基于改进BP神经网络算法的配网电采暖负荷预测方法技术

一种基于改进BP神经网络算法的配网电采暖负荷预测方法，包括获取历史数据以及参数设置步骤S1，相关系数计算步骤S2，权系数赋值步骤S3，各层神经元计算输出步骤S4，结果输出判断步骤S5，上下限判断步骤S6，神经元学习误差计算步骤S7，基于学习误差的权系数修正步骤S8，随机修正权系数步骤S9，随机修正偏倚和学习率步骤S10，判断是否到最后一组数据步骤S11和最后的预测步骤S12。本发明专利技术能够配网电采暖负荷预测方法提高收敛速度，避免输出平坦区，提高权值改变幅度，考虑了弃风供暖和新建绿色建筑对电采暖推广的影响，使电采暖负荷预测结果更接近实际值。

Electric heating load forecasting method based on improved BP neural network algorithm

An improved BP neural network algorithm for the distribution of electric heating load forecasting method based on S1, including setting steps to obtain historical data and parameters, the calculation steps of S2 correlation coefficient, weighted coefficient values S3, neurons in each layer to calculate the output step S4, output judgment procedures S5 results, upper and lower judgment step S6, neuron learning error calculation procedures S7 right, the error correction coefficient learning step S8 based on random correction coefficient S9, random bias correction and learning rate step S10, to determine whether a set of data to the last step S11 and the last steps of prediction S12. The invention can improve the convergence speed of the distribution network heating load prediction method, avoid output flatness area and increase the magnitude of the weight change, and consider the influence of the abandoned wind heating and new green building on the popularization of electric heating, so that the prediction result of the electric heating load is closer to the actual value.

【技术实现步骤摘要】
基于改进BP神经网络算法的配网电采暖负荷预测方法
本专利技术涉及一种负荷预测方法，具体的，涉及一种基于改进BP神经网络算法的配网电采暖负荷预测方法。
技术介绍
配网负荷预测，是配电网规划的基础，然而随着大量电采暖负荷的接入，采暖内大幅度增加了配电网的负荷，配电网的规划需及时调整适应大规模电采暖负荷的接入，因此，准确的预测电采暖负荷是当前配电网规划前提和基础。电采暖负荷预测与历史数据的关系较小，主要受以下两个因素的影响：1)我国推广电采暖的主要目的之一是弃风供暖，大规模消纳多余风电，提高新能源利用效率，电采暖的推广受当地年风力发电量利用率的影响较大；2)随着我国新建建筑节能标准的提高，大量新建建筑采用节能75％设计标准，相对于传统采暖，推广电采暖有助于用户节约采暖费用，提高了用户采用电采暖的积极性。目前，还没有考虑以上两个因素的电采暖负荷预测方法。虽然，BP神经网络法可考虑以上影响因素对电采暖负荷预测的影响，但是目前还没有基于BP神经网络法的电采暖负荷预测方法研究。目前，BP神经网络方法大量应用于配网负荷预测，步骤为：1)随机赋值权系数；2)计算各层输出；3)判断输出与期望值是否满足要求，若满足转向步骤5；4)计算各层学习误差，修正权系数，转向步骤2)；5)基于计算的权，预测负荷。但是，该技术应用到电采暖负荷预测后，存在的问题是：权是随机给定的，大量的反复实验导致收敛过程慢；对于给定的权修正量很小，这样优化是通过沿局部改善的方向逐渐进行调整的，很难达到满意的预测结果；在输出接近边界值0或1的条件下，易出现平坦区，权改变极小，容易使训练过程停顿。因此，如何优化神经网络算法，提高收敛速度，避免输出平坦区，改善训练效果成为现有技术亟需解决的技术问题。
技术实现思路
本专利技术的目的在于提出一种基于改进BP神经网络算法的配网电采暖负荷预测方法，能够克服现有BP神经网络算法的缺点，提高电采暖负荷预测的精度，提高收敛速度，避免输出平坦区，提高权值改变幅度。为达此目的，本专利技术采用以下技术方案：一种基于改进BP神经网络算法的配网电采暖负荷预测方法，包括如下步骤：获取历史数据以及参数设置步骤S1：获取表示输入的历年规划的新建建筑的建筑面积和历年风力发电量利用率，表示输出的历年电采暖负荷值，所述历年包括同时有风力发电和电采暖负荷的时间段，设有m层的神经网络，所述神经网络共有n个神经元，并从1到n顺序编号，所述神经网络计算的数据组数为Vmax＝year-1，year是历史数据的年数，令迭代次数it＝1，给定最大迭代次数itmax，设训练组数变量v＝1，给定输出误差εy，给定神经元接近上限值的误差ε上和接近下限值的误差ε下，给定学习率η和各神经元的偏倚θi，i＝3，4，...，n，电采暖负荷期望输出为y；相关系数计算步骤S2，分别利用历年的风力发电量利用率、历年新建建筑面积与历年电采暖负荷值计算相关系数；权系数赋值步骤S3：将计算得到的相关系数分别赋值给各层神经元对应相应变量的权系数ωij，ωij为位于第k-1层总第j个神经元到位于第k层总第i个神经元的权系数，其中i的序号范围对应从第2层到第m层的神经元，j的序号范围对应从第1层到第m-1层的神经元；各层神经元计算输出步骤S4，对于第k层总第i个神经元输出利用如下公式计算：其中j为第k-1层的总第j个神经元，k取值从第2层到第m层，式中θi是第i个神经元的偏倚；结果输出判断步骤S5，计算输出层输出值与电采暖负荷期望输出y之差的绝对值，如果该绝对值小于输出误差εy，或迭代次数超过itmax，则转向步骤S11，否则进入步骤S6；上下限判断步骤S6，通过将神经元输出值与神经元接近上限值的误差ε上或接近下限值的误差ε下进行比较判断神经元输出值是否接近其上下限值，如果是则进入步骤S9，否则进入步骤S7；神经元学习误差计算步骤S7，计算隐藏和输出层学习误差步骤，若该层为输出层，即k＝m，则第i个神经元学习误差y是电采暖负荷期望输出；若该层为隐藏层，即k≠m，则学习误差l为第k+1层的神经元的序号；基于学习误差的权系数修正步骤S8，根据学习误差修正权系数，令it＝it+1，然后转向步骤S10；随机修正权系数步骤S9，令it＝it+1，随机产生一个很小的正数ε修，令ωij(it)＝ωij(it-1)+ε修；随机修正偏倚和学习率步骤S10，基于[-0.2，0.2]的均匀分布函数，随机产生一个数，修正偏倚和学习率，然后转向步骤S4；判断是否到最后一组数据步骤S11，令v＝v+1，再将v与Vmax比较，判断是否到最后一组数据，如果若v≤Vmax转向步骤S3，否则进入步骤S12；预测步骤S12，依据计算的各层权系数、神经元偏倚、学习率，给定的预测年的规划新建建筑的建筑面积和风力发电量利用率，预测电采暖负荷值。可选的，在步骤S2中，首先对历年的风力发电量利用率、历年新建建筑面积与历年电采暖负荷值进行归一化计算，再进行相关系数的计算。可选的，在步骤S2中，归一化的公式为：p＝(q-0.7qmin)/(1.3qmax-0.7qmin)其中，p是归一化后的值，q是归一化前的值，qmax，qmin是归一化变量q的最大值、最小值。可选的，给定输出误差εy为0.01，给定神经元接近上限值的误差ε上和接近下限值的误差ε下均为0.01。可选的，步骤S1的各用户能够按采暖时间分成5类，包括学校、行政事业单位、公司企业、商业宾馆和居民。可选的，在对每一组数据进行训练时的电采暖负荷期望输出y为该组数据中的电采暖负荷值。即采用历年的真实的电采暖负荷值，作为神经网络训练的期望输出值。可选的，学习率η在[0，1]区间内按均匀分布随机产生。可选的，在获取历史数据以及参数设置步骤S1中，itmax＝500。可选的，在步骤S9中，ε修在[0，0.1]区间按均匀分布条件随机产生。本专利技术的配电网电采暖负荷预测方法，能够提高收敛速度，避免输出平坦区，提高权值改变幅度，考虑了弃风供暖和新建绿色建筑对电采暖推广的影响，使电采暖负荷预测结果更接近实际值，有助于电网公司确定针对性的规划方案，不仅保证采暖期内电采暖用户可靠供电，而且能够降低投资，提高电网公司运营的经济效益。附图说明图1是根据本专利技术的基于改进BP神经网络算法的配网电采暖负荷预测方法的流程图；图2是根据本专利技术具体实施例的BP神经网络的示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。参见图1，示出了根据本专利技术的基于改进BP神经网络算法的配网电采暖负荷预测方法的流程图，该方法包括如下步骤：获取历史数据以及参数设置步骤S1：获取表示输入的历年规划的新建建筑的建筑面积和历年风力发电量利用率，表示输出的历年电采暖负荷值，所述历年包括同时有风力发电和电采暖负荷的时间段，设有m层的神经网络，所述神经网络共有n个神经元，并从1到n顺序编号，所述神经网络计算的数据组数为Vmax＝year-1，year是历史数据的年数，令迭代次数it＝1，给定最大迭代次数itmax，设训练组数变量v＝1，给定输出误差εy，给定神经元接近上限值的误差本文档来自技高网...

【技术保护点】
一种基于改进BP神经网络算法的配网电采暖负荷预测方法，包括如下步骤：获取历史数据以及参数设置步骤S1：获取表示输入的历年规划的新建建筑的建筑面积和历年风力发电量利用率，表示输出的历年电采暖负荷值，所述历年包括同时有风力发电和电采暖负荷的时间段，设有m层的神经网络，所述神经网络共有n个神经元，并从1到n顺序编号，所述神经网络计算的数据组数为Vmax＝year‑1，year是历史数据的年数，令迭代次数it＝1，给定最大迭代次数itmax，设训练组数变量v＝1，给定输出误差εy，给定神经元接近上限值的误差ε上和接近下限值的误差ε下，给定学习率η和各神经元的偏倚θi，i＝3，4，...，n，电采暖负荷期望输出为y；相关系数计算步骤S2，分别利用历年的风力发电量利用率、历年新建建筑面积与历年电采暖负荷值计算相关系数；权系数赋值步骤S3：将计算得到的相关系数分别赋值给各层神经元对应相应变量的权系数ωij，ωij为位于第k‑1层总第j个神经元到位于第k层总第i个神经元的权系数，其中i的序号范围对应从第2层到第m层的神经元，j的序号范围对应从第1层到第m‑1层的神经元；各层神经元计算输出步骤S4，对于第k层总第i个神经元输出...

【技术特征摘要】
1.一种基于改进BP神经网络算法的配网电采暖负荷预测方法，包括如下步骤：获取历史数据以及参数设置步骤S1：获取表示输入的历年规划的新建建筑的建筑面积和历年风力发电量利用率，表示输出的历年电采暖负荷值，所述历年包括同时有风力发电和电采暖负荷的时间段，设有m层的神经网络，所述神经网络共有n个神经元，并从1到n顺序编号，所述神经网络计算的数据组数为Vmax＝year-1，year是历史数据的年数，令迭代次数it＝1，给定最大迭代次数itmax，设训练组数变量v＝1，给定输出误差εy，给定神经元接近上限值的误差ε上和接近下限值的误差ε下，给定学习率η和各神经元的偏倚θi，i＝3，4，...，n，电采暖负荷期望输出为y；相关系数计算步骤S2，分别利用历年的风力发电量利用率、历年新建建筑面积与历年电采暖负荷值计算相关系数；权系数赋值步骤S3：将计算得到的相关系数分别赋值给各层神经元对应相应变量的权系数ωij，ωij为位于第k-1层总第j个神经元到位于第k层总第i个神经元的权系数，其中i的序号范围对应从第2层到第m层的神经元，j的序号范围对应从第1层到第m-1层的神经元；各层神经元计算输出步骤S4，对于第k层总第i个神经元输出利用如下公式计算：其中j为第k-1层的总第j个神经元，k取值从第2层到第m层，式中θi是第i个神经元的偏倚；结果输出判断步骤S5，计算输出层输出值与电采暖负荷期望输出y之差的绝对值，如果该绝对值小于输出误差εy，或迭代次数超过itmax，则转向步骤S11，否则进入步骤S6；上下限判断步骤S6，通过将神经元输出值与神经元接近上限值的误差ε上或接近下限值的误差ε下进行比较判断神经元输出值是否接近其上下限值，如果是则进入步骤S9，否则进入步骤S7；神经元学习误差计算步骤S7，计算隐藏和输出层学习误差步骤，若该层为输出层，即k＝m，则第i个神经元学习误差y是电采暖负荷期望输出；若该层为隐藏层，即k≠m，则学习误差l为第k+1层的神经元的序号；基于学习误差的权系数修正步骤S8，根据学习误差修正权系数，令it＝it+1，然后转向步骤S10；随机修正...

【专利技术属性】
技术研发人员：周红莲，李娟，薛静杰，华东，张三春，周会宾，王燕，李忠政，郑伟东，任知猷，陈露锋，孙家文，李娴，李清，李光应，孔锦绣，罗攀，刘自发，王泽黎，
申请(专利权)人：国网新疆电力公司经济技术研究院，国家电网公司，华北电力大学，
类型：发明
国别省市：新疆,65