电力市场交易环境下的大工业客户电力负荷预测方法技术

本发明专利技术提供的电力市场交易环境下的大工业客户电力负荷预测方法，以产业和行业电量为切入点，分析提取电量占比具有代表性的行业，首先基于产业链的视角分析上、下游行业之间以及产业链之间的关联性和行业因素对电量消费与负荷的影响，然后融入季节特性对电量负荷的影响，对比分析参与电力市场交易前后的行业客户用电特征与电价‑负荷相应特征，提取出影响电力负荷的市场因素，最终基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型，将电力交易市场和预测技术进行有效结合，提升参与电力市场交易的行业大工业客户的电力负荷预测的精度。

【技术实现步骤摘要】
电力市场交易环境下的大工业客户电力负荷预测方法
本专利技术涉及电网电力市场分析与研究应用领域，具体涉及的是一种电力市场交易环境下的大工业客户电力负荷预测方法。
技术介绍
电力负荷预测是电力市场分析与预测的核心内容之一。目前，电力负荷预测主要有两大类型：传统方法，如时间序列分析法、回归分析法、灰色预测方法等；新兴方法，则包括模糊预测法、人工神经网络、小波分析法及组合预测方法等。伴随电力市场化交易进程加快，传统的电力统购统销转变为供求双方直接交易加政府确定公益性调节性电量的模式，在此环境下，电力产品的生产与消费方式发生了根本性变化，现有的预测方法的研究假设前提也发生了本质改变，需要对电力市场自身的规律性与交易机制展开深层次分析，以产业和行业电量为切入点，挖掘行业大工业客户的电量消费与电力负荷变化的内在因素，实现市场交易环境下的行业客户电力负荷准确预测，提升电网生产调度与规划的科学决策水平，避免资源的浪费，从而提高电力系统的经济性。
技术实现思路
本专利技术的目的在于提供电力市场交易环境下的大工业客户电力负荷预测方法，把影响行业客户电量消费与负荷变动的市场因素纳入预测研究之中，以克服现有技术的不足，准确合理预测参与电力市场交易的行业大工业客户的电力负荷特性，为电力市场管理与电网规划部门提供决策依据。为了实现上述目的，本专利技术采用如下技术方案：电力市场交易环境下的大工业客户电力负荷预测方法，以行业电量为切入点，提取出电量占比具有代表性的行业，分别建立不同行业的电量预测模型，综合各行业电量预测模型，得到大工业客户电量预测模型，其中每个行业的电量预测模型的建立，均包括以下步骤：步骤一、建立行业产量和行业电量的关联模型；步骤二、分析行业与上、下游产业之间以及产业链之间的关联性得出行业产量变化的影响因素；步骤三、根据行业周期的发展特性、行业景气指数和价格行情监测，建立产品售价和行业产量关联模型；步骤四、电力市场环境下电价是不断波动变化的，同时考虑到季节性对电力的供需的影响，建立电价-行业产量关联模型；步骤五、结合基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型。其中，基于共轭梯度的RBF神经网络学习算法，建立行业电量预测模型包括以下步骤：(1)对神经网络参数进行初始化：设定隐含层和输出层神经元个数p和q，利用随机数对网络参数进行初始赋值，确定迭代终止精度ε或迭代最大次数N，置迭代次数n＝1；(2)计算隐含层和输出层神经元的输出；(3)计算网络输出的均方根误差：RMS≤ε，则训练结束；否则，转到步骤(4)；(4)迭代计算，调节权重、中心和宽度参数；其中下降搜索方向分别为其中偏导数分别为(5)若n≥N，则训练结束；否则，n＝n+1，返回步骤(2)。有益效果：本专利技术提供的电力市场交易环境下的大工业客户电力负荷预测方法，以产业和行业电量为切入点，分析提取电量占比具有代表性的行业，首先基于产业链的视角分析上、下游行业之间以及产业链之间的关联性和行业因素对电量消费与负荷的影响，然后融入季节特性对电量负荷的影响，对比分析参与电力市场交易前后的行业客户用电特征与电价-负荷相应特征，提取出影响电力负荷的市场因素，最终基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型，将电力交易市场和预测技术进行有效结合，提升参与电力市场交易的行业大工业客户的电力负荷预测的精度。附图说明图1是大工业客户分行业提取模型的示意图；图2是行业电量预测模型；图3是基于共轭梯度的RBF神经网络学习算法。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明：请参照图1，电力市场交易环境下的大工业客户电力负荷预测方法，以行业电量为切入点，提取出电量占比具有代表性的行业，分别建立不同行业的电量预测模型，综合各行业电量预测模型，得到大工业客户电量预测模型。请参照图2，每个行业的电量预测模型的建立，均包括以下步骤：步骤一、建立行业产量和行业电量的关联模型；步骤二、分析行业与上、下游产业之间以及产业链之间的关联性得出行业产量变化的影响因素；步骤三、根据行业周期的发展特性、行业景气指数和价格行情监测，建立产品售价和行业产量关联模型；步骤四、电力市场环境下电价是不断波动变化的，同时考虑到季节性对电力的供需的影响，建立电价-行业产量关联模型；步骤五、结合基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型。具体的数据处理为：取历史负荷数据、电价数据、产品售价、行业产量等历史数据，进行数据预处理，将历史数据分别随机分为大致均匀的6份，选择其中5份作为训练数据，一份作为测试数据。请参照图3，利用改进的基于共轭梯度的RBF神经网络学习算法进行训练，建立对应的各行业的电量预测模型，设置网络学习最大次数为50000次，期望误差限为0.1。其具体步骤如下：①对神经网络参数进行初始化。设定隐含层和输出层神经元个数p和q，利用随机数对网络参数进行初始赋值，确定迭代终止精度0.1或迭代最大次数N＝50000，置迭代次数n＝1.②计算隐含层和输出层神经元的输出③计算网络输出的均方根误差RMS≤0.1，则训练结束；否则，转到步骤4)。④迭代计算，调节权重、中心和宽度参数其中下降搜索方向分别为其中偏导数分别为⑤若n≥50000，则训练结束；否则，n＝n+1，返回步骤2)。综合已建立的各行业电量预测模型，可以得到大工业客户电量预测模型。本专利技术提供的电力市场交易环境下的大工业客户电力负荷预测方法，以产业和行业电量为切入点，分析提取电量占比具有代表性的行业，首先基于产业链的视角分析上、下游行业之间以及产业链之间的关联性和行业因素对电量消费与负荷的影响，然后融入季节特性对电量负荷的影响，对比分析参与电力市场交易前后的行业客户用电特征与电价-负荷相应特征，提取出影响电力负荷的市场因素，最终基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型，将电力交易市场和预测技术进行有效结合，提升参与电力市场交易的行业大工业客户的电力负荷预测的精度。根据上述说明书的揭示和教导，本专利技术所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本专利技术并不局限于上面揭示和描述的具体实施方式，对专利技术的一些修改和变更也应当落入本专利技术的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本专利技术构成任何限制。本文档来自技高网...

【技术保护点】
电力市场交易环境下的大工业客户电力负荷预测方法，以行业电量为切入点，提取出电量占比具有代表性的行业，分别建立不同行业的电量预测模型，综合各行业电量预测模型，得到大工业客户电量预测模型，其中每个行业的电量预测模型的建立，均包括以下步骤：步骤一、建立行业产量和行业电量的关联模型；步骤二、分析行业与上、下游产业之间以及产业链之间的关联性得出行业产量变化的影响因素；步骤三、根据行业周期的发展特性、行业景气指数和价格行情监测，建立产品售价和行业产量关联模型；步骤四、电力市场环境下电价是不断波动变化的，同时考虑到季节性对电力的供需的影响，建立电价‑行业产量关联模型；步骤五、结合基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型。

【技术特征摘要】
1.电力市场交易环境下的大工业客户电力负荷预测方法，以行业电量为切入点，提取出电量占比具有代表性的行业，分别建立不同行业的电量预测模型，综合各行业电量预测模型，得到大工业客户电量预测模型，其中每个行业的电量预测模型的建立，均包括以下步骤：步骤一、建立行业产量和行业电量的关联模型；步骤二、分析行业与上、下游产业之间以及产业链之间的关联性得出行业产量变化的影响因素；步骤三、根据行业周期的发展特性、行业景气指数和价格行情监测，建立产品售价和行业产量关联模型；步骤四、电力市场环境下电价是不断波动变化的，同时考虑到季节性对电力的供需的影响，建立电价-行业产量关联模型；步骤五、结合基于共轭梯度的RBF神经网络学习算法，训练RBFNN建立行业电量预测模型。2.根据权利要求1所述的电力市场交易环境下的大工业客户电力负荷预测方法，其特征在于，所述步骤五基于共轭梯度的RBF神经网络学习算法，建立行业电量预测模型包括以下步骤：(1)对神经网络参数进行初始化：设定隐含层和输出层神经元个数p和q，利用随机数对网络参数进行初始赋值，确定迭代终止精度ε或迭代最大次数N，置迭代次数n＝1；(2)计算隐含层和输出层神经元的输出；(3)计算网络输出的均方根误差：RMS≤ε，则训练结束；否则，转到步骤(4)；(4)迭代计算，调节权重、中心和宽度参数；

【专利技术属性】
技术研发人员：杨强，李永辉，叶利东，李翔，胡亚莎，李海军，马红英，贾元波，鲁贵海，
申请(专利权)人：云南电网有限责任公司玉溪供电局，
类型：发明
国别省市：云南,53