一种适用于小型用能场所电力调度设备的负荷预测方法及系统技术方案

本发明专利技术公开了一种适用于小型用能场所电力调度设备的负荷预测方法，该方法包括：采集小型用能场所中调度设备的短期历史负荷数据，并形成数据集，将数据集分为训练数据集和测试数据集；构建电负荷灰色神经网络预测模型，采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，并采用训练数据集进行不断训练，直至达到最优预测模型；根据所述最优预测模型计算所述测试数据集对应的负荷预测结果；根据得到的负荷预测结果，对小型用能场所中的用电设备进行智能调控。本发明专利技术的组合预测模型，较只使用了单一预测方法预测数据更加精确，更加可靠。可靠。可靠。

【技术实现步骤摘要】
一种适用于小型用能场所电力调度设备的负荷预测方法及系统


[0001]本专利技术涉及负荷预测
，具体涉及一种适用于小型用能场所电力调度设备的负荷预测方法及系统。

技术介绍

[0002]电力负荷预测作为电网规划中的重要组成部分，对于电力系统安全经济运行具有重大意义。精确的电力负荷预测，特别是短期电力负荷预测，既能保障人们用电可靠和电网安全稳定运行，也能使电力行业的效益极大地提升。经典预测方法具有计算简单，可靠性高等优点，但预测精度和预测使用范围始终有限。根据电力行业精益化管理的需要，对负荷预测的依赖越来越强，这就需要改进传统预测方法，适当增加计算量的情况下，显著提高预测精度，随着电力行业的不断发展，对预测精度的要求也越来越高，这就需要改进或使用全新的预测方法，得到更加精确的负荷预测结果，并且能根据所得结果，对电力资源合理调度，提高电力资源的利用率，使经济效益达到最高。

技术实现思路

[0003]专利技术目的：为了克服现有技术的不足，本专利技术提供一种适用于小型用能场所电力调度设备的负荷预测方法，该方法解决了对负荷预测精度低的技术问题，并提供一种适用于小型用能场所电力调度设备的负荷预测系统。
[0004]技术方案：本专利技术的一方面，提供适用于小型用能场所电力调度设备的负荷预测方法，该方法包括以下步骤：
[0005](1)采集小型用能场所的电力调度设备的短期历史负荷数据，并形成数据集，将数据集分为训练数据集和测试数据集；
[0006](2)构建电负荷灰色神经网络预测模型，采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，并采用训练数据集进行不断训练，直至达到最优预测模型；
[0007](3)根据所述最优预测模型计算所述测试数据集对应的负荷预测结果；
[0008](4)根据得到的负荷预测结果，对小型用能场所中的用电设备进行智能调控。
[0009]进一步的，包括：
[0010]步骤(2)中，所述电负荷灰色神经网络预测模型的构建方法包括以下步骤：
[0011](11)电负荷灰色神经网络预测模型包括灰色模型与神经网络预测模型两个部分，结合两个模型，建立灰色神经网络预测模型；
[0012](12)电负荷灰色神经网络预测模型公式如下：
[0013]Q(t)＝k1Q1(t)+k2Q2(t)
[0014]其中，Q(t)表示优化后的预测结果，Q1(t)表示灰色模型预测的结果，Q2(t)表示神经网络预测结果，k1和k2表示权重系数，且满足k1+k2＝1；
[0015](13)建立负荷预测模型误差，公式如下：
[0016][0017][0018]其中，A0(t)为原始负荷数据，A
(1)
(t)为灰色模型预测负荷数据，A
(2)
(t)为神经网络预测数据，e(t)组合预测模型的参数误差，e
(1)
(t)和e
(2)
(t)分别为灰色模型预测和神经网络预测的参数误差；
[0019](14)令
[0020]K＝(k1，k2)
T
[0021][0022]e2(t)＝K
T
EK
[0023]当e2(t)最小时，组合预测模型预测结果最优。
[0024]进一步的，包括：
[0025]所述采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，具体包括如下步骤：
[0026](21)设有时间数据序列x
(0)
：
[0027][0028](22)对x
(0)
经过一次累加，得到新的时间序列x
(1)
，x
(1)
的第t项作为原始数列x
(0)
的前t项和，即：
[0029][0030]可得到方程：
[0031][0032](23)进而得到微分方程的解为：
[0033][0034](24)对作一次累减得x
(0)
的预测值即：
[0035][0036](25)得出n个参数的灰色神经网络模型的微分方程表达式，公式如下：
[0037][0038]其中，y1，y2，
…
y
n
为电负荷预测模型的输入参数，y1为系统的输出参数，a，b1，
b2，...b
n
‑1为微分方程系数；
[0039](26)进而得出其时间响应式：
[0040][0041]令：
[0042][0043]可将其转化为：
[0044][0045](27)根据所示灰色神经网络拓扑结构图，令
[0046][0047]则网络的初始权值表示为：
[0048]W
11
＝a，w
21
＝
‑
y1(0)，w
22
＝u1，W
23
＝u2，
…
，w
2n
＝u
n
‑1[0049]W
31
＝W
32
＝
…
＝W
3n
＝a+e
‑
at
[0050]即得出LD层中输出节点的阈值：
[0051]θ＝(1+e
‑
at
)(d
‑
y1(0))。
[0052]进一步的，包括：
[0053]所述采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，还包括以下步骤：
[0054](28)对网络结构和参数b进行初始化，计算出u；
[0055](29)计算W
11
，W
21
，W
22
，
…
，W
2n
，W
31 W
32
，
…
W
3n
，即：
[0056]W
11
＝a，w
21
＝
‑
y1(0)，w
22
＝u1，W
23
＝u2，
…
，w
2n
＝u
n
‑1；
[0057](210)计算每层的输出，其中：
[0058]LA层：a＝w
11
t
[0059]LB层：
[0060]LC层：C1＝bW
21
，c2＝y2(t)bW
22
，c3＝y3(t)bW
23
，
…
，c
n
＝y
n
(t)bW
2n
[0061]LD层：d＝W
31
C1+W
32
C2+
…
+W
3n
C
n
‑
θ
y1
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于小型用能场所电力调度设备的负荷预测方法，其特征在于，该方法包括以下步骤：(1)采集小型用能场所中调度设备的短期历史负荷数据，并形成数据集，将数据集分为训练数据集和测试数据集；(2)构建电负荷灰色神经网络预测模型，采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，并采用训练数据集进行不断训练，直至达到最优预测模型；(3)根据所述最优预测模型计算所述测试数据集对应的负荷预测结果；(4)根据得到的负荷预测结果，对小型用能场所中的用电设备进行智能调控。2.根据权利要求1所述的适用于小型用能场所电力调度设备的负荷预测方法，其特征在于，步骤(2)中，所述电负荷灰色神经网络预测模型的构建方法包括以下步骤：(11)电负荷灰色神经网络预测模型包括灰色模型与神经网络预测模型两个部分，结合两个模型，建立灰色神经网络预测模型；(12)电负荷灰色神经网络预测模型公式如下：Q(t)＝k1Q1(t)+k2Q2(t)其中，Q(t)表示优化后的预测结果，Q1(t)表示灰色模型预测的结果，Q2(t)表示神经网络预测结果，k1和k2表示权重系数，且满足k1+k2＝1；(13)建立负荷预测模型误差，公式如下：(13)建立负荷预测模型误差，公式如下：其中，A0(t)为原始负荷数据，A
(1)
(t)为灰色模型预测负荷数据，A
(2)
(t)为神经网络预测数据，e(t)组合预测模型的参数误差，e
(1)
(t)和e
(2)
(t)分别为灰色模型预测和神经网络预测的参数误差；(14)令K＝(k1，k2)
T
e2(t)＝K
T
EK当e2(t)最小时，组合预测模型预测结果最优。3.根据权利要求2所述的适用于小型用能场所电力调度设备的负荷预测方法，其特征在于，所述采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，具体包括如下步骤：(21)设有时间数据序列x
(0)
：
(22)对x
(0)
经过一次累加，得到新的时间序列x
(1)
，x
(1)
的第t项作为原始数列x
(0)
的前t项和，即：可得到方程：(23)进而得到微分方程的解为：(24)对作一次累减得x
(0)
的预测值即：(25)得出n个参数的灰色神经网络模型的微分方程表达式，公式如下：其中，y1，y2，...y
n
为电负荷预测模型的输入参数，y1为系统的输出参数，a，b1，b2，...b
n
‑1为微分方程系数；(26)进而得出其时间响应式：令：可将其转化为：(27)根据所示灰色神经网络拓扑结构图，令则网络的初始权值表示为：W
11
＝a，w
21
＝
‑
y1(0)，w
22
＝u1，W
23
＝u2，
…
，w
2n
＝u
n
‑1W
31
＝W
32
＝...＝W
3n
＝a+e
‑
at
即得出LD层中输出节点的阈值：θ＝(1+e
‑
at
)(d
‑
y1(0))。4.根据权利要求3所述的适用于小型用能场所电力调度设备的负荷预测方法，其特征
在于，所述采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，还包括以下步骤：(28)对网络结构和参数b进行初始化，计算出u；(29)计算W
11
，W
21
，W
22
，
…
，W
2n
，W
31 W
32
，
…
W
3n
，即：W
11
＝a，w
21
＝
‑
y1(0)，w
22
＝u1，W
23
＝u2，
…
，w
2n
＝u
n
‑1；(210)计算每层的输出，其中：LA层：a＝w
11
tLB层：LC层：C1＝bW
21
，c2＝y2(t)bW
22
，c3＝y3(t)bW
23
，
…
，c
n
＝y
n
(t)bW
2n
LD层：d＝W
31
C1+W
32
C2+
…
+W
3n
C
n
‑
θ
y1
(211)计算预测输出与期望输出之间的误差，其中：LD层误差：δ＝d
‑
y1(t)LC层误差：LB层误差：(212)根据预测误差调整权值，其中：LB到LC的连接权值：w
21
＝
‑
y1(0)，w
22
＝w
22
‑
μ1δ2b，
…
，w
2n
＝w
2n
‑
μ
n
‑1δ
n
bLA到LB的连...

【专利技术属性】
技术研发人员：郭仁威，纪捷，王夫诚，纪润东，周孟雄，汤健康，苏姣月，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：