[發明專利]基于BP神經網絡的專變用戶有功無功碳排放預測方法

有效

• 申請號: 202210846396.6
• 申請日: 2022-07-19
• 公開（公告）號: CN115099522B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 劉盼盼;章銳;周吉;錢俊良;邰偉
• 申請（專利權）人: 東南大學溧陽研究院;南京東博智慧能源研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/084;H02J3/00;G01D21/02
• 代理公司: 南京鑫之航知識產權代理事務所(特殊普通合伙) 32410
• 代理人: 姚蘭蘭

1.基于BP神經網絡的專變用戶有功無功碳排放預測方法，其特征在于，包括如下步驟：

S1.采集專變用戶的電碳信息數據以及環境信息數據，形成基礎數據庫；

S2.歸一化預處理S1中基礎數據庫的電碳信息數據以及環境信息數據，構建用于負荷、碳排放因子預測的訓練和測試集；用于負荷預測的訓練和測試集劃分為有功負荷以及無功負荷；碳排放因子預測的訓練和測試集劃分為有功集以及無功集；

S3.構建基于BP神經網絡的專變用戶有功/無功負荷預測模型，并利用S2中相應的訓練和測試集，進行訓練和測試得到專變用戶有功/無功負荷預測模型；

S4.構建專變用戶綜合有功/無功碳排放因子模型，利用S2中電碳信息數據計算獲得專變用戶綜合有功和無功碳排放因子數據集，并劃分為訓練和測試樣本；

構建基于BP神經網絡的專變用戶綜合有功/無功碳排放因子預測模型，利用S2中相應的訓練和測試集以及所述專變用戶綜合有功和無功碳排放因子數據集，進行訓練和測試得到專變用戶綜合有功/無功碳排放因子預測模型；

S5.基于S3中得到的專變用戶有功/無功負荷預測模型和S4中得到的專變用戶綜合有功/無功碳排放因子預測模型，預測得到專變用戶的有功和無功負荷以及綜合有功和無功碳排放因子；并據此計算專變用戶有功和無功源碳排放量，并實現對其趨勢預測；

步驟S1中，利用基于傳感裝置的采集技術，采集專變用戶的電碳信息數據以及環境信息數據如公式(1)所示：

式中：X_ZB(t)為t時刻專變用戶采集的信息；分別為t時刻專變用戶外部進線單位有功、無功碳排放因子；分別為t時刻專變用戶內部單位有功、無功碳排放因子；P_L(t)、Q_L(t)分別為t時刻專變用戶有功負荷、無功負荷；T(t)、PV(t)、V(t)分別為t時刻天氣溫度、光照強度以及風速信息；

步驟S2中，歸一化預處理采用如公式(2)所示：

式中：X′_ZBi(t)為預處理后的第i個元素值，X_ZBi(t)為向量X_ZB(t)的第i個元素，如果i＝2，則分別為向量X_ZB(t)的第i個元素的最大值、最小值；

按照公式(2)的預處理方法，預處理后的向量如公式(3)所示

式中：X′_ZB(t)為歸一化預處理后的t時刻專變用戶信息；分別為歸一化預處理后的t時刻專變用戶外部進線單位有功、無功碳排放因子；分別為歸一化預處理后的t時刻專變用戶內部單位有功、無功碳排放因子；P′_L(t)、Q′_L(t)分別為歸一化預處理后的t時刻專變用戶有功負荷、無功負荷；T′(t)、PV′(t)、V′(t)分別為歸一化預處理后的t時刻天氣溫度、光照強度以及風速信息；

步驟S3中，專變用戶有功/無功負荷預測模型中BP神經網絡有輸入層、隱含層和輸出層；輸入層有5個輸入；輸出層有2個輸出；

5個輸入分別為：P′_L(t)為歸一化預處理后的t時刻專變用戶有功負荷；Q′_L(t)為歸一化預處理后的t時刻專變用戶無功負荷；T′(t)為歸一化預處理后的t時刻專變用戶溫度；PV′(t)為歸一化預處理后的t時刻光照強度；V′(t)為歸一化預處理后的t時刻風速；2個輸出分別為：P′_L(t+Δt)為預測的t+Δt時間內的有功負荷值，Q′_L(t+Δt)為預測的t+Δt時間內的無功負荷值；

所述隱含層采用tansig函數，經過訓練后，輸出的BP神經網絡有功/無功負荷預測模型如公式(4)所示：

式中：f_P()為訓練后的專變用戶BP神經網絡有功負荷預測模型，f_Q()為訓練后的專變用戶BP神經網絡無功負荷預測模型；

步驟S4中，專變用戶綜合有功/無功碳排放因子預測模型中計算過程如公式(5)所示：

式中：分別為t時刻專變用戶綜合有功、無功碳排放因子；k₁、k₂分別為t時刻專變用戶外部注入有功功率、無功功率在負荷中的占比；P_out(t)、Q_out(t)分別為t時刻外部電網注入專變用戶的有功功率、無功功率；分別為歸一化預處理后的t時刻專變用戶外部進線單位有功、無功碳排放因子；分別為歸一化預處理后的t時刻專變用戶內部單位有功、無功碳排放因子；

步驟S4中，專變用戶綜合有功/無功碳排放因子預測模型中BP神經網絡有輸入層、隱含層和輸出層；輸入層有n個輸入；n個輸入分別為：X′_ZB(1)，X′_ZB(2)，…，X′_ZB(n)為n個歷史專變用戶向量數據；輸出層有2個輸出，2個輸出分別為：分別為預測的專變用戶綜合有功/無功碳排放因子；經過訓練后，輸出的BP神經網絡有功/無功綜合碳排放因子預測模型如公式(6)所示：

式中：f_λP()為訓練后的專變用戶BP神經網絡有功綜合碳排放因子預測模型，f_λQ()為訓練后的專變用戶BP神經網絡無功綜合碳排放因子預測模型；

步驟S5中，計算過程如公式(7)所示，實現對專變用戶有功/無功碳排放趨勢的有效預測；式中：為預測的未來t+Δt時刻專變用戶有功碳排放量，為預測的未來t+Δt時刻專變用戶無功碳排放量；分別為預測的專變用戶綜合有功/無功碳排放因子；P′_L(t+Δt)為預測的t+Δt時間內的有功負荷值，Q′_L(t+Δt)為預測的t+Δt時間內的無功負荷值。