基于BP神经网络的短期负荷预测方法、设备及存储介质技术

本发明专利技术公开了基于BP神经网络的短期负荷预测方法，涉及供配电领域，特别涉及基于BP神经网络的短期负荷预测方法及装置；本申请利用神经网络进行非线性拟合，并结合由日历信息构造的异常日状态特征以及每日的集中负载时段的负荷量，双重定位当日的负荷状态，提高异常日负荷预测的准确性；通过对同类型日的分析进行异常日识别，排除其对正常日负荷预测的影响，并提取每日的最高温度进行分桶处理构造出有效的温度特征，提高模型对正常日的负荷预测准确度。准确度。准确度。

【技术实现步骤摘要】
基于BP神经网络的短期负荷预测方法、设备及存储介质


[0001]本专利技术涉及供配电领域，特别涉及基于BP神经网络的短期负荷预测方法、设备及存储介质。

技术介绍

[0002]现有技术的负荷预测方法中，正常日的预测方法已经趋于成熟，但异常日的负荷预测由于受到各种随机波动因素和潜在干扰因素的影响，从而导致其准确度较低，因此如何提高异常日负荷预测的准确度，已成为电力行业预测人员关注的重点。
[0003]现有技术中对的异常日的负荷预测，由于数据相对稀缺性，难以选择适合的模型进行预测；基于日历状态直接进行负荷预测时，由于不同单位对国家法定节假日的执行方式不同，使得实际安排与日历安排往往大相径庭，从而导致异常日的负荷预测准确度较低。

技术实现思路

[0004]本专利技术的目的在于避免现有技术中的不足之处而提供一种能够准确预测异常日的电力负荷的方法。
[0005]本专利技术的目的通过以下技术方案实现：
[0006]基于BP神经网络的短期负荷预测方法，包括：
[0007]S1：BP神经网络模型初始化；
[0008]S2：根据日历信息确定预测日的日期类型，并在历史日中筛选出对应的同类型日；
[0009]S3：通过日负荷的自相关分析，在同类型日中匹配出与预测日相关性最高的若干同类型日作为参考日；
[0010]S4：根据各参考日对应的负荷数据，在BP神经网络模型中计算出预测日的负荷值。
[0011]具体的，步骤S1还包括以下步骤：
[0012]S11：确定BP神经网络模型的构造特征；
[0013]S12：获取历史负荷数据，并进行特征转换；
[0014]S13：通过最小化损失函数，对BP神经网络模型进行训练。
[0015]更具体的，BP神经网络模型的构造特征包括：日期类型、日负荷状态和集中负载时段。
[0016]更具体的，步骤S12还包括以下步骤：
[0017]S121：根据日历信息确定历史负荷数据中各历史日的日期类型；历史日的日期类型包括工作日和异常日。
[0018]另一具体的，步骤S12还包括以下步骤：
[0019]S122：根据历史负荷数据计算出对应的日负荷阈值；日负荷阈值用于通过阈值对比，确定对应的日负荷状态，筛选出异常日。
[0020]另一具体的，步骤S12还包括以下步骤：
[0021]S123：根据历史负荷数据中的负荷小时信息，计算出各历史日的集中负载时段；集
中负载时段用于筛选出与工作日的集中负载时段不同的异常日。
[0022]另一具体的，BP神经网络模型的构造特征还包括最高气温。
[0023]进一步的，步骤S12还包括获取气温数据，气温数据与历史负荷数据相关联；气温数据用于计算出历史负荷的变化与气温变化之间的关系。
[0024]根据本专利技术公开的再一方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现如上所述基于BP神经网络的短期负荷预测方法的步骤。
[0025]根据本专利技术公开的另一方面，提供了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如上所述基于BP神经网络的短期负荷预测方法的步骤。
[0026]本专利技术的基于BP神经网络的短期负荷预测方法，利用神经网络进行非线性拟合，并结合由日历信息构造的异常日状态特征以及每日的集中负载时段的负荷量，双重定位当日的负荷状态，提高异常日负荷预测的准确性；通过对同类型日的分析进行异常日识别，排除其对正常日负荷预测的影响，并提取每日的最高温度进行分桶处理构造出有效的温度特征，提高模型对正常日的负荷预测准确度。
附图说明
[0027]通过结合附图对于本专利技术公开的示例性实施例进行描述，可以更好地理解本专利技术，在附图中：
[0028]图1所示的是根据本专利技术公开实施例的计算机设备的示意性结构框图；
[0029]图2所示的是根据本专利技术公开实施例的基于BP神经网络的短期负荷预测方法示意性流程图。
具体实施方式
[0030]以下将描述本专利技术的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本专利技术公开的内容相关的本领域的普通技术人员而言，在本专利技术揭露的
技术实现思路
的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本专利技术的内容不充分。
[0031]除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本专利技术所属
内具有一般技能的人士所理解的通常意义。本专利技术专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，
也不限于是直接的还是间接的连接。
[0032]图1示出了根据本说明书一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器110通过总线130相连接，数据库150用于保存数据。
[0033]计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi
‑
MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
[0034]在本说明书的一个实施例中，计算设备100的上述部件以及图1中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图1所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
[0035]计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP神经网络的短期负荷预测方法，其特征在于，包括：S1：BP神经网络模型初始化；S2：根据日历信息确定预测日的日期类型，并在历史日中筛选出对应的同类型日；S3：通过日负荷的自相关分析，在所述同类型日中匹配出与所述预测日相关性最高的若干同类型日作为参考日；S4：根据各参考日对应的负荷数据，在BP神经网络模型中计算出预测日的负荷值。2.根据权利要求1所述的基于BP神经网络的短期负荷预测方法，其特征在于，所述步骤S1还包括以下步骤：S11：确定BP神经网络模型的构造特征；S12：获取历史负荷数据，并进行特征转换；S13：通过最小化损失函数，对所述BP神经网络模型进行训练。3.根据权利要求2所述的基于BP神经网络的短期负荷预测方法，其特征在于：所述BP神经网络模型的构造特征包括：日期类型、日负荷状态和集中负载时段。4.根据权利要求3所述的基于BP神经网络的短期负荷预测方法，其特征在于，所述步骤S12还包括以下步骤：S121：根据日历信息确定历史负荷数据中各历史日的日期类型；所述历史日的日期类型包括工作日和异常日。5.根据权利要求3所述的基于BP神经网络的短期负荷预测方法，其特征在于，所述...

【专利技术属性】
技术研发人员：张琼思，徐永凯，郑占赢，陈适铭，熊钧，李凌青，
申请(专利权)人：珠海派诺科技股份有限公司，
类型：发明
国别省市：