本發(fā)明涉及一種基于BP神經(jīng)網(wǎng)絡(luò)模型的臺區(qū)日用電量的預(yù)測方法及系統(tǒng)，屬于電網(wǎng)用電技術(shù)領(lǐng)域。

背景技術(shù)：

用電量預(yù)測是電網(wǎng)公司制定生產(chǎn)綜合計劃制定經(jīng)營計劃的關(guān)鍵基礎(chǔ)，合理準確的預(yù)測結(jié)論會給公司的經(jīng)營決策帶來正向效應(yīng)，反之就會導(dǎo)致公司經(jīng)營策略的背離，因此對未來季度或者年度的用電量預(yù)測顯得至關(guān)重要?？v覽國內(nèi)外市場預(yù)測技術(shù)可知，現(xiàn)有的用電量預(yù)測技術(shù)可以歸結(jié)為三類，但是都不能解決用電量預(yù)測的關(guān)鍵問題。

第一類用電量預(yù)測技術(shù)是依據(jù)歷史用電量的實際發(fā)生值進行趨勢外推，預(yù)測結(jié)論所包含的信息就是基于預(yù)測期的經(jīng)濟環(huán)境沿襲上一周期的發(fā)展模式，例如中國專利101976301。但是如果預(yù)測周期內(nèi)的用電形勢發(fā)生了較大改變或者方向性的掉頭，該方法無法預(yù)測，因此在當前經(jīng)濟不穩(wěn)定時期，該類方法的預(yù)測結(jié)論常常較實際發(fā)生的偏差較大。

第二類用電量預(yù)測技術(shù)是基于預(yù)測人員的經(jīng)驗判斷預(yù)測年的增長幅度，預(yù)測人員會根據(jù)當前的經(jīng)濟形勢、和自己的預(yù)測經(jīng)驗開展預(yù)測，這種對經(jīng)濟形勢的判斷僅局限于定性分析層面，而無法定量到具體的預(yù)測模型上，而對于預(yù)測的經(jīng)驗增長則更加依賴于預(yù)測人員個人的綜合判斷能力，預(yù)測結(jié)果的可信度不能得到有效保證。

第三類用電量預(yù)測技術(shù)是采用不同的算法對歷史用電量實際發(fā)生值進行外推，從算法上解決用電量預(yù)測問題。但是現(xiàn)有的算法較為復(fù)雜，并且 對用電量的預(yù)測的精度也不夠。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了解決現(xiàn)有技術(shù)中存在的上述問題，提供一種基于BP神經(jīng)網(wǎng)絡(luò)模型的臺區(qū)日用電量的預(yù)測方法及系統(tǒng)。

本發(fā)明的目的通過以下技術(shù)方案來實現(xiàn)：

一種基于BP神經(jīng)網(wǎng)絡(luò)模型的臺區(qū)日用電量的預(yù)測方法，包括如下步驟：

S1、搭建N個BP神經(jīng)網(wǎng)絡(luò)模型；

S2、分別對應(yīng)地選擇歷史數(shù)據(jù)作為訓(xùn)練樣本，提取訓(xùn)練樣本的氣象影響因子、以及相似日的用電量D’作為訓(xùn)練函數(shù)newff的輸入矩陣P，即：

其中：氣象影響因子包括平均氣溫T、最高氣溫Tmax、最低氣溫Tmin、濕度RH、風(fēng)速V；

S3、提取訓(xùn)練樣本的實際用電量D作為訓(xùn)練函數(shù)newff的目標矩陣T，即：

S4、訓(xùn)練神經(jīng)網(wǎng)絡(luò)net；

net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N個隱層程序單元 (3)

net.trainParam.epochs＝1000；允許最大訓(xùn)練步數(shù)1000步 (4)

net.trainParam.Ir＝0.05；學(xué)習(xí)速率0.05 (5)

S5、將預(yù)測日的氣象影響因子、相似日用電量結(jié)合在一起組成矩陣p，即：

S6、將p作為輸入矩陣代入經(jīng)過訓(xùn)練而得的神經(jīng)網(wǎng)絡(luò)net，可以得到臺區(qū)日用電量的預(yù)測值即：

優(yōu)選的，所述S1中BP神經(jīng)網(wǎng)絡(luò)模型的數(shù)目為8個。

優(yōu)選的，所述S2中訓(xùn)練樣本為15天的歷史數(shù)據(jù)。

本發(fā)明還揭示了一種基于BP神經(jīng)網(wǎng)絡(luò)模型的臺區(qū)日用電量的預(yù)測系統(tǒng)，包括，

模型建立單元，搭建N個BP神經(jīng)網(wǎng)絡(luò)模型；

矩陣建立單元，分別對應(yīng)地選擇歷史數(shù)據(jù)作為訓(xùn)練樣本，提取訓(xùn)練樣本的氣象影響因子、以及相似日的用電量D’作為訓(xùn)練函數(shù)newff的輸入矩陣P，即：

其中：氣象影響因子包括平均氣溫T、最高氣溫Tmax、最低氣溫Tmin、濕度RH、風(fēng)速V；

目標矩陣建立單元，提取訓(xùn)練樣本的實際用電量D作為訓(xùn)練函數(shù)newff的目標矩陣T，即：

神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元，訓(xùn)練神經(jīng)網(wǎng)絡(luò)net；

net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N個隱層程序單元 (3)

net.trainParam.epochs＝1000；允許最大訓(xùn)練步數(shù)1000步 (4)

net.trainParam.Ir＝0.05；學(xué)習(xí)速率0.05 (5)

矩陣計算單元，將預(yù)測日的氣象影響因子、相似日用電量結(jié)合在一起組成矩陣p，即：

預(yù)測值計算單元，將p作為輸入矩陣代入經(jīng)過訓(xùn)練而得的神經(jīng)網(wǎng)絡(luò)net，可以得到臺區(qū)日用電量的預(yù)測值即：

本發(fā)明技術(shù)方案的優(yōu)點主要體現(xiàn)在：方法簡單，且精準度較高。

具體實施方式

本發(fā)明的目的、優(yōu)點和特點，將通過下面優(yōu)選實施例的非限制性說明進行解釋。這些實施例僅是應(yīng)用本發(fā)明技術(shù)方案的典型范例，凡采取等同替換或者等效變換而形成的技術(shù)方案，均落在本發(fā)明要求保護的范圍之內(nèi)。

本發(fā)明揭示了一種基于BP神經(jīng)網(wǎng)絡(luò)模型的臺區(qū)日用電量的預(yù)測方法，應(yīng)用于臺區(qū)日用電量預(yù)測，將臺區(qū)日用電量預(yù)測按照四季的工作日、節(jié)假日進行分類，分別搭建8個BP神經(jīng)網(wǎng)絡(luò)模型，比如春季工作日模型、春季節(jié)假日模型。針對每一個模型，選擇臺區(qū)時間距離較近相似日的實際用電量、平均氣溫等氣象影響因子進行訓(xùn)練，得到對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)。最后將預(yù)測日的相似日實際用電量、氣象影響因子傳入相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，可以得到日用電量預(yù)測值。具體的步驟如下：

S1、搭建8個BP神經(jīng)網(wǎng)絡(luò)模型；

S2、分別對應(yīng)地選擇15天的歷史數(shù)據(jù)作為訓(xùn)練樣本，提取訓(xùn)練樣本的氣象影響因子、以及相似日的用電量D’作為訓(xùn)練函數(shù)newff的輸入矩陣P， 即：

其中：氣象影響因子包括平均氣溫T、最高氣溫Tmax、最低氣溫Tmin、濕度RH、風(fēng)速V；

S3、提取訓(xùn)練樣本的實際用電量D作為訓(xùn)練函數(shù)newff的目標矩陣T，即：

S4、訓(xùn)練神經(jīng)網(wǎng)絡(luò)net；

net＝newff(P,T,8,{‘tansig’,‘purelin’},‘trainlm’)；8個隱層程序單元 (3)

net.trainParam.epochs＝1000；允許最大訓(xùn)練步數(shù)1000步 (4)

net.trainParam.Ir＝0.05；學(xué)習(xí)速率0.05 (5)

S5、將預(yù)測日的氣象影響因子、相似日用電量結(jié)合在一起組成矩陣p，即：

S6、將p作為輸入矩陣代入經(jīng)過訓(xùn)練而得的神經(jīng)網(wǎng)絡(luò)net，可以得到臺區(qū)日用電量的預(yù)測值即：

本發(fā)明還揭示了一種基于BP神經(jīng)網(wǎng)絡(luò)模型的臺區(qū)日用電量的預(yù)測系統(tǒng)，包括，

模型建立單元，搭建N個BP神經(jīng)網(wǎng)絡(luò)模型；

矩陣建立單元，分別對應(yīng)地選擇歷史數(shù)據(jù)作為訓(xùn)練樣本，提取訓(xùn)練樣本的氣象影響因子、以及相似日的用電量D’作為訓(xùn)練函數(shù)newff的輸入矩陣P，即：

其中：氣象影響因子包括平均氣溫T、最高氣溫Tmax、最低氣溫Tmin、濕度RH、風(fēng)速V；

目標矩陣建立單元，提取訓(xùn)練樣本的實際用電量D作為訓(xùn)練函數(shù)newff的目標矩陣T，即：

神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元，訓(xùn)練神經(jīng)網(wǎng)絡(luò)net；

net＝newff(P,T,N,{‘tansig’,‘purelin’},‘trainlm’)；N個隱層程序單元 (3)

net.trainParam.epochs＝1000；允許最大訓(xùn)練步數(shù)1000步 (4)

net.trainParam.Ir＝0.05；學(xué)習(xí)速率0.05 (5)

矩陣計算單元，將預(yù)測日的氣象影響因子、相似日用電量結(jié)合在一起組成矩陣p，即：

預(yù)測值計算單元，將p作為輸入矩陣代入經(jīng)過訓(xùn)練而得的神經(jīng)網(wǎng)絡(luò)net，可以得到臺區(qū)日用電量的預(yù)測值即：

本發(fā)明技術(shù)方案的優(yōu)點主要體現(xiàn)在：方法簡單，且精準度較高。

發(fā)明尚有多種實施方式，凡采用等同變換或者等效變換而形成的所有技術(shù)方案，均落在本發(fā)明的保護范圍之內(nèi)。