[發明專利]基于人工智能數據驅動的主要斷面預測方法

在審

• 申請號: 201911037892.1
• 申請日: 2019-10-29
• 公開（公告）號: CN110751290A
• 公開（公告）日: 2020-02-04
• 發明（設計）人: 鄭君;祖光鑫;胡遠婷;郝文波;徐明宇;郭裊;劉智洋;劉進
• 申請（專利權）人: 國網黑龍江省電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F30/20;G06K9/62;G06Q10/04;G06Q50/06
• 代理公司: 23109 哈爾濱市松花江專利商標事務所
• 代理人: 時起磊

1.基于人工智能數據驅動的主要斷面預測方法，其特征在于：所述方法具體過程為：

步驟一、采集數據集，將數據集作為訓練集；

步驟二、建立BP神經網絡模型；

步驟三、基于訓練集訓練BP神經網絡模型，得到訓練好的BP神經網絡模型；

步驟四、將待測數據集輸入到訓練好的BP神經網絡模型，得到各省間潮流斷面。

2.根據權利要求1所述基于人工智能數據驅動的主要斷面預測方法，其特征在于：所述步驟一中采集數據集，將數據集作為訓練集；具體過程為：

采集各省的發電功率、負荷功率、變電站吸收功率和各省間的潮流斷面，作為訓練集。

3.根據權利要求1或2所述基于人工智能數據驅動的主要斷面預測方法，其特征在于：所述步驟二中建立BP神經網絡模型；具體過程為：

神經網絡由輸入層、隱藏層、輸出層組成；

隱藏層為多層，每個層中包含若干神經元；

各隱藏層節點通過激活函數轉化；

對于一個結構為含有n個輸入變量的輸入層，含有p個神經元的隱藏層，含有q個類別的輸出層，BP神經網絡模型中變量如下：

輸入層輸入向量為x＝(x₁,x₂,…,x_i,…,x_n)，x_i為輸入層第i個輸入向量；

隱藏層輸入向量為hi＝(hi₁,hi₂,…,hi_h,…,hi_p)，hi_h為第h個神經元隱藏層輸入向量；

隱藏層輸出向量為ho＝(ho₁,ho₂,…,ho_h,…,ho_p)，ho_h為第h個神經元隱藏層輸出向量；

輸出層輸入向量為yi＝(yi₁,yi₂,…,yi_u,…,yi_q)，yi_u為第u個類別輸出層輸入向量；

輸出層輸出向量為yo＝(yo₁,yo₂,…,yo_u,…,yo_q)，yo_u為第u個類別輸出層輸出向量；

期望輸出向量為do＝(do₁,do₂,…,do_u,…,do_q)，do_u為第u個類別期望輸出向量；

輸入層與隱藏層的連接權值為w_ih；

隱藏層與輸出層的連接權值為w_hu；

隱藏層各神經元的閾值為b_h；

輸出層各神經元的閾值為b_u；

樣本數據個數為k＝1,2,…,m；

激活函數為f(·)；

誤差函數為do_u(k)為第u個類別期望輸出向量，yo_u(k)為第u個類別輸出層輸出向量；

選取第k個輸入樣本，則隱藏層各神經元的輸入和輸出向量為：

ho_h(k)＝f(hi_h(k)),h＝1,2,…,p

式中，hi_h(k)為第h個神經元隱藏層輸入向量；

ho_h(k)為第h個神經元隱藏層輸出向量；

選取第k個輸入樣本，則輸出層各類別的輸入和輸出向量為：

yo_u(k)＝f(yi_u(k)),u＝1,2,…,q

式中，yi_u(k)為第u個類別輸出層的輸入向量；

yo_u(k)為第u個類別輸出層的輸出向量；

計算誤差函數e對輸出層各類別的偏導數；

式中，δ_o(k)為e對于yi_u(k)的偏導；

計算誤差函數e對隱藏層各神經元的偏導數；

式中，δ_h(k)為e對于hi_h(k)的偏導；

利用偏導數修正隱藏層與輸出層連接權值：

w_hu^N+1＝w_hu^N+ηδ_o(k)ho_h(k)

式中，Δw_hu(k)為w_hu(k)的變化量，w_hu^N+1為第N+1個隱藏層的w_hu(k)，w_hu^N為第N個隱藏層的w_hu(k)，μ為調節系數，η為學習率；

利用偏導數修正輸入層與隱藏層連接權值：

w_ih^N+1＝w_ih^N+ηδ_h(k)x_i(k)

式中，Δw_ih(k)為w_ih(k)的變化量，w_ih^N+1為第N+1個隱藏層的w_ih(k)，w_ih^N為第N個隱藏層的w_ih(k)；

計算全局誤差：