创建方法、预测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术公开了一种创建方法、预测方法、装置、电子设备和存储介质，该创建方法包括：获取预设日期中的多个时间点对应的用电负荷和对应的温度值，基于ARIMA模型生成残差，并伸长包含残差的训练数据，生成MLP神经网络，利用训练数据训练神经网络。所述预测方法包括：获取当前时间的用户负荷的预测值Y，以及依次排列的N个残差，将残差输入到上述的MLP神经网络，得到神经网络的输出Z

【技术实现步骤摘要】
创建方法、预测方法、装置、电子设备和存储介质


[0001]本专利技术涉及电力调度
，尤其涉及创建方法、预测方法、装置、电子设备和存储介质。

技术介绍

[0002]负荷预测是电力系统运行管理的关键组成部分。工业、民用、公用事业用电负荷特性迥异，电力负荷往往因天气等的变化而具有很大的波动性和季节性，对电力负荷做出准确的预测，是电力系统制订扩容、运行、检修等计划的基础。
[0003]为了电力系统运行的有效性和运行效率，准确地预测短期负荷尤为重要。如果短期负荷预测过高，系统发电容量偏大导致运行成本过高；相反，如果系统负荷预测偏低，将会影响到电力系统的可靠性和安全性。
[0004]因此，如何进行精确的短期负荷预测，就成为一个亟待解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术的主要目的在于提供创建方法、预测方法、装置、电子设备和存储介质。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：一种用于短期用电负荷的神经网络的创建方法，包括以下步骤：获取预设日期中的M个时间点Time1，Time2，...，Time
M
，以及每个时间点Time
i
对应的用电负荷Y
i
和对应的温度值Temp
i
，其中，M为自然数，且M≥2，i＝1,2，...，M；Time
j
早于Time
j+1
，j＝1,2，...，M
‑
1；生成多个待处理数据D(t)＝[Month,Week,Hour,Y
t
‑
Num
,Y
t
‑
Num+1
,
…
,Y
t
‑1,Temp
t
]，其中，t和Num均为自然数，Num+1≤t≤M，Month为时间点Time
t
所处的月份，Week为时间点Time
t
所处的星期，Hour为时间点Time
t
所处的小时；将多个待处理数据D(t)均输入到预设的ARIMA模型中，输出每个Time
t
对应用电负荷的预测值Y
′
t
，残差E(t)＝Y
t
‑
Y
′
t
；生成多个训练数据，每个训练数据Data(k)包括依次排列的N+1个残差：E(k
‑
N)，E(k
‑
N+1)，...，E(k
‑
1)，以及E(k)，N+1≤k≤M，N为自然数，每个训练数据对应的k值不相同；创建MLP神经网络，所述MLP神经网络包括输入层、隐藏层和输出层，所述输入层有N个神经元X1，X2，...，X
N
，所述隐藏层有N
‑
2个神经元Y1，Y2，...，Y
N
‑2，输出层有一个神经元Z提供最终输出；在所述MLP神经网络中，每个神经元的激活函数为非线性激活函数ReLU(E)＝max(0,E)，其中，E为所述训练数据Data(k)中的残差E(k)；所述神经元Y
r
的输出为f()为函数，其中，b
r
为神经元Y
r
对应的偏差，w
s,
为神经元X
s
与神经元Y
r
之间的边缘权重，E
s,r
为神经元X
s
到神经元Y
r
之间的输出值；之间的输出值；c
p
‑1为MLP神经网络中迭代过程中神经元X
p
‑1对应的残差，α为常数；输出层中的神经元Z的输出为：其中，b为神经元Z对应的偏差，w
′
s
为神经元Y
s
与神经元Z之间的边缘权重，E
′
s
为神经元Y
s
到神经元
Z之间的输出值；Z之间的输出值；c
′
s
‑1为MLP神经网络中迭代过程中神经元Y
s
‑1对应的残差；基于多个训练数据，对所述MLP神经网络进行训练，在训练时，将每个训练数据中的前N个残差分别一一对应的输入到神经元X1，X2，...，X
N
中。
[0007]作为本专利技术实施例的一种改进，Num＝30。
[0008]作为本专利技术实施例的一种改进，N＝10。
[0009]本专利技术实施例还提供了一种用于短期用电负荷的神经网络的创建装置，包括以下模块：第一数据获取模块，用于获取预设日期中的M个时间点Time1，Time2，...，Time
M
，以及每个时间点Time
i
对应的用电负荷Y
i
和对应的温度值Temp
i
，其中，M为自然数，且M≥2，i＝1,2，...，M；Time
j
早于Time
j+1
，j＝1,2，...，M
‑
1；数据转换模块，用于生成多个待处理数据D(t)＝[Month,Week,Hour,Y
t
‑
Num
,Y
t
‑
Num+1
,
…
,Y
t
‑1,Temp
t
]，其中，t和Num均为自然数，Num+1≤t≤M，Month为时间点Time
t
所处的月份，Week为时间点Time
t
所处的星期，Hour为时间点Time
t
所处的小时；将多个待处理数据D(t)均输入到预设的ARIMA模型中，输出每个Time
t
对应用电负荷的预测值Y
′
t
，残差E(t)＝Y
t
‑
Y
′
t
；神经网络创建模块，用于
[0010]生成多个训练数据，每个训练数据Data(k)包括依次排列的N+1个残差：E(k
‑
N)，E(k
‑
N+1)，...，E(k
‑
1)，以及E(k)，N+1≤k≤M，N为自然数，每个训练数据对应的k值不相同；创建MLP神经网络，所述MLP神经网络包括输入层、隐藏层和输出层，所述输入层有N个神经元X1，X2，...，X
N
，所述隐藏层有N
‑
2个神经元Y1，Y2，...，Y
N
‑2，输出层有一个神经元Z提供最终输出；在所述MLP神经网络中，每个神经元的激活函数为非线性激活函数ReLU(E)＝max(0,E)，其中，E为所述训练数据Data(k)中的残差E(k)；所述神经元Y
r
的输出为f()为函数，其中，b
r
为神经元Y
r
对应的偏差，w
s,r
为神经元X<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于短期用电负荷的神经网络的创建方法，其特征在于，包括以下步骤：获取预设日期中的M个时间点Time1，Time2，...，Time
M
，以及每个时间点Time
i
对应的用电负荷Y
i
和对应的温度值Temp
i
，其中，M为自然数，且M≥2，i＝1,2，...，M；Time
j
早于Time
j+1
，j＝1,2，...，M
‑
1；生成多个待处理数据D(t)＝[Month,Week,Hour,Y
t
‑
Num
,Y
t
‑
Num+1
,
…
,Y
t
‑1,Temp
t
]，其中，t和Num均为自然数，Num+1≤t≤M，Month为时间点Time
t
所处的月份，Week为时间点Time
t
所处的星期，Hour为时间点Time
t
所处的小时；将多个待处理数据D(t)均输入到预设的ARIMA模型中，输出每个Time
t
对应用电负荷的预测值Y
′
t
，残差E(t)＝Y
t
‑
Y
′
t
；生成多个训练数据，每个训练数据Data(k)包括依次排列的N+1个残差：E(k
‑
N)，E(k
‑
N+1)，...，E(k
‑
1)，以及E(k)，N+1≤k≤M，N为自然数，每个训练数据对应的k值不相同；创建MLP神经网络，所述MLP神经网络包括输入层、隐藏层和输出层，所述输入层有N个神经元X1，X2，...，X
N
，所述隐藏层有N
‑
2个神经元Y1，Y2，...，Y
N
‑2，输出层有一个神经元Z提供最终输出；在所述MLP神经网络中，每个神经元的激活函数为非线性激活函数ReLU(E)＝max(0,E)，其中，E为所述训练数据Data(k)中的残差E(k)；所述神经元Y
r
的输出为r＝1，2，...，N
‑
2，f()为函数，其中，b
r
为神经元Y
r
对应的偏差，w
s,r
为神经元X
s
与神经元Y
r
之间的边缘权重，E
s,r
为神经元X
s
到神经元Y
r
之间的输出值；w
p,r
＝w
p
‑
1,r
+Δw
p
‑1,p＝2，3，...，N，c
p
‑1为MLP神经网络中迭代过程中神经元X
p
‑1对应的残差，α为常数；输出层中的神经元Z的输出为：其中，b为神经元Z对应的偏差，w
′
s
为神经元Y
s
与神经元Z之间的边缘权重，E
′
s
为神经元Y
s
到神经元Z之间的输出值；w
′
q
＝w
′
q
‑1+Δw
′
q
‑1,q＝2，3，...，N
‑
2，c
′
s
‑1为MLP神经网络中迭代过程中神经元Y
s
‑1对应的残差；基于多个训练数据，对所述MLP神经网络进行训练，在训练时，将每个训练数据中的前N个残差分别一一对应的输入到神经元X1，X2，...，X
N
中。2.根据权利要求1所述的创建方法，其特征在于：Num＝30。3.根据权利要求1所述的创建方法，其特征在于：N＝10。4.一种用于短期用电负荷的神经网络的创建装置，其特征在于，包括以下模块：第一数据获取模块，用于获取预设日期中的M个时间点Time1，Time2，...，Time
M
，以及每个时间点Time
i
对应的用电负荷Y
i
和对应的温度值Temp
i
，其中，M为自然数，且M≥2，i＝1,2，...，M；Time
j
早于Time
j+1
，j＝1,2，...，M
‑
1；数据转换模块，用于生成多个待处理数据D(t)＝[Month,Week,Hour,Y
t
‑
Num
,Y
t
‑
Num+1
,
…
,Y
t
‑1,Temp
t
]，其中，t和Num均为自然数，Num+1≤t≤M，Month为时间点Time
t
所处的月份，Week为时间点Time
t
所处的星期，Hour为时间点Time
t
所处的小时；将多个待处理数据D(t)均输入到预设的ARIMA模型中，输出每个Time
t...

【专利技术属性】
技术研发人员：江思伟，司修利，黄乐，丁昊，顾强，
申请(专利权)人：沃太能源股份有限公司，
类型：发明
国别省市：