一种电网负荷预测方法和装置制造方法及图纸

本发明专利技术实施例提供了一种电网负荷预测方法和装置，其中方法包括：获取调控参数和环境参数，所述调控参数至少包括预设产品的单位时间段内的计划产量；向贝叶斯神经网络BNN模型输入待预测样本，得出负荷预测值，其中，所述待预测样本包括所述调控参数和所述环境参数，所述BNN模型的训练过程使用的训练样本包括调控参数样本和环境参数样本，所述负荷预测值为所述单位时间段内的负荷预测值。本发明专利技术实施例可以提升所述BNN模型得出的负荷预测值的准确性。

【技术实现步骤摘要】
一种电网负荷预测方法和装置
本专利技术涉及电力系统负荷预测
，尤其涉及一种电网负荷预测方法和装置。
技术介绍
电网技术中的负荷预测是制定生产计划、停电计划等的重要依据，以避免电网负荷过剩或者欠负荷而造成能源的浪费和影响电网的稳定性。随着当前环境的日益严峻，对于钢铁、炼铁、炼钢、水泥等产品，其生产过程中消耗的电量占部分电网的负荷的比重较大。而且这些产品在生产过程中会产生大量污染排放物，需要根据空气质量参数进行相应的调控。例如：在空气质量较好的情况下，增加钢铁、炼铁、炼钢、水泥等产品的产量，同时增加了电网的耗电量；在空气质量较差的情况下，减少钢铁、炼铁、炼钢、水泥等产品的产量，同时减少了电网的耗电量。在相关技术中，仅将类峰值负荷、日类型、气温、风速、降水等环境参数作为BP(backpropagation，反向传播)神经网络预测模型的负荷预测输入指标，以预测电网的负荷预测值。对于钢铁、炼铁、炼钢、水泥等产品的产量的变化对于电网负荷预测值的影响，并没有提出一种有效的预测方法，从而造成预测出的电网负荷预测值不准确。由此可知，现有技术中的负荷预测方法预测出的负荷预测值存在不准确的问题。
技术实现思路
本专利技术实施例提供一种电网负荷预测方法和装置，以解决现有技术中的负荷预测方法预测出的负荷预测值存在的不准确的问题。为解决以上技术问题，本专利技术采用如下技术方案：第一方面，本专利技术实施例提供了一种电网负荷预测方法，所述方法包括：获取调控参数和环境参数，所述调控参数至少包括预设产品的单位时间段内的计划产量；向贝叶斯神经网络BNN模型输入待预测样本，得出负荷预测值，其中，所述待预测样本包括所述调控参数和所述环境参数，所述BNN模型的训练过程使用的训练样本包括调控参数样本和环境参数样本，所述负荷预测值为所述单位时间段内的负荷预测值。可选的，所述调控参数还包括空气质量指数。可选的，在向BNN模型输入待预测样本，得出负荷预测值之前，所述方法还包括：根据所述调控参数和所述环境参数，确定所述待预测样本所属的样本类型；所述向BNN模型输入待预测样本，得出负荷预测值的步骤，包括：向所述待预测样本所属的样本类型对应的目标BNN模型输入所述待预测样本，得出所述负荷预测值，其中，所述目标BNN模型为BNN模型集中与所述待预测样本所属的样本类型对应的BNN模型，所述BNN模型集中包括与多个样本类型分别对应的多个BNN模型。可选的，所述待预测样本所属的样本类型通过以下方式确定：获取历史样本集，所述历史样本集包括在历史时间段内的n个训练样本，其中，所述历史样本集包括所述训练样本集，n为大于1的整数，且每一个训练样本包括所述调控参数样本、所述环境参数样本以及实测负荷值；采用聚类挖掘算法DKM将所述n个训练样本划分为k个聚类簇，其中，k为大于1且小于或者等于n的整数，每一个聚类簇分别包括至少一个训练样本，且每一个聚类簇分别对应一个样本类型；确定所述待预测样本所属的第一聚类簇，并确定所述待预测样本的样本类型为所述第一聚类簇对应的样本类型。可选的，通过以下过程将所述n个训练样本划分为k个聚类簇：确定所述n个训练样本中每一个训练样本的密度，其中，所述每一个训练样本的密度为以半径为r且以所述每一个训练样本为中心的球体所覆盖的空间坐标区域内的训练样本的数量，其中，所述r为预设常数，所述n个训练样本分别位于所述空间坐标内；将相隔距离较远的k个训练样本分别作为所述k个聚类簇的初始中心点：Z1,Z2,…,Zk，其中，所述初始中心点的密度大于平均密度，所述平均密度等于所述n个训练样本的密度的平均值；将除了所述Z1,Z2,…,Zk之外的n－k个训练样本划分为k个矩阵M1,M2,…,Mk，所述M1,M2,…,Mk分别与所述Z1,Z2,…,Zk对应，其中，每一个初始中心点的密度与其对应的矩阵中的训练样本的密度之间的差值小于预设差值，且所述k个矩阵中的训练样本的密度均大于所述平均密度；在每一个矩阵对应的初始中心点与所述每一个矩阵中的目标训练样本之间的离差平方和取最小值的情况下，将所述初始中心点修改为所述目标训练样本；根据修改后的初始中心点，确定其对应的聚类簇中包含的训练样本。可选的，所述目标BNN模型通过以下方式确定：分别将所述第一聚类簇中的训练样本划分为训练集和检验集；将所述训练集作为所述训练样本集，训练得出所述第一聚类簇对应的目标BNN模型；在训练得出所述第一聚类簇对应的目标BNN模型之后，所述方法还包括：将所述检验集中的训练样本分别输入所述目标BNN模型，得出预测值序列，其中，所述预测值序列包括与所述检验集中的每一个训练样本对应的负荷预测值；根据所述预测值序列中的每一负荷预测值与对应的实测负荷值之间的差值，确定所述目标BNN模型的误差序列。可选的，所述将所述训练集作为所述训练样本集，训练得出所述第一聚类簇对应的目标BNN模型的步骤，包括：确定所述目标BNN模型的目标函数为所述训练集中的训练样本的似然函数，所述目标函数包括待确定的权值参数w和超参数；根据所述目标BNN模型的所述w的预设先验概率分布和所述训练集中的训练样本，确定所述w和所述阈值的后验概率分布，所述后验概率分布通过以下公式表示：其中，所述超参数包括α和β，所述D表示所述训练集，所述H为所述目标BNN模型中隐含层的节点数；p(D|w,β,H)为所述D的似然函数，p(w|α,H)为所述w的所述预设先验分布，p(D|α,β,H)为所述D的全概率分布，所述α和所述β均为常数；在所述p(w|D,α,β,H)取最大值的情况下，确定所述α和所述β的值，以及确定所述w等于所述p(w|D,α,β,H)的权向量。可选的，在向BNN模型输入待预测样本，得出负荷预测值之后，所述方法还包括：根据所述误差序列，确定广义回归条件异方差GARCH模型；根据所述GARCH模型，修正所述负荷预测值的误差，得到目标负荷预测值。可选的，所述GARCH模型通过以下方式确定：所述GARCH模型，表示为以下公式：yt＝xtγ+ut其中，所述yt为t时刻的负荷预测值的误差值，所述xt为t时刻的修正前的负荷预测值，所述γ为系数向量，所述ut为残差，所述ut表示为以下公式：所述vt为均值为0且方差随时间变化的标准正态分布，所述为条件标准差，表示为以下公式：所述α0、所述αi以及所述βj均为常数，所述为t－i时刻的残差平方，所述为t－j时刻的条件方差，所述p为移动平均项的最大滞后阶数，所述q为自回归项的最大值滞后阶数，所述i为小于或者等于所述p的正整数，所述j为小于或者等于所述q的正整数；求解上述公式，得出所述γ和所述ut的值，以确定所述GARCH模型。第二方面，本专利技术实施例提供了一种电网负荷预测装置，包括：获本文档来自技高网...

【技术保护点】
1.一种电网负荷预测方法，其特征在于，所述方法包括：/n获取调控参数和环境参数，所述调控参数至少包括预设产品的单位时间段内的计划产量；/n向贝叶斯神经网络BNN模型输入待预测样本，得出负荷预测值，其中，所述待预测样本包括所述调控参数和所述环境参数，所述BNN模型的训练过程使用的训练样本包括调控参数样本和环境参数样本，所述负荷预测值为所述单位时间段内的负荷预测值。/n

【技术特征摘要】
1.一种电网负荷预测方法，其特征在于，所述方法包括：
获取调控参数和环境参数，所述调控参数至少包括预设产品的单位时间段内的计划产量；
向贝叶斯神经网络BNN模型输入待预测样本，得出负荷预测值，其中，所述待预测样本包括所述调控参数和所述环境参数，所述BNN模型的训练过程使用的训练样本包括调控参数样本和环境参数样本，所述负荷预测值为所述单位时间段内的负荷预测值。


2.根据权利要求1所述的方法，其特征在于，所述调控参数还包括空气质量指数。


3.根据权利要求1所述的方法，其特征在于，在向BNN模型输入待预测样本，得出负荷预测值之前，所述方法还包括：
根据所述调控参数和所述环境参数，确定所述待预测样本所属的样本类型；
所述向BNN模型输入待预测样本，得出负荷预测值的步骤，包括：
向所述待预测样本所属的样本类型对应的目标BNN模型输入所述待预测样本，得出所述负荷预测值，其中，所述目标BNN模型为BNN模型集中与所述待预测样本所属的样本类型对应的BNN模型，所述BNN模型集中包括与多个样本类型分别对应的多个BNN模型。


4.根据权利要求3所述的方法，其特征在于，所述待预测样本所属的样本类型通过以下方式确定：
获取历史样本集，所述历史样本集包括在历史时间段内的n个训练样本，其中，所述历史样本集包括所述训练样本集，n为大于1的整数，且每一个训练样本包括所述调控参数样本、所述环境参数样本以及实测负荷值；
采用聚类挖掘算法DKM将所述n个训练样本划分为k个聚类簇，其中，k为大于1且小于或者等于n的整数，每一个聚类簇分别包括至少一个训练样本，且每一个聚类簇分别对应一个样本类型；
确定所述待预测样本所属的第一聚类簇，并确定所述待预测样本的样本类型为所述第一聚类簇对应的样本类型。


5.根据权利要求4所述的方法，其特征在于，通过以下过程将所述n个训练样本划分为k个聚类簇：
确定所述n个训练样本中每一个训练样本的密度，其中，所述每一个训练样本的密度为以半径为r且以所述每一个训练样本为中心的球体所覆盖的空间坐标区域内的训练样本的数量，其中，所述r为预设常数，所述n个训练样本分别位于所述空间坐标内；
将相隔距离较远的k个训练样本分别作为所述k个聚类簇的初始中心点：Z1,Z2,…,Zk，其中，所述初始中心点的密度大于平均密度，所述平均密度等于所述n个训练样本的密度的平均值；
将除了所述Z1,Z2,…,Zk之外的n－k个训练样本划分为k个矩阵M1,M2,…,Mk，所述M1,M2,…,Mk分别与所述Z1,Z2,…,Zk对应，其中，每一个初始中心点的密度与其对应的矩阵中的训练样本的密度之间的差值小于预设差值，且所述k个矩阵中的训练样本的密度均大于所述平均密度；
在每一个矩阵对应的初始中心点与所述每一个矩阵中的目标训练样本之间的离差平方和取最小值的情况下，将所述初始中心点修改为所述目标训练样本；
根据修改后的初始中心点，确定其对应的聚类簇中包含的训练样本。


6.根据权利要求4所述的方法，其特征在于，所述目标BNN模型通过以下方式确定：
分别将所述第一聚类簇中的...

【专利技术属性】
技术研发人员：宋宗耘，张健，刘庆，杨健，唐易木，
申请(专利权)人：电力规划总院有限公司，
类型：发明
国别省市：北京;11