一种基于BP神经网络的玻璃工厂电力预测方法及系统技术方案

本发明专利技术提供一种基于BP神经网络的玻璃工厂电力预测方法及系统，包括：获取预测日前的历史用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，作为训练样本；将训练样本输入BP神经网络，并对BP神经网络进行优化，得到优化后的BP神经网络模型；提取预测日前一天的用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，并输入至优化后的BP神经网络模型中，预测得到预测日的用电负荷。有益效果：本发明专利技术基于BP神经网络对玻璃工厂的用电负荷进行精确预测，以便于根据精确的用电负荷预测值确定对上级电网的用电需求，在玻璃工厂负荷增大时降低对电网的冲击，在玻璃工厂负荷减小时减少对电力资源的浪费，实现节能减排。实现节能减排。实现节能减排。

【技术实现步骤摘要】
一种基于BP神经网络的玻璃工厂电力预测方法及系统


[0001]本专利技术涉及电力预测
，尤其涉及一种基于BP神经网络的玻璃工厂电力预测方法及系统。

技术介绍

[0002]BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。BP神经网络采用监督学习的方式，误差反向传播进行学习，其结构具有一层或多层隐藏层，包含输入层、隐藏层和输出层。其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，对于只含一个隐层的神经网络模型：BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐藏层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐藏层，最后到输入层，依次调节隐藏层到输出层的权重和偏置，输入层到隐藏层的权重和偏置。
[0003]目前，玻璃工厂在申请全厂用电容量时一般都是根据已有经验对全厂用电负荷进行计算，然而玻璃工厂的用电负荷会随着工况不同而出现差异，例如天气温度、生产玻璃的薄厚、窑温等因素。在进行经验计算时通常是将用电负荷最大的一种工况作为申请用电容量的依据，这往往会高出实际用电需求。如果当前电网根据申请的用电容量进行负荷分配，而实际生产并未处于用电负荷最大工况的场景下，就会造成电力资源的浪费，不利于节能减排。

技术实现思路

[0004]为了解决以上技术问题，本专利技术提供了一种基于BP神经网络的玻璃工厂电力预测方法及系统。
[0005]本专利技术所解决的技术问题可以采用以下技术方案实现：
[0006]一种基于BP神经网络的玻璃工厂电力预测方法，包括：
[0007]获取预测日前的历史用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，作为训练样本；
[0008]将所述训练样本输入所述BP神经网络，并对所述BP神经网络进行优化，得到优化后的BP神经网络模型；
[0009]提取预测日前一天的用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，并输入至优化后的所述BP神经网络模型中，预测得到所述预测日的用电负荷。
[0010]优选地，所述将所述训练样本输入所述BP神经网络，并对所述BP神经网络进行优化，具体包括：
[0011]对所述训练样本进行归一化处理，并将归一化处理后的所述训练样本输入至所述BP神经网络的输入层；
[0012]计算所述BP神经网络的前级节点对后级节点的权重和以及所述后级节点的输出，直至计算得到BP神经网络输出层的输出；
[0013]计算所述BP神经网络输出层的输出误差；
[0014]根据所述输出误差进行前向传播，调整所述前级节点对所述后级节点的权重，直至调整完所述BP神经网络输入层的权重。
[0015]优选地，所述计算所述BP神经网络的前级节点对后级节点的权重以及所述后级节点的输出，具体包括：
[0016]计算所述BP神经网络的各输入节点对各中间节点的权重和；
[0017]计算各所述中间节点的输出；
[0018]计算各所述中间节点对各输出节点的权重和；
[0019]计算各所述输出节点的输出。
[0020]优选地，所述BP神经网络隐藏层采用S型正切传递函数，输出层采用S型对数传递函数。
[0021]优选地，所述BP神经网络模块至少包括原料车间负荷预测模型、公用工程负荷预测模型、联合生产车间负荷预测模型、深加工联合车间负荷预测模型；
[0022]还包括：根据所述原料车间负荷预测模型、所述公用工程负荷预测模型、所述联合生产车间负荷预测模型、所述深加工联合车间负荷预测模型各自预测值进行加和，得到所述玻璃工厂的总用电负荷，作为所述预测日的用电负荷。
[0023]本专利技术还提供一种基于BP神经网络的玻璃工厂电力预测系统，其特征在于，用于实施如上述的基于BP神经网络的玻璃工厂电力预测方法，包括：
[0024]获取单元，用于获取预测日前的历史用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，作为训练样本；
[0025]优化训练单元，连接所述获取单元，用于将所述训练样本输入所述BP神经网络，并对所述BP神经网络进行优化，得到优化后的BP神经网络模型；
[0026]预测单元，连接所述优化训练单元，用于提取预测日前一天的用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，并输入至优化后的所述BP神经网络模型中，预测得到所述预测日的用电负荷。
[0027]优选地，所述优化训练单元具体包括：
[0028]归一化处理模块，用于对所述训练样本进行归一化处理，并将归一化处理后的所述训练样本输入至所述BP神经网络的输入层；
[0029]第一计算模块，连接所述归一化处理模块，用于计算所述BP神经网络的前级节点对后级节点的权重和以及所述后级节点的输出，直至计算得到所述BP神经网络输出层的输出；
[0030]第二计算模块，连接所述第一计算模块，用于计算所述BP神经网络输出层的输出误差；
[0031]调整模块，连接所述第二计算模块，用于根据所述输出误差进行前向传播，调整所述前级节点对所述后级节点的权重，直至调整完所述BP神经网络输入层的权重。
[0032]优选地，所述第一计算模块具体包括：
[0033]第一权重计算子模块，用于计算所述BP神经网络的各输入节点对各中间节点的权重和；
[0034]第一输出计算子模块，连接所述第一权重计算子模块，用于计算各所述中间节点
的输出；
[0035]第二权重计算子模块，连接所述第一输出计算子模块，用于计算各所述中间节点对各输出节点的权重和；
[0036]第二输出计算子模块，连接所述第二权重计算子模块，用于计算各所述输出节点的输出。
[0037]优选地，所述BP神经网络隐藏层采用S型正切传递函数，输出层采用S型对数传递函数。
[0038]优选地，所述BP神经网络模块至少包括原料车间负荷预测模型、公用工程负荷预测模型、联合生产车间负荷预测模型、深加工联合车间负荷预测模型；
[0039]所述预测单元用于根据所述原料车间负荷预测模型、所述公用工程负荷预测模型、所述联合生产车间负荷预测模型、所述深加工联合车间负荷预测模型各自预测值进行加和，得到所述玻璃工厂的总用电负荷。
[0040]本专利技术技术方案的优点或有益效果在于：
[0041]本专利技术基于BP神经网络对玻璃工厂的用电负荷进行精确预测，以便于根据精确的用电负荷预测值确定对上级电网的用电需求，在玻璃工厂负荷增大时降低对电网的冲击，在玻璃工厂负荷减小时减少对电力资源的浪费，实现节能减排，有利于提高电力系统的经济效益和社会效益。
附图说明
[0042]图1为本专利技术较佳实施例中，基于BP神经网络的玻璃工厂电力预测方法的流程示意图；
[0043]图2为本专利技术较佳实施例中，S2具体实施的流程示意图；
[0044]图3为本专利技术较佳实施例中，S22具体实施的流程示意图。...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的玻璃工厂电力预测方法，其特征在于，包括：获取预测日前的历史用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，作为训练样本；将所述训练样本输入所述BP神经网络，并对所述BP神经网络进行优化，得到优化后的BP神经网络模型；提取预测日前一天的用电负荷数据和温度、湿度以及玻璃产品的薄厚和窑温，并输入至优化后的所述BP神经网络模型中，预测得到所述预测日的用电负荷。2.根据权利要求1所述的基于BP神经网络的玻璃工厂电力预测方法，其特征在于，所述将所述训练样本输入所述BP神经网络，并对所述BP神经网络进行优化，具体包括：对所述训练样本进行归一化处理，并将归一化处理后的所述训练样本输入至所述BP神经网络的输入层；计算所述BP神经网络的前级节点对后级节点的权重和以及所述后级节点的输出，直至计算得到BP神经网络输出层的输出；计算所述BP神经网络输出层的输出误差；根据所述输出误差进行前向传播，调整所述前级节点对所述后级节点的权重，直至调整完所述BP神经网络输入层的权重。3.根据权利要求2所述的基于BP神经网络的玻璃工厂电力预测方法，其特征在于，所述计算所述BP神经网络的前级节点对后级节点的权重以及所述后级节点的输出，具体包括：计算所述BP神经网络的各输入节点对各中间节点的权重和；计算各所述中间节点的输出；计算各所述中间节点对各输出节点的权重和；计算各所述输出节点的输出。4.根据权利要求1所述的基于BP神经网络的玻璃工厂电力预测方法，其特征在于，所述BP神经网络隐藏层采用S型正切传递函数，输出层采用S型对数传递函数。5.根据权利要求1所述的基于BP神经网络的玻璃工厂电力预测方法，其特征在于，所述BP神经网络模块至少包括原料车间负荷预测模型、公用工程负荷预测模型、联合生产车间负荷预测模型、深加工联合车间负荷预测模型；还包括：根据所述原料车间负荷预测模型、所述公用工程负荷预测模型、所述联合生产车间负荷预测模型、所述深加工联合车间负荷预测模型各自预测值进行加和，得到所述玻璃工厂的总用电负荷，作为所述预测日的用电负荷。6.一种基于BP神经网络的玻璃工厂电力预测系统，其特征在于，用于实施如权利要求1
‑
5任意一项所述的基于BP神经网络的玻璃工厂电力预测方法，包括：获取单元，用于获取预测日前的历史用...

【专利技术属性】
技术研发人员：曹天行，江龙跃，刘尧龙，张卫，冯晓雅，李燕红，
申请(专利权)人：中国建材国际工程集团有限公司，
类型：发明
国别省市：