CN110348592A - 一种基于人工神经网络的负荷模型预测方法及预测系统 - Google Patents
一种基于人工神经网络的负荷模型预测方法及预测系统 Download PDFInfo
- Publication number
- CN110348592A CN110348592A CN201910423841.6A CN201910423841A CN110348592A CN 110348592 A CN110348592 A CN 110348592A CN 201910423841 A CN201910423841 A CN 201910423841A CN 110348592 A CN110348592 A CN 110348592A
- Authority
- CN
- China
- Prior art keywords
- load
- value
- neural network
- day
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000005286 illumination Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 7
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工神经网络的负荷模型预测方法及预测系统。本发明包括以下步骤：（一）选取以下主要影响因素作为负荷模型预测的输入变量值：历史日各时刻负荷值、日最高温度、日最低温度、日降雨量化值、日光照量化值、随机波动和日期类型；（二）以预测日各时刻负荷值为输出变量值，（三）整理学习样本数据，针对极端天气或数据缺失等因素形成的异常数据波动，采用数据横向对比法修正补录；（四）选取过去一段时间的负荷作为训练样本，构建神经网络样本集，构造网络结构并初始化神经网络参数，应用BP算法对网络进行训练；（五）若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；（六）预测出结果，结束。
Description
技术领域
本发明涉及一种基于人工神经网络的负荷模型预测方法及预测系统，属于能源利用领域。
背景技术
负荷预测是电力系统运行调度中一项非常重要的内容，是保证电力系统安全经济运行和实现电网科学管理及调度的基础，其不但对确定运行方式有重要的作用，而且也是确定机组组合方案、地区间功率输送方案和负荷调度方案所不可或缺的，而负荷模型的确定是预测仿真结果可信度的决定性因素之一。
随着我国大电网互联进程的不断推进，大型受端电网的形成，电网的结构日趋复杂，调度部门所而临的挑战也越来越大，电力负荷预测是否准确，直接影响到电力系统计划、规划等管理部门的工作。现阶段对于负荷建模的研究主要是针对在线实时数据或者历史数据，缺少对未来的负荷模型进行预测，同时目前的电力负荷预测系统功能单一，没有将数据前期处理、负荷模型模拟预测与用户交互管理到结果执行系统集成，人机交互滞后，预测结果发挥作用受到限制。
有鉴于此，在申请号为201511029066.4的专利文献中公开了一种基于人工神经网络的日用电量预测方法，由于负荷具有随机性且动态波动，所以与之相对应的负荷模型的相关参数也会随之发生变化，这种情况下，亟需一种精确的负荷模型确定方法对负荷模型进行预测，并需一种精准的电力负荷预测系统，将数据处理、模型预测、用户交互与结果执行整合集成，对调度计划进行稳定性校核，指导调度计划准确、及时、稳定执行，确保电力系统的安全与稳定。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种能够方便、灵活、准确和有效的预测未来负荷模型，有利于电力系统安全、稳定运行，可以有效解决背景技术中的问题的基于人工神经网络的负荷模型预测方法。
本发明解决上述问题所采用的技术方案是：该基于人工神经网络的负荷模型预测方法，其特点在于：包括以下步骤：
(一)选取以下主要影响因素作为负荷模型预测的输入变量值：历史日各时刻负荷值、日最高温度、日最低温度、日降雨量化值、日光照量化值、随机波动和日期类型；
即S＝(Lh(h＝1,2,…,24),Lmax,Lmin,Ladv,Tmax,Tmin,r,p,w,d)
式中：Lh为各时刻负荷数据、Lmax为日最大负荷值、Lmin为日最小负荷值、Ladv为日负荷平均值、Tmax为日最高温度、Tmin为日最低温度、r为日降雨量化值、p为日光照量化值、w为随机波动、d为日期类型；
(二)以预测日各时刻负荷值为输出变量值，
即M＝(a,b,c，...)
式中：a,b,c为各时刻负荷值；
(三)整理学习样本数据，针对极端天气或数据缺失等因素形成的异常数据波动，采用数据横向对比法修正补录；归一化处理输入、输出变量，根据训练样本集中输入变量的最大值和最小值，采用最大最小法对负荷数据、温度数据进行处理，归一化到[-1,1]之间；降雨按照无雨(0)、小雨(0.2)、中雨(0.4)、大雨(0.6)、暴雨(0.8)和大暴雨(1)六种情况量化；光照按照晴天(1)、少云(2)、多云(3)、阴天(4)和降雨(5)五种情况量化；日期类型，工作日取值为1，周末取值为0；
得到归一化后的输入X与输出Y变量，
X＝(Lh＇(h＝1,2,…,24),Lmax＇,Lmin＇,Ladv＇,Tmax＇,Tmin＇,r＇,p＇,w＇,d＇)，
Y＝(a＇,b＇,c＇)；
(四)选取过去一段时间的负荷作为训练样本，构建神经网络样本集，构造网络结构并初始化神经网络参数，应用BP算法对网络进行训练；
(五)若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；
(六)预测出结果，结束。
进一步地，(一)中，历史日各时刻负荷值，包括日最大负荷值、日最小负荷值和日负荷平均值；日光照量化值，包括历史日和预测日天气预报值。
进一步地，应用BP神经网络，建立了充分考虑各种因素的负荷模型，在输入变量中考虑了临近日负荷特点、日期类型、以及多种气象因素。
进一步地，对输入负荷值进行归一化处理，对温度、降雨和光照等因素提出了独特的量化处理,简化计算复杂程度，节省训练时间。
进一步地，启发式学习方法进行网络训练，很大程度上提高了神经网络的收敛速度和预测精度，应用实际历史负荷数据对建立的负荷预测系统进行测试验证。
进一步地，本发明的另一个技术目的在于提供一种基于人工神经网络的负荷模型预测方法的预测系统。
本发明的上述技术目的是通过以下技术方案得以实现的。
一种基于人工神经网络的负荷模型预测方法的预测系统，其结构特点在于：所述预测系统包括数据采集设备、数据处理设备、负荷模型工作站、用户交互管理设备、负荷预测结果输出设备和结果执行装置；所述数据采集设备与数据处理设备连接，所述数据处理设备与负荷模型工作站连接，所述负荷模型工作站分别与用户交互管理设备和负荷预测结果输出设备连接，所述用户交互管理设备与结果执行装置连接。
进一步地，数据采集设备和数据处理设备，对负荷数据进行整合和处理，随后进入负荷模型工作站，按照基于人工神经网络的负荷模型预测方法进行预测，预测结果通过负荷预测结果输出设备与用户进行交互管理，用户可以实时在线进行数据管理、预测结果分析、系统设置等功能，分析微调后的预测结果通过结果执行装置指导调度计划。
进一步地，该预测系统将负荷预测全过程集成，预测结果反馈与用户进行自适应调整，人机界面更加灵活；同时管理者可以方便直观的观测用电数据以及预测分析结果，及时了解用电情况，并下达调度指令。
相比现有技术，本发明具有以下优点：
该基于人工神经网络的负荷模型预测方法及预测系统，除了考虑传统的历史负荷特点、温度、日期类型外，引入了降雨与光照量化值及随机波动，预测准确、经济、快捷；采用人工神经网络进行负荷预测，符合电力系统负荷特点，对未来的负荷模型预测具有较为现实的意义，可用于调度计划的精准制定，确保系统发电出力随时紧跟系统负荷的变化动态平衡，有利于电力系统安全稳定运行。
附图说明
图1是本发明实施例的基于人工神经网络的负荷模型预测方法的流程示意图。
图2是本发明实施例的预测值与实际值比较结果示意图。
图3是本发明实施例的预测系统的连接关系示意图。
图中：数据采集设备1、数据处理设备2、负荷模型工作站3、用户交互管理设备4、负荷预测结果输出设备5、结果执行装置6。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例。
参见图1至图3所示，须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。同时，本说明书中若用引用如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本实施例中的基于人工神经网络的负荷模型预测方法，包括以下步骤：
(一)选取以下主要影响因素作为负荷模型预测的输入变量值：历史日各时刻负荷值(日最大负荷值、日最小负荷值和日负荷平均值)、日最高温度、日最低温度、日降雨量化值、日光照量化值(历史日和预测日天气预报值)、随机波动和日期类型；
即S＝(Lh(h＝1,2,…,24),Lmax,Lmin,Ladv,Tmax,Tmin,r,p,w,d)
式中：Lh为各时刻负荷数据、Lmax为日最大负荷值、Lmin为日最小负荷值、Ladv为日负荷平均值、Tmax为日最高温度、Tmin为日最低温度、r为日降雨量化值、p为日光照量化值、w为随机波动、d为日期类型；应用BP神经网络，建立了充分考虑各种因素的负荷模型，在输入变量中考虑了临近日负荷特点、日期类型、以及多种气象因素。
(二)以预测日各时刻负荷值为输出变量值，
即M＝(a,b,c，...)
式中：a,b,c为各时刻负荷值。
(三)整理学习样本数据，针对极端天气或数据缺失等因素形成的异常数据波动，采用数据横向对比法修正补录；归一化处理输入、输出变量，根据训练样本集中输入变量的最大值和最小值，采用最大最小法对负荷数据、温度数据进行处理，归一化到[-1,1]之间；降雨按照无雨(0)、小雨(0.2)、中雨(0.4)、大雨(0.6)、暴雨(0.8)和大暴雨(1)六种情况量化；光照按照晴天(1)、少云(2)、多云(3)、阴天(4)和降雨(5)五种情况量化；日期类型，工作日取值为1，周末取值为0；
得到归一化后的输入X与输出Y变量，
X＝(Lh＇(h＝1,2,…,24),Lmax＇,Lmin＇,Ladv＇,Tmax＇,Tmin＇,r＇,p＇,w＇,d＇)，
Y＝(a＇,b＇,c＇)；
对输入负荷值进行归一化处理，对温度、降雨和光照等因素提出了独特的量化处理,简化计算复杂程度，节省训练时间。
(四)选取过去一段时间的负荷作为训练样本，构建神经网络样本集，构造网络结构并初始化神经网络参数，应用BP算法对网络进行训练。
(五)若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；启发式学习方法进行网络训练，很大程度上提高了神经网络的收敛速度和预测精度，应用实际历史负荷数据对建立的负荷预测系统进行测试验证。
(六)预测出结果，结束。
本实施例中的基于人工神经网络的负荷模型预测方法的预测系统，预测系统包括数据采集设备1、数据处理设备2、负荷模型工作站3、用户交互管理设备4、负荷预测结果输出设备5和结果执行装置6；数据采集设备1与数据处理设备2连接，数据处理设备2与负荷模型工作站3连接，负荷模型工作站3分别与用户交互管理设备4和负荷预测结果输出设备5连接，用户交互管理设备4与结果执行装置6连接。
本实施例中的数据采集设备1和数据处理设备2，对负荷数据进行整合和处理，随后进入负荷模型工作站3，按照基于人工神经网络的负荷模型预测方法进行预测，预测结果通过负荷预测结果输出设备5与用户进行交互管理，用户可以实时在线进行数据管理、预测结果分析、系统设置等功能，分析微调后的预测结果通过结果执行装置6指导调度计划。
本实施例中，该预测系统将负荷预测全过程集成，预测结果反馈与用户进行自适应调整，人机界面更加灵活；同时管理者可以方便直观的观测用电数据以及预测分析结果，及时了解用电情况，并下达调度指令。
以下案例是通过该基于人工神经网络的负荷模型预测方法及预测系统实现的。
(1)以某市2018年4-6月份的实测电力负荷数据进行仿真分析，将负荷数据及相应的天气情况存于数据库，按9:1划分训练集和测试集进行验证。将预测日24小时负荷值作为预测输出量，将预测日前一天实际数据(负荷、温度、降雨量化值、光照量化值，随机波动、日期类型)作为预测输入量。
(2)样本数据处理，对历史数据明显偏差和毛刺进行平滑处理；对经过筛选的历史负荷数据进行归一化处；对降雨、光照进行量化处理(处理方法同上)。
(3)BP神经网络模型的建立。本实例采用三层BP网络，设一个隐含层。隐含层所需要的神经元数目的预测根据仿真实验确定，开始时首先根据经验公式放入较少的隐含单元，学习多次后，若不成功，就增加隐含层神经元数目，一直达到比较合理的隐含单元数为止。本实例最终确定隐含层神经元数目15个，选用tansig(x)为传递函数，使用函数newff建立BP网络。
net＝newff(minmax(ptr),[15,24],{‘tansig’‘purelin’},’trainlm’)；
(5)训练网格。具体训练指标为：训练步数1000；误差0.005；μ初始值0.0005；增加系数8；减小系数为0.05。
(6)网格训练结束，超过500步循环步数后达到要求，用6月已知负荷值进行实际负荷预测，输入6月29日输入量，预测30日负荷值，输出的预测结果及绝对误差见表1，预测值与实际值比较结果见图2。通过交互管理设备，用户可以直观监测负荷数据以及更全面的了解用电情况，并对有疑问的负荷点进行分析检查。
表1待测日负荷预测值与实际值
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (8)
1.一种基于人工神经网络的负荷模型预测方法，其特征在于：包括以下步骤：
(一)选取以下影响因素作为负荷模型预测的输入变量值：历史日各时刻负荷值、日最高温度、日最低温度、日降雨量化值、日光照量化值、随机波动和日期类型；
即S＝(Lh(h＝1,2,…,24),Lmax,Lmin,Ladv,Tmax,Tmin,r,p,w,d)
式中：Lh为各时刻负荷数据、Lmax为日最大负荷值、Lmin为日最小负荷值、Ladv为日负荷平均值、Tmax为日最高温度、Tmin为日最低温度、r为日降雨量化值、p为日光照量化值、w为随机波动、d为日期类型；
(二)以预测日各时刻负荷值为输出变量值，
即M＝(a,b,c)
式中：a,b,c为各时刻负荷值；
(三)整理学习样本数据，针对极端天气或数据缺失因素形成的异常数据波动，采用数据横向对比法修正补录；归一化处理输入、输出变量，根据训练样本集中输入变量的最大值和最小值，采用最大最小法对负荷数据、温度数据进行处理，归一化到[-1,1]之间；降雨按照无雨(0)、小雨(0.2)、中雨(0.4)、大雨(0.6)、暴雨(0.8)和大暴雨(1)六种情况量化；光照按照晴天(1)、少云(2)、多云(3)、阴天(4)和降雨(5)五种情况量化；日期类型，工作日取值为1，周末取值为0；
得到归一化后的输入X与输出Y变量，
X＝(Lh＇(h＝1,2,…,24),Lmax＇,Lmin＇,Ladv＇,Tmax＇,Tmin＇,r＇,p＇,w＇,d＇)，
Y＝(a＇,b＇,c＇)；
(四)选取过去一段时间的负荷作为训练样本，构建神经网络样本集，构造网络结构并初始化神经网络参数，应用BP算法对网络进行训练；
(五)若网络收敛，则得到神经网络模型，若网络不收敛，则返回上一步进行调整；
(六)预测出结果，结束。
2.根据权利要求1所述的基于人工神经网络的负荷模型预测方法，其特征在于：(一)中，历史日各时刻负荷值，包括日最大负荷值、日最小负荷值和日负荷平均值；日光照量化值，包括历史日和预测日天气预报值。
3.根据权利要求1所述的基于人工神经网络的负荷模型预测方法，其特征在于：应用BP神经网络，建立了充分考虑各种因素的负荷模型，在输入变量中考虑了临近日负荷特点、日期类型、以及多种气象因素。
4.根据权利要求1所述的基于人工神经网络的负荷模型预测方法，其特征在于：对输入负荷值进行归一化处理，对温度、降雨和光照因素提出了独特的量化处理,简化计算复杂程度，节省训练时间。
5.根据权利要求1所述的基于人工神经网络的负荷模型预测方法，其特征在于：启发式学习方法进行网络训练，提高了神经网络的收敛速度和预测精度，应用实际历史负荷数据对建立的负荷预测系统进行测试验证。
6.一种如权利要求1-5中任意一项权利要求所述的基于人工神经网络的负荷模型预测方法的预测系统，其特征在于：所述预测系统包括数据采集设备(1)、数据处理设备(2)、负荷模型工作站(3)、用户交互管理设备(4)、负荷预测结果输出设备(5)和结果执行装置(6)；所述数据采集设备(1)与数据处理设备(2)连接，所述数据处理设备(2)与负荷模型工作站(3)连接，所述负荷模型工作站(3)分别与用户交互管理设备(4)和负荷预测结果输出设备(5)连接，所述用户交互管理设备(4)与结果执行装置(6)连接。
7.根据权利要求6所述的预测系统，其特征在于：数据采集设备(1)和数据处理设备(2)，对负荷数据进行整合和处理，随后进入负荷模型工作站(3)，按照基于人工神经网络的负荷模型预测方法进行预测，预测结果通过负荷预测结果输出设备(5)与用户进行交互管理，用户实时在线进行数据管理、预测结果分析、系统设置功能，分析微调后的预测结果通过结果执行装置(6)指导调度计划。
8.根据权利要求6所述的预测系统，其特征在于：该预测系统将负荷预测全过程集成，预测结果反馈与用户进行自适应调整，人机界面更加灵活；同时管理者方便直观的观测用电数据以及预测分析结果，及时了解用电情况，并下达调度指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910423841.6A CN110348592A (zh) | 2019-05-21 | 2019-05-21 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910423841.6A CN110348592A (zh) | 2019-05-21 | 2019-05-21 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348592A true CN110348592A (zh) | 2019-10-18 |
Family
ID=68173883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910423841.6A Pending CN110348592A (zh) | 2019-05-21 | 2019-05-21 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348592A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
| CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
| CN111177278A (zh) * | 2019-12-19 | 2020-05-19 | 绍兴大明电力设计院有限公司 | 一种网格用户短期负荷预测实时处理工具 |
| CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
| CN112346939A (zh) * | 2020-11-02 | 2021-02-09 | 长沙市到家悠享网络科技有限公司 | 告警方法、装置、设备和存储介质 |
| CN112381266A (zh) * | 2020-10-22 | 2021-02-19 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
| CN113112085A (zh) * | 2021-04-22 | 2021-07-13 | 国网山东省电力公司德州市陵城区供电公司 | 一种基于bp神经网络的新能源场站发电负荷预测方法 |
| CN113570246A (zh) * | 2021-07-27 | 2021-10-29 | 广东电网有限责任公司 | 地区电网调度控制系统及控制方法 |
| CN113657032A (zh) * | 2021-08-12 | 2021-11-16 | 国网安徽省电力有限公司 | 一种预先集中协调实时分布控制的低频减载方法及系统 |
| CN113779109A (zh) * | 2021-09-15 | 2021-12-10 | 南京才华智能科技有限公司 | 一种基于上下文环境的电力数据预处理方法 |
| CN114037148A (zh) * | 2021-11-06 | 2022-02-11 | 国网河南省电力公司新乡供电公司 | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 |
| CN114219144A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种主变负荷预测方法及系统 |
| CN114383295A (zh) * | 2021-12-15 | 2022-04-22 | 金陵科技学院 | 一种基于室内污染浓度估计模型的通风控制方法 |
| CN116894528A (zh) * | 2023-09-11 | 2023-10-17 | 中瑞恒（北京）科技有限公司 | 一种冷热站负荷预测方法、装置和计算机设备 |
| CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324752A (zh) * | 2011-06-17 | 2012-01-18 | 辽宁省电力有限公司 | 结合风力发电的纯电动汽车有序充放电协调控制系统 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
| CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
-
2019
- 2019-05-21 CN CN201910423841.6A patent/CN110348592A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324752A (zh) * | 2011-06-17 | 2012-01-18 | 辽宁省电力有限公司 | 结合风力发电的纯电动汽车有序充放电协调控制系统 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
| CN109034495A (zh) * | 2018-08-30 | 2018-12-18 | 珠海吉瓦科技有限公司 | 基于边缘计算的电力负荷预测系统 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
| CN111177278A (zh) * | 2019-12-19 | 2020-05-19 | 绍兴大明电力设计院有限公司 | 一种网格用户短期负荷预测实时处理工具 |
| CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
| CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
| CN111695731B (zh) * | 2020-06-09 | 2023-05-02 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
| CN112381266A (zh) * | 2020-10-22 | 2021-02-19 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
| CN112381266B (zh) * | 2020-10-22 | 2024-01-09 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
| CN112346939A (zh) * | 2020-11-02 | 2021-02-09 | 长沙市到家悠享网络科技有限公司 | 告警方法、装置、设备和存储介质 |
| CN113112085A (zh) * | 2021-04-22 | 2021-07-13 | 国网山东省电力公司德州市陵城区供电公司 | 一种基于bp神经网络的新能源场站发电负荷预测方法 |
| CN113570246A (zh) * | 2021-07-27 | 2021-10-29 | 广东电网有限责任公司 | 地区电网调度控制系统及控制方法 |
| CN113657032A (zh) * | 2021-08-12 | 2021-11-16 | 国网安徽省电力有限公司 | 一种预先集中协调实时分布控制的低频减载方法及系统 |
| CN113657032B (zh) * | 2021-08-12 | 2023-11-24 | 国网安徽省电力有限公司 | 一种预先集中协调实时分布控制的低频减载方法及系统 |
| CN113779109A (zh) * | 2021-09-15 | 2021-12-10 | 南京才华智能科技有限公司 | 一种基于上下文环境的电力数据预处理方法 |
| CN113779109B (zh) * | 2021-09-15 | 2024-05-24 | 南京才华智能科技有限公司 | 一种基于上下文环境的电力数据预处理方法 |
| CN114037148A (zh) * | 2021-11-06 | 2022-02-11 | 国网河南省电力公司新乡供电公司 | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 |
| CN114037148B (zh) * | 2021-11-06 | 2023-10-27 | 国网河南省电力公司新乡供电公司 | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 |
| CN114219144A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种主变负荷预测方法及系统 |
| CN114383295A (zh) * | 2021-12-15 | 2022-04-22 | 金陵科技学院 | 一种基于室内污染浓度估计模型的通风控制方法 |
| CN116894528B (zh) * | 2023-09-11 | 2023-11-21 | 中瑞恒（北京）科技有限公司 | 一种冷热站负荷预测方法、装置和计算机设备 |
| CN116894528A (zh) * | 2023-09-11 | 2023-10-17 | 中瑞恒（北京）科技有限公司 | 一种冷热站负荷预测方法、装置和计算机设备 |
| CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
| CN117272121B (zh) * | 2023-11-21 | 2024-03-12 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348592A (zh) | 一种基于人工神经网络的负荷模型预测方法及预测系统 | |
| Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
| CN111478312A (zh) | 一种提升电网稳定性的综合能源集群协调控制方法 | |
| CN106651200A (zh) | 一种工业企业聚合用户电力负荷管理方法和系统 | |
| CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
| CN112860407B (zh) | 一种云边协作的序列依赖流水车间任务调度执行优化方法 | |
| CN116247648A (zh) | 一种考虑源荷不确定性下微电网能量调度的深度强化学习方法 | |
| CN115062869B (zh) | 一种考虑碳排放量的综合能源调度方法和系统 | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN110210679A (zh) | 一种应用于县级配电网规划的负荷预测系统 | |
| CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控系统及方法 | |
| CN106505624A (zh) | 确定配电网分布式电源最优吸纳能力的调控系统及方法 | |
| CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
| CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
| Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
| CN116596279B (zh) | 一种智慧园区能源消耗调度系统 | |
| CN110264009B (zh) | 一种共享汽车调度系统及其调度方法 | |
| Ma et al. | Research on power grid infrastructure project intelligent management platform based on digital twin technology | |
| CN115293649A (zh) | 一种区配电网智能精细化降损方法 | |
| Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
| CN115438958A (zh) | 一种基于互联网的智慧能效管理系统及其管理方法 | |
| CN107025497A (zh) | 一种基于Elman神经网络的电力负荷预警方法及装置 | |
| Zile | Smart energy management in solar/wind power stations using artificial neural networks | |
| CN111556107A (zh) | 一种基于“应激-反射”模型的智能物联网应用方法 | |
| CN118487328B (zh) | 一种可再生能源发电侧电力系统能效优化方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |