基于大数据的用电负荷预测系统技术方案

本发明专利技术公开了基于大数据的用电负荷预测系统，该系统采用误差反向传播神经网络方法对某一场所未来用电负荷量进行预测，所述误差反向传播神经网络方法包括输入层、隐层和输出层，通过所述输入层、隐层和输出层之间的函数关系可建立所述误差反向传播神经网络方法的数学模型；其中，所述输入层信息对应用电负荷量的历史数据，所述输出层信息对应用电负荷量的预测数据，所述隐层对应预测数据与历史数据之间的函数关系。本发明专利技术采用误差反向传播神经网络方法来对未来用电负荷量进行预测，并建立了所述误差反向传播神经网络方法的数学模型，使得预测结果更为准确，并且可计算其准确地误差，给生活带来了很大的方便。

【技术实现步骤摘要】

本专利技术涉及电力系统领域，特别是基于大数据的用电负荷预测系统。
技术介绍
在电力系统中，如果能够提前知道某个城市的下个月总用电负荷，那么发电厂就 可以对发电机组的运行时间进行调整，提前安排某发电机停机时间，进行保养维护，这样可 以有效延长发电机使用寿命并提高其效率及可靠性。再如，如果能够提前知道某个地区的 下个月总用电负荷，那么变电站就可以对变压器组的运行时间进行调整，提前安排某变压 器的停机时间，进行保养维护，这样可以有效延长变压器的使用寿命并提高其效率及可靠 性，同理，如果一座矿山、一个工厂能够预测下个阶段的用电量，那么对于安排生产是大有 裨益的。 指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，在 现有预测方法中，指数平滑是用得最多的。 简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动 平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数 平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影 响程度，即随着数据的远离，赋予逐渐收敛为零的权数，它是通过计算指数平滑值，配合一 定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实 际观察值与前一期指数平滑值的加权平均。 指数平滑法的基本公式是：St=ayt-l+(l-a)st-l式中， St-时间t的平滑值； yt-1-时间t-Ι的实际值； St-Ι-时间t-Ι的平滑值；a-平滑常数，其取值范围为; 由该公式可知： 1.St是yt-Ι和St-Ι的加权算数平均数，随着a取值的大小变化，决定yt-Ι和St-1 对St的影响程度，当a取1时，St=yt;当a取0时，St=St-1。 2.St具有逐期追溯性质，可探源至st-t+l为止，包括全部数据。其过程中，平滑常 数以指数形式递减，故称之为指数平滑法。指数平滑常数取值至关重要。平滑常数决定了 平滑水平以及对预测值与实际结果之间差异的响应速度。平滑常数a越接近于1，远期实际 值对本期平滑值的下降越迅速；平滑常数a越接近于0,远期实际值对本期平滑值影响程 度的下降越缓慢。由此，当时间数列相对平稳时，可取较大的a;当时间数列波动较大时，应 取较小的a，以不忽略远期实际值的影响。生产预测中，平滑常数的值取决于产品本身和管 理者对良好响应率内涵的理解。 3.尽管St包含有全期数据的影响，但实际计算时，仅需要两个数值，即yt-Ι和 St-Ι，再加上一个常数a，这就使指数滑动平均具逐期递推性质，从而给预测带来了极大的 方便。 4.根据公式Sl=ayl+(l_a)S0,当欲用指数平滑法时才开始收集数据，则不存在 y〇。无从产生S0,自然无法据指数平滑公式求出S1，指数平滑法定义S1为初始值。初始值 的确定也是指数平滑过程的一个重要条件。 如果能够找到yl以前的历史资料，那么，初始值S1的确定是不成问题的。数据较 少时可用全期平均、移动平均法；数据较多时，可用最小二乘法。但不能使用指数平滑法本 身确定初始值，因为数据必会枯竭。 如果仅有从yl开始的数据，那么确定初始值的方法有： 1) 取S1等于yl; 2) 待积累若干数据后，取S1等于前面若干数据的简单算术平均数，如：Sl=(yl+ y2+y3)/3 等等。 toon] 指数平滑法的预测公式 据平滑次数不同，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑 法等。 一次指数平滑预测 当时间数列无明显的趋势变化，可用一次指数平滑预测。 其预测公式为：yt+l'=ayt+(l-a)yt'式中，yt+l'--t+l期的预测值，即本期（t 期）的平滑值St;yt-t期的实际值；yt'一t期的预测值，即上期的平滑值St-1。 该公式又可以写作：yt+l'=yt'+a(yt-yt'）。可见，下期预测值又是本期预测值与 以a为折扣的本期实际值与预测值误差之和。 二次指数平滑预测 二次指数平滑是对一次指数平滑的再平滑。它适用于具线性趋势的时间数列。 其预测公式为： yt+m= (2+am/ (1-a))yt' - (1+am/ (1-a))yt= (2yt，-yt) +m(yt，-yt)a/ (Ι-a)式中，yt=ayt-Γ+(l-a)yt_l显然，二次指数平滑是一直线方程，其截距为：（2yt' -yt)，斜率为： (yt'-yt)aAl-a)，自变量为预测天数。 二次指数平滑基本公式St=aSt+(1-a)St_lYt+T=at+btTat=2St_St bt= (a/1-a) (St-St) 式中 St-第t期的一次指数平滑值St-第t期的二次指数平滑值a-平滑系数Yt+T-第t+T期预测值T-由t期向后推移期数 三次指数平滑预测 三次指数平滑预测是二次平滑基础上的再平滑。 其预测公式是：yt+m=(3yt'_3yt+yt) + *am/2 (l_a) 2+ (yt，_2yt+yt，）*a2m2/2 (l_a) 2 式中，yt=ayt_l+ (l_a)yt_l 它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权， 新数据给较大的权，旧数据给较小的权。 指数平滑法的趋势调整 一段时间内收集到的数据所呈现的上升或下降趋势将导致指数预测滞后于实际需求。 通过趋势调整，添加趋势修正值，可以在一定程度上改进指数平滑预测结果。调整后的指数 平滑法的公式为： 包含趋势预测（YITt) =新预测（Yt) +趋势校正（Tt) 进行趋势调整的指数平滑预测有三个步骤： 1、 利用前面介绍的方法计算第t期的简单指数平滑预测（Yt); 2、 计算趋势。其公式为：Tt=(l-b)Tt-l+b(Yt-Yt-l)其中， Tt=第t期经过平滑的趋势； Tt-1=第t期上期经过平滑的趋势；b=选择的趋势平滑系数； Yt=对第t期简单指数平滑预测； Yt-1=对第t期上期简单指数平滑预测。 3、计算趋势调整后的指数平滑预测值（YITt).计算公式为：YITt=Yt+Tt。 指数平滑系数α的确定 指数平滑法的计算中，关键是α的取值大小，但α的取值又容易受主观影响，因此合 理确定α的取值方法十分重要，一般来说，如果数据波动较大，α值应取大一些，可以增加 近期数据对预测结果的影响。如果数据波动平稳，α值应取小一些。理论界一般认为有以 下方法可供选择： 经验判断法。这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断。 1、当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般可在〇. 05~0. 20 之间取值； 2、 当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1~0.4之间 取值； 3、 当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势 时，宜选择较大的α值，如可在0.6~0.8间选值，以使预测模型灵敏度高些，能迅速跟上 数据的变化； 4、 当时间序列数据是上升（或下降）的发展趋势类型，α应取较大的值，在0.6~1之 间。 根据具体时间序列情况，参照经验判断法，来大致确定额定的取值范围，然后取几 个α值进行试算，比较不同α值下的预测标准误差，选取预测标准误差最小的α。 在实际应用中预测者应本文档来自技高网...

【技术保护点】
基于大数据的用电负荷预测系统，其特征在于，该系统采用误差反向传播神经网络方法对某一场所未来用电负荷量进行预测，所述误差反向传播神经网络方法包括输入层、隐层和输出层，设定：所述输入层中的输入向量为……，，……，；所述隐层输出向量为……，，……，；所述输出层输出向量为……，，……，；期望输出向量为……，，……，；所述隐层到输出层之间的权值矩阵用W表示，所述……，，……，，其中列向量为输出层第k个神经元对应的权向量；所述输入层到隐层之间的权值矩阵用V表示，……，，……，，其中列向量为隐层第j个神经元对应的权向量；对应所述输出层：，k=1，2，……，l          (1)，k=1，2，……，l       （2）对应所述隐层有：，j=1，2，……，m          (3)，j=1，2，……，m        （4）所述式子（1）~（4）中，转移函数为单极性Sigmoid函数（5）所述式子（1）～（5）共同构成了误差反向传播神经网络方法的数学模型；其中，所述输入层信息对应用电负荷量的历史数据，所述输出层信息对应用电负荷量的预测数据，所述隐层对应预测数据与历史数据之间的函数关系。

【技术特征摘要】

【专利技术属性】
技术研发人员：张晓炜，
申请(专利权)人：广州威沃电子有限公司，
类型：发明
国别省市：广东;44