气导致的缺电停电情况。因此处理好气象因素输入量对提高短期负荷预测的精度显得至关重要。现在的负荷预测方法往往将温度、湿度等指标作为输入直接喂给神经网络训练，在负荷数据逐渐增多，气象维度逐渐复杂的条件下，会增加神经网络训练的难度，增加训练的时间。

为此，提出一种基于人体舒适度评价和BP神经网络的负荷预测方法。

发明内容

本发明针对负荷预测考虑气象因素不全面、复杂气象因素输入影响神经网络训练速度的问题，提出的一种考虑人体舒适度评价的电力负荷短期预测方法，适用于负荷受气象影响波动大背景下(如空调负荷占比较大的配电网在高温天气、极寒天气容易出现大的负荷波动)的电力系统短期负荷预测。

本发明的目的是通过以下技术方案来实现的：

一种基于人体舒适度评价和BP神经网络的负荷预测方法，基于BP神经网络模型进行负荷预测，所述BP神经网络模型的构建方法包括如下步骤：

步骤1：采用基于序关系法-熵权法的新型人体舒适度评价方法获得人体舒适度指数；

步骤2：对历史负荷数据进行数据预处理，得到历史负荷数据集；

步骤3：建立考虑人体舒适度指数的BP神经网络模型，采用步骤1所得的人体舒适度指数以及步骤2所得的历史负荷数据集训练BP神经网络模型，持续训练模型直至模型的实际输出值和期望输出值的误差均方差最小，即可得到训练好的BP神经网络模型。

进一步地，所述步骤1中，假设待进行人体舒适度指数评价的天数为m，即m个评价对象，共有n个气象因素，即n个评价指标，评价指标集记为G＝{G₁,G₂,…G_i,…G_n}，G_j表示第j个评价指标；第i天对应的第j个评价指标的值记为u_ij，U＝(u_ij)_m×n为m个评价对象、n个评价指标的属性矩阵；所述步骤1具体为：

1)基于属性矩阵U＝(u_ij)_m×n，采用序关系法给定各评价指标的主观权重，第j个指标的主观权重记为w_j，主观权重向量记为W＝[w₁,w₂,…,w_n]^T；

2)基于属性矩阵U＝(u_ij)_m×n，采用熵权法计算各评价指标的客观权重，第j个指标的客观权重记为w_j ^*，客观权重向量记为W^*＝[w₁ ^*,w₂ ^*,…,w_n ^*]^T；

3)对主客观权重进行组合赋权，得到综合评估人体舒适度指数值。

更进一步地，所述步骤1)具体包括以下步骤：

1.1)确定序关系

对于n个评价指标，通过专家评价，选择第一重要的评价指标，记为G₁ ^*，专家逐次在剩余指标中选择第一重要的评价指标，则确定序关系为G^*＝{G₁ ^*,G₂ ^*,…,G_n ^*}；

1.2)定量分析指标重要程度差异

以主观权重w_j表示指标G_j的重要程度，将指标G_j-1和G_j重要程度的比值称为序关系r_j，即

根据专家评价对序关系r_j进行赋值，从而定量分析指标重要程度差异；

1.3)计算主观权重

根据专家对序关系r_j的赋值计算各指标的主观权重

从而得到主观权重向量W＝[w₁,w₂,…,w_n]^T。

进一步地，所述步骤2)具体包括以下步骤：

2.1)对评价指标值进行标准化处理，构建评价指标的标准化矩阵，具体为

对各评价指标值进行标准化处理：

其中，x_ij是第i个评价对象第j个评价指标进行归一化后的指标值，u_min,j和u_max,j分别为第j个指标的最小值和最大值；

从而将属性矩阵U＝(u_ij)_m×n转化为标准化矩阵：

2.2)计算第j个评价指标下，第i个评价对象的指标值x_ij所占的比重p_ij：

从而得到以下矩阵：

2.3)计算第j个评价指标的熵值e_j：

2.4)计算第j个评价指标的差异系数：

g_j＝1-e_j,(j＝1,2,...,n)

2.5)计算第j个评价指标的客观权重w_j ^*：

从而得到客观权重向量W^*＝[w₁ ^*,w₂ ^*,…,w_n ^*]^T。

进一步地，所述步骤3)具体包括以下步骤：

采用简单算数平均算法作为赋权方法进行组合赋权，可得指标的综合权重，即：

其中，w_j和w_j ^*分别为第j个评价指标的主观权重和客观权重，w_rj为第j个评价指标的综合权重；

将各指标权重与其标准化后的指标值相乘后求和，即可得到人体舒适度指数，即

式中，b_i为评价对象i的评价分值，即人体舒适度指数值；x_ij是第i个评价对象第j个评价指标进行归一化后的指标值。

进一步地，所述步骤2中，所述对历史负荷数据进行数据预处理为：对历史负荷数据中的异常数据进行修正，对历史负荷数据中的缺失数据进行填补，具体方法为：

首先，进行异常数据的筛选。

电力负荷具有周期性特点，每个周期相同时间点的负荷相似，若某一时间点的负荷相较于前几个周期变化超出特定范围，则可以认定此时间点的负荷数据异常。判定及处理公式如下：

则

式中，y(i,t)为第i天t时刻的负荷值，y(t)为第i天相邻几天t时刻的负荷平均值，为选定的阈值，根据具体情况可调整阈值的大小。

然后，利用二阶插值多项式进行缺失数据的填补以及异常数据的修正，即

y(i,t)＝y(i,t₀)+y[t₀,t₁](t-t₀)+y[t₀,t₁,t₂](t-t₀)(t-t₁)

式中，y[t₀,t₁]和y[t₁,t₂]为y(i,t)的一阶差商，y[t₀,t₁,t₂]为y(i,t)的二阶差商，t₀、t₁、t₂为与t时刻相邻的三个时刻，y(i,t₀)为第i天t₀时刻的负荷值。

基于求解得出的数据，进行异常数据的更新以及缺失数据的填补。

最后，对数据进行归一化：

神经网络对0到1之间的数据训练更加准确，为此，对数据进行归一化处理：

式中，y为待归一化的数据；y_max和y_min为数据中对应的最大值、最小值；y*为归一化处理后数据。

进一步地，所述步骤3中：

所述BP神经网络模型的输入为人体舒适度指数和历史负荷，输出为待预测的负荷。BP神经网络构建在多层前馈网络的基础上，由输入、输出、隐含层组成，是一种按照误差逆向传播算法训练的多层前馈神经网络，其算法称为BP算法。BP网络运算的基本思想是梯度下降法，反复前后迭代，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。经过反复训练之后，能够建立起输入与输出之间任意复杂的非线性对应关系。

本发明的有益效果为：

现在的负荷预测方法往往将温度、湿度等指标作为输入直接喂给神经网络训练，在负荷数据逐渐增多，气象维度逐渐复杂的条件下，会增加神经网络训练的难度，增加训练的时间。而神经网络中训练网络的大小、输入单元与输出单元的相关性直接影响着网络训练速度和预测精度，所以在神经网络日负荷预测中，本发明以相关性更高的人体舒适度指数代替其他多项气象指标，可以减少网络输入单元，加快网络训练速度，更有利于提高负荷预测的精确性。

附图说明

图1是BP神经网络结构图；

图2是BP神经网络模型具体算法实施流程；

图3是本发明实施例BP神经网络模型的构建方法流程图。

具体实施方式

下面以具体实施例对本发明作进一步详细说明。

一种基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，基于BP神经网络模型进行负荷预测。如图3为所述BP神经网络模型的构建方法，包括如下步骤：

步骤1：采用基于序分析法-熵权法的新型人体舒适度评价方法获得人体舒适度指数；

步骤2：对历史负荷数据进行数据预处理，得到历史负荷数据集；

步骤3：采用步骤1所得的人体舒适度指数以及步骤2所得的历史负荷数据集训练BP神经网络模型，持续训练模型直至模型的实际输出值和期望输出值的误差均方差最小，即可得到训练好的BP神经网络模型。

所述步骤1中，假设待进行人体舒适度指数评价的天数为m，即m个评价对象，共有n个气象因素，即n个评价指标，评价指标集记为G＝{G₁,G₂,…G_i,…G_n}，G_j表示第j个评价指标；第i天对应的第j个评价指标的值记为u_ij，U＝(u_ij)_m×n为m个评价对象、n个评价指标的属性矩阵；所述步骤1具体为：

1)基于属性矩阵U＝(u_ij)_m×n，采用序关系法给定各评价指标的主观权重，第j个指标的主观权重记为w_j，主观权重向量记为W＝[w₁,w₂,…,w_n]^T；

2)基于属性矩阵U＝(u_ij)_m×n，采用熵权法计算各评价指标的客观权重，第j个指标的客观权重记为w_j ^*，客观权重向量记为W^*＝[w₁ ^*,w₂ ^*,…,w_n ^*]^T；

3)对主客观权重进行组合赋权，得到综合评估人体舒适度指数值。

所述步骤1)具体包括以下步骤：

1.1)确定序关系

对于n个评价指标，通过专家评价，选择第一重要的评价指标，记为G₁ ^*，专家逐次在剩余指标中选择第一重要的评价指标，则确定序关系为G^*＝{G₁ ^*,G₂ ^*,…,G_n ^*}；

1.2)定量分析指标重要程度差异

以主观权重w_j表示指标G_j的重要程度，将指标G_j-1和G_j重要程度的比值称为序关系r_j，即

根据专家评价对序关系r_j进行赋值，从而定量分析指标重要程度差异；

1.3)计算主观权重

根据专家对序关系r_j的赋值计算各指标的主观权重

从而得到主观权重向量W＝[w₁,w₂,…,w_n]^T。

所述步骤2)具体包括以下步骤：

2.1)对评价指标值进行标准化处理，构建评价指标的标准化矩阵，具体为

对各评价指标值进行标准化处理：

其中，x_ij是第i个评价对象第j个评价指标进行归一化后的指标值，u_min,j和u_max,j分别为第j个指标的最小值和最大值；

从而将属性矩阵U＝(u_ij)_m×n转化为标准化矩阵：

2.2)计算第j个评价指标下，第i个评价对象的指标值x_ij所占的比重p_ij：

从而得到以下矩阵：

2.3)计算第j个评价指标的熵值e_j：

2.4)计算第j个评价指标的差异系数：

g_j＝1-e_j,(j＝1,2,...,n)

2.5)计算第j个评价指标的客观权重w_j*：

从而得到客观权重向量W^*＝[w₁ ^*,w₂ ^*,…,w_n ^*]^T。

所述步骤3)具体包括以下步骤：

采用简单算数平均算法作为赋权方法进行组合赋权，可得指标的综合权重，即：

其中，w_j和w_j ^*分别为第j个评价指标的主观权重和客观权重，w_rj为第j个评价指标的综合权重；

将各指标权重与其标准化后的指标值相乘后求和，即可得到人体舒适度指数，即

式中，b_i为评价对象i的评价分值，即人体舒适度指数值；x_ij是第i个评价对象第j个评价指标进行归一化后的指标值。

所述步骤2中，所述对历史负荷数据进行数据预处理为：对历史负荷数据中的异常数据进行修正，对历史负荷数据中的缺失数据进行填补，具体方法为：

首先，进行异常数据的筛选。

电力负荷具有周期性特点，每个周期相同时间点的负荷相似，若某一时间点的负荷相较于前几个周期变化超出特定范围，则可以认定此时间点的负荷数据异常。判定及处理公式如下：

则

式中，y(i,t)为第i天t时刻的负荷值，y(t)为第i天相邻几天t时刻的负荷平均值，为选定的阈值，根据具体情况可调整阈值的大小。

然后，利用二阶插值多项式进行缺失数据的填补以及异常数据的修正，即

y(i,t)＝y(i,t₀)+y[t₀,t₁](t-t₀)+y[t₀,t₁,t₂](t-t₀)(t-t₁)

式中，y[t₀,t₁]和y[t₁,t₂]为y(i,t)的一阶差商，y[t₀,t₁,t₂]为y(i,t)的二阶差商，t₀、t₁、t₂为与t时刻相邻的三个时刻，y(i,t₀)为第i天t₀时刻的负荷值。

基于求解得出的数据，进行异常数据的更新以及缺失数据的填补。

最后，对数据进行归一化：

神经网络对0到1之间的数据训练更加准确，为此，对数据进行归一化处理：

式中，y为待归一化的数据；y_max和y_min为数据中对应的最大值、最小值；y*为归一化处理后数据。

所述步骤3中：

所述BP神经网络模型的输入为人体舒适度指数和历史负荷，输出为待预测的负荷。BP神经网络构建在多层前馈网络的基础上，由输入、输出、隐含层组成，是一种按照误差逆向传播算法训练的多层前馈神经网络，其算法称为BP算法。BP网络运算的基本思想是梯度下降法，反复前后迭代，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。经过反复训练之后，能够建立起输入与输出之间任意复杂的非线性对应关系。

BP网络的结构图如图1所示：

算法实现步骤可以简单概括为如下步骤：

(1)建立BP神经网络模型

(2)利用样本进行训练

(3)返回训练结束的模型

具体算法实施流程如图2所示。

本具体实施例为四川天府地区负荷2023年7月的短期负荷预测。

本发明实施例基于python语言建立，构建三层BP神经网络，输入层维度为679，隐含层维度为512，输出层维度为192，在PYTORCH23.2.1平台进行训练，训练样本为2023.1.1-2023.6.30的天府地区负荷，输入为待预测日前七天的日96点负荷和人体舒适度指数，输出为待预测日和待预测日第二天的日96点负荷数据。利用2023年7月的负荷数据进行预测精度评估，与不考虑人体舒适度的BP神经网络预测模型进行对比，结果如下：

可以看出考虑人体舒适度的BP神经网络负荷预测模型比单纯的BP神经网络负荷预测模型精度更高，具有工程实践的价值。

Claims (7)

1.一种基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，基于BP神经网络模型进行负荷预测，所述BP神经网络模型的构建方法包括如下步骤：

步骤1：采用基于序关系法-熵权法的新型人体舒适度评价方法获得人体舒适度指数；

步骤2：对历史负荷数据进行数据预处理，得到历史负荷数据集；

步骤3：采用步骤1所得的人体舒适度指数以及步骤2所得的历史负荷数据集训练BP神经网络模型，持续训练模型直至模型的实际输出值和期望输出值的误差均方差最小，即可得到训练好的BP神经网络模型。

2.根据权利要求1所述的基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，所述步骤1中，假设待进行人体舒适度指数评价的天数为m，即m个评价对象，共有n个气象因素，即n个评价指标，评价指标集记为G＝{G₁,G₂,…G_i,…G_n}，G_j表示第j个评价指标；第i天对应的第j个评价指标的值记为u_ij，U＝(u_ij)_m×n为m个评价对象、n个评价指标的属性矩阵；所述步骤1具体包括如下步骤：

1)基于属性矩阵U＝(u_ij)_m×n，采用序关系法给定各评价指标的主观权重，第j个指标的主观权重记为w_j，主观权重向量记为W＝[w₁,w₂,…,w_n]^T；

2)基于属性矩阵U＝(u_ij)_m×n，采用熵权法计算各评价指标的客观权重，第j个指标的客观权重记为w_j ^*，客观权重向量记为W^*＝[w₁ ^*,w₂ ^*,…,w_n ^*]^T；

3)对主客观权重进行组合赋权，得到综合评估人体舒适度指数值。

3.根据权利要求2所述的基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，所述步骤1)具体包括以下步骤：

1.1)确定序关系

对于n个评价指标，通过专家评价，选择第一重要的评价指标，记为G₁ ^*，专家逐次在剩余指标中选择第一重要的评价指标，则确定序关系为G^*＝{G₁ ^*,G₂ ^*,…,G_n ^*}；

1.2)定量分析指标重要程度差异

以主观权重w_j表示指标G_j的重要程度，将指标G_j-1和G_j重要程度的比值称为序关系r_j，即

根据专家评价对序关系r_j进行赋值，从而定量分析指标重要程度差异；

1.3)计算主观权重

根据专家对序关系r_j的赋值计算各指标的主观权重

从而得到主观权重向量W＝[w₁,w₂,…,w_n]^T。

4.根据权利要求2所述的基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，所述步骤2)具体包括以下步骤：

2.1)对评价指标值进行标准化处理，构建评价指标的标准化矩阵，具体为

对各评价指标值进行标准化处理：

其中，x_ij是第i个评价对象第j个评价指标进行标准化后的指标值，u_min,j和u_max,j分别为第j个指标的最小值和最大值；

从而将属性矩阵U＝(u_ij)_m×n转化为标准化矩阵：

2.2)计算第j个评价指标下，第i个评价对象的指标值x_ij所占的比重p_ij：

从而得到以下矩阵：

2.3)计算第j个评价指标的熵值e_j：

2.4)计算第j个评价指标的差异系数g_j：

g_j＝1-e_j,j＝1,2,...,n

2.5)计算第j个评价指标的客观权重w_j*：

从而得到客观权重向量W^*＝[w₁ ^*,w₂ ^*,…,w_n ^*]^T。

5.根据权利要求2所述的基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，所述步骤3)具体包括以下步骤：

采用简单算数平均算法作为赋权方法进行组合赋权，得到指标的综合权重，即：

其中，w_j和w_j*分别为第j个评价指标的主观权重和客观权重，w_rj为第j个评价指标的综合权重；

将各指标权重与其标准化后的指标值相乘后求和，即可得到人体舒适度指数，即

式中，b_i为评价对象i的评价分值，即人体舒适度指数值；x_ij是第i个评价对象第j个评价指标进行归一化后的指标值。

6.根据权利要求1所述的基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，所述步骤2中，所述对历史负荷数据进行数据预处理为：对历史负荷数据中的异常数据进行修正，对历史负荷数据中的缺失数据进行填补，具体方法为：

首先，进行异常数据的筛选：

异常数据的判定公式为：

则

式中，y(i,t)为第i天t时刻的负荷值，为第i天相邻几天t时刻的负荷平均值，/>为选定的阈值；

然后，利用二阶插值多项式进行缺失数据的填补以及异常数据的修正，即

y(i,t)＝y(i,t₀)+y[t₀,t₁](t-t₀)+y[t₀,t₁,t₂](t-t₀)(t-t₁)

式中，y[t₀,t₁]和y[t₁,t₂]为y(i,t)的一阶差商，y[t₀,t₁,t₂]为y(i,t)的二阶差商，t₀、t₁、t₂为与t时刻相邻的三个时刻，y(i,t₀)为第i天t₀时刻的负荷值；

基于求解得出的数据，完成异常数据的修正以及缺失数据的填补；

最后，对数据进行归一化：

式中，y为待归一化的数据；y_max和y_min为数据中对应的最大值、最小值；y*为归一化处理后数据。

7.根据权利要求1所述的基于人体舒适度评价和BP神经网络的负荷预测方法，其特征在于，步骤3中，所述BP神经网络模型的输入为人体舒适度指数和历史负荷，输出为待预测的负荷；所述BP神经网络的计算过程由正向计算过程和反向计算过程组成；正向传播过程为，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得模型的实际输出值和期望输出值的误差均方差最小；经过反复训练之后，建立输入与输出之间的非线性对应关系，即可得到训练好的BP神经网络模型。