[發明專利]基于改進BP神經網絡算法的配網電采暖負荷預測方法

有效

• 申請號: 201711029996.9
• 申請日: 2017-10-26
• 公開（公告）號: CN107748934B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 周紅蓮;李娟;薛靜杰;華東;張三春;周會賓;王燕;李忠政;鄭偉東;任知猷;陳露鋒;孫家文;李嫻;李清;李光應;孔錦繡;羅攀;劉自發;王澤黎
• 申請（專利權）人: 國網新疆電力公司經濟技術研究院;國家電網公司;華北電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0631;G06Q50/06;G06N3/044
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于改進BP神經網絡算法的配網電采暖負荷預測方法，包括如下步驟：

獲取歷史數據以及參數設置步驟S1：獲取表示輸入的歷年規劃的新建建筑的建筑面積和歷年風力發電量利用率，表示輸出的歷年電采暖負荷值，所述歷年包括同時有風力發電和電采暖負荷的時間段，設有m層的神經網絡，所述神經網絡共有n個神經元，并從1到n順序編號，所述神經網絡計算的數據組數為V_max＝year-1，year是歷史數據的年數，令迭代次數it＝1，給定最大迭代次數it_max，設訓練組數變量v＝1，給定輸出誤差ε_y，給定神經元接近上限值的誤差ε_上和接近下限值的誤差ε_下，給定學習率η和各神經元的偏倚θ_i,i＝3,4,...,n,電采暖負荷期望輸出為y；

相關系數計算步驟S2，分別利用歷年的風力發電量利用率、歷年新建建筑面積與歷年電采暖負荷值計算相關系數；

權系數賦值步驟S3：將計算得到的相關系數分別賦值給各層神經元對應相應變量的權系數ω_ij，ω_ij為位于第k-1層總第j個神經元到位于第k層總第i個神經元的權系數，其中i的序號范圍對應從第2層到第m層的神經元，j的序號范圍對應從第1層到第m-1層的神經元；

各層神經元計算輸出步驟S4，對于第k層總第i個神經元輸出利用如下公式計算：其中j為第k-1層的總第j個神經元，k取值從第2層到第m層，式中θ_i是第i個神經元的偏倚；

結果輸出判斷步驟S5，計算輸出層輸出值與電采暖負荷期望輸出y之差的絕對值，如果該絕對值小于輸出誤差ε_y，或迭代次數超過it_max，則轉向步驟S11，否則進入步驟S6；

上下限判斷步驟S6，通過將神經元輸出值與神經元接近上限值的誤差ε_上或接近下限值的誤差ε_下進行比較判斷神經元輸出值是否接近其上下限值，如果是則進入步驟S9，否則進入步驟S7；

神經元學習誤差計算步驟S7，計算隱藏和輸出層學習誤差步驟，若該層為輸出層，即k＝m，則第i個神經元學習誤差y是電采暖負荷期望輸出；若該層為隱藏層，即k≠m，則學習誤差l為第k+1層的神經元的序號；

基于學習誤差的權系數修正步驟S8，根據學習誤差修正權系數，令it＝it+1，然后轉向步驟S10；

隨機修正權系數步驟S9，令it＝it+1，隨機產生正數ε_修，令ω_ij(it)＝ω_ij(it-1)+ε_修，在步驟S9中，ε_修在[0,0.1]區間按均勻分布條件隨機產生；

隨機修正偏倚和學習率步驟S10，基于[-0.2,0.2]的均勻分布函數，隨機產生一個數，修正偏倚和學習率，然后轉向步驟S4；

判斷是否到最后一組數據步驟S11，令v＝v+1，再將v與V_max比較，判斷是否到最后一組數據，如果若v≤V_max轉向步驟S3，否則進入步驟S12；

預測步驟S12，依據計算的各層權系數、神經元偏倚、學習率，給定的預測年的規劃新建建筑的建筑面積和風力發電量利用率，預測電采暖負荷值。

2.根據權利要求1所述的配網電采暖負荷預測方法，其特征在于：

在步驟S2中，首先對歷年的風力發電量利用率、歷年新建建筑面積與歷年電采暖負荷值進行歸一化計算，再進行相關系數的計算。

3.根據權利要求2所述的配網電采暖負荷預測方法，其特征在于：

在步驟S2中，歸一化的公式為：

p＝(q-0.7q_min)/(1.3q_max-0.7q_min)

其中，p是歸一化后的值，q是歸一化前的值，q_max,q_min是歸一化變量q的最大值、最小值。