專利名稱：一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及電力技術(shù)領(lǐng)域，尤其是一種超短期區(qū)域負(fù)荷預(yù)測(cè)的方法。
背景技術(shù)：
電力行業(yè)標(biāo)準(zhǔn)DL/T 721-2000《配電網(wǎng)自動(dòng)化系統(tǒng)遠(yuǎn)方終端》對(duì)配電網(wǎng)自動(dòng)化系 統(tǒng)遠(yuǎn)方終端的定義為配電網(wǎng)自動(dòng)化系統(tǒng)遠(yuǎn)方終端是用于配電網(wǎng)配電回路的各種配電遠(yuǎn)方 終端、配電變壓器遠(yuǎn)方終端以及中壓監(jiān)控單元(配電自動(dòng)化及管理系統(tǒng)子站)等設(shè)備的統(tǒng) 稱。采用通信通道完成數(shù)據(jù)采集和遠(yuǎn)方控制等功能。神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元模型。神經(jīng)元模型是模擬生物神經(jīng)元的結(jié)構(gòu)和功能 的數(shù)學(xué)化模型，一般是一個(gè)多輸入單輸出非線性的信息處理單元。神經(jīng)網(wǎng)絡(luò)的基本形式有前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、相互結(jié)合型網(wǎng)絡(luò)和混合型網(wǎng)絡(luò)。應(yīng)用 較多的神經(jīng)網(wǎng)絡(luò)模型有Hopfield網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、Blotaman網(wǎng)絡(luò)、ART網(wǎng)絡(luò)。Hopfield網(wǎng)絡(luò) 是最典型的反饋網(wǎng)絡(luò)模型，主要用于制約優(yōu)化和聯(lián)想記憶。BP網(wǎng)絡(luò)是反向傳播網(wǎng)絡(luò)，它是一 種多層前向網(wǎng)絡(luò)，可用于語(yǔ)言識(shí)別和自適應(yīng)控制。Blotaman網(wǎng)絡(luò)是典型的隨機(jī)網(wǎng)絡(luò)模型，主 要用于模式識(shí)別。ART網(wǎng)絡(luò)是一種自組織網(wǎng)絡(luò)模型，主要用于模式識(shí)別。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法分為兩大類有教師學(xué)習(xí)和無教師學(xué)習(xí)。有教師學(xué)習(xí)是指在 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，始終存在一個(gè)期望的網(wǎng)絡(luò)輸出，期望輸出與實(shí)際輸出之間的距離作 為誤差度量并用于調(diào)整網(wǎng)絡(luò)連接權(quán)系數(shù)。無教師學(xué)習(xí)是指網(wǎng)絡(luò)不存在一個(gè)期望的輸出值， 因而沒有直接的誤差信息。負(fù)荷預(yù)測(cè)是根據(jù)系統(tǒng)的運(yùn)行特性、增容決策、自然條件與社會(huì)影響等諸多因數(shù)，研 究或利用一套系統(tǒng)地處理過去與未來負(fù)荷的數(shù)學(xué)方法，在滿足一定精度要求的條件下，確 定未來某特定時(shí)刻的負(fù)荷數(shù)據(jù)。負(fù)荷預(yù)測(cè)的數(shù)學(xué)理論的核心是如何獲得預(yù)測(cè)對(duì)象的歷史變 化規(guī)律及其受某些電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)調(diào)度、用電、計(jì)劃和規(guī)劃等管理部門的重 要工作之一。準(zhǔn)確的負(fù)荷預(yù)測(cè)，有利于經(jīng)濟(jì)、合理地安排電網(wǎng)內(nèi)部發(fā)電機(jī)組的啟停，保持電 網(wǎng)運(yùn)行的安全穩(wěn)定性，減少不必要的旋轉(zhuǎn)儲(chǔ)備容量；有利于用電管理，合理安排電網(wǎng)運(yùn)行方 式和機(jī)組檢修計(jì)劃，保證社會(huì)的正常生產(chǎn)和生活用電；有利于節(jié)煤、節(jié)油和降低發(fā)電成本， 提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益；有利于制定合理的電源建設(shè)規(guī)劃、決定未來新發(fā)電 機(jī)組的安裝及裝機(jī)容量的大小、時(shí)間和地點(diǎn)；有利于合理安排電網(wǎng)的增容和改建，并決定電 網(wǎng)的建設(shè)和發(fā)展。負(fù)荷預(yù)測(cè)問題涉及電力系統(tǒng)規(guī)劃和設(shè)計(jì)，電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性、可靠性 和安全性，電力市場(chǎng)交易等多個(gè)方面，已成為現(xiàn)代化電力系統(tǒng)運(yùn)行和管理中的一個(gè)重要研 究領(lǐng)域。負(fù)荷預(yù)測(cè)根據(jù)時(shí)間期限的不同可以分為超短期、短期、中期和長(zhǎng)期①超短期負(fù)荷 預(yù)測(cè)是指未來Ih以內(nèi)的負(fù)荷預(yù)測(cè)，在安全監(jiān)視狀態(tài)下，需要5 IOs或1 5min的預(yù)測(cè)值， 預(yù)防性控制和緊急狀態(tài)處理需要IOmin至Ih的預(yù)測(cè)值。②短期負(fù)荷預(yù)測(cè)是指日負(fù)荷預(yù)測(cè)和 周負(fù)荷預(yù)測(cè)，分別用于安排日調(diào)度計(jì)劃和周調(diào)度計(jì)劃，包括確定機(jī)組起停、水火電協(xié)調(diào)、聯(lián) 絡(luò)線交換功率、負(fù)荷經(jīng)濟(jì)分配、水庫(kù)調(diào)度和設(shè)備檢修等，對(duì)短期預(yù)測(cè)，需充分研究電網(wǎng)負(fù)荷變化規(guī)律，分析負(fù)荷變化相關(guān)因子，特別是天氣因素、日類型等和短期負(fù)荷變化的關(guān)系。③ 中期負(fù)荷預(yù)測(cè)是指月至年的負(fù)荷預(yù)測(cè)，主要是確定機(jī)組運(yùn)行方式和設(shè)備大修計(jì)劃等。④長(zhǎng) 期負(fù)荷預(yù)測(cè)是指未來3 5年甚至更長(zhǎng)時(shí)間段內(nèi)的負(fù)荷預(yù)測(cè)，主要是電網(wǎng)規(guī)劃部門根據(jù)國(guó) 民經(jīng)濟(jì)的發(fā)展和對(duì)電力負(fù)荷的需求，所作的電網(wǎng)改造和擴(kuò)建工作的遠(yuǎn)景規(guī)劃。對(duì)中、長(zhǎng)期負(fù) 荷預(yù)測(cè)，要特別研究國(guó)民經(jīng)濟(jì)發(fā)展、國(guó)家政策等的影響。超短期負(fù)荷預(yù)測(cè)將成為AGC(自動(dòng)發(fā)電控制)實(shí)用化的基礎(chǔ)，同時(shí)也是動(dòng)態(tài)經(jīng)濟(jì)調(diào) 度和電力市場(chǎng)運(yùn)行所需的基本信息。超短期負(fù)荷預(yù)測(cè)的特點(diǎn)是在線運(yùn)行，并將獲取的最新 負(fù)荷信息用于預(yù)測(cè)下一時(shí)刻的負(fù)荷。超短期負(fù)荷預(yù)測(cè)周期短，要求預(yù)測(cè)方法的計(jì)算速度非 ?？?，同時(shí)一般都不考慮氣象條件的影響，因?yàn)橄鄬?duì)于超短期負(fù)荷預(yù)測(cè)的時(shí)間間隔而言，氣 象變化不明顯。而與系統(tǒng)負(fù)荷預(yù)測(cè)相比，區(qū)域負(fù)荷預(yù)測(cè)有如下特點(diǎn)1、預(yù)測(cè)基數(shù)比較小，這是因?yàn)槟妇€負(fù)荷遠(yuǎn)遠(yuǎn)小于系統(tǒng)負(fù)荷；2、由于供電區(qū)域內(nèi)用戶比較固定，因此母線負(fù)荷的用電結(jié)構(gòu)比較簡(jiǎn)單和穩(wěn)定；3、由于供電區(qū)域內(nèi)用戶行為的影響，母線負(fù)荷容易產(chǎn)生突變，穩(wěn)定性比較差，有較 多毛刺；4、所積累的數(shù)據(jù)不精確，且常常含有誤差較大的離群值；5、受氣象因素的影響可能比較大；6、負(fù)荷變化的趨勢(shì)性不明顯；7、不同母線之間的負(fù)荷曲線差異比較大。現(xiàn)在的負(fù)荷預(yù)測(cè)主要是在主站進(jìn)行系統(tǒng)負(fù)荷預(yù)測(cè)。隨著電網(wǎng)規(guī)模的擴(kuò)大和電網(wǎng)結(jié) 構(gòu)復(fù)雜程度的增加，主站處理的數(shù)據(jù)急劇增加，超短期負(fù)荷預(yù)測(cè)周期短，要求計(jì)算速度非常 快，對(duì)主站造成很大的負(fù)擔(dān)。同時(shí)負(fù)荷預(yù)測(cè)的影響因素眾多，很難用同一模型對(duì)不同區(qū)域的 負(fù)荷做出較為準(zhǔn)確的預(yù)測(cè)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù) 荷預(yù)測(cè)的方法，克服超短期負(fù)荷預(yù)測(cè)實(shí)時(shí)性與大數(shù)據(jù)量造成主站負(fù)擔(dān)，以及很難用同一模 型對(duì)不同區(qū)域的負(fù)荷做出較為準(zhǔn)確的預(yù)測(cè)的問題。為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案是一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法，其特征在于包括以 下步驟(a)構(gòu)造配網(wǎng)終端神經(jīng)網(wǎng)絡(luò)程序的輸入向量和輸出向量；(b)根據(jù)配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型初始化神經(jīng)網(wǎng)絡(luò)；(c)利用配網(wǎng)終端記錄的歷史負(fù)荷數(shù)據(jù)得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；(d)利用訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(e)在配網(wǎng)終端利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)程序進(jìn)行負(fù)荷預(yù)測(cè)。作為改進(jìn)，所述步驟(a)中，選取配網(wǎng)終端所在區(qū)域的同一日期類型的前兩天、前 一天的前五時(shí)刻、前一天的前兩時(shí)刻、前一天的前一時(shí)刻、前一天的當(dāng)前時(shí)刻以及當(dāng)天的前 五時(shí)刻、當(dāng)天的前兩時(shí)刻、當(dāng)天的前一時(shí)刻的負(fù)荷數(shù)據(jù)作為輸入向量，選取當(dāng)天的當(dāng)前時(shí)刻
4負(fù)荷作為輸出向量。作為改進(jìn)，所述步驟(b)中，根據(jù)區(qū)域負(fù)荷類型確定終端的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括隱 含層數(shù)量，隱含層節(jié)點(diǎn)個(gè)數(shù)；根據(jù)區(qū)域負(fù)荷類型確定終端的神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。作為改進(jìn)，所述步驟(C)中，根據(jù)配網(wǎng)終端所在饋線段的區(qū)域歷史負(fù)荷數(shù)據(jù)得到 訓(xùn)練樣本與學(xué)習(xí)樣本對(duì)照，并將樣本數(shù)據(jù)進(jìn)行歸一化處理。作為改進(jìn)，所述步驟(d)包括以下步驟(dl)對(duì)誤差指標(biāo)賦值；(d2)輸入訓(xùn)練樣本，計(jì)算中間層、輸出層各神經(jīng)元輸出；(d3)計(jì)算期望輸出與實(shí)際輸出誤差；(d4)反向傳遞誤差，調(diào)整中間層與輸入層以及輸出層與中間層的連接權(quán)值；(d5)誤差滿足要求就結(jié)束訓(xùn)練，誤差不滿足要求就重復(fù)訓(xùn)練。作為改進(jìn)，所述步驟 (e)包括以下步驟(el)配網(wǎng)終端記錄所在饋線段的區(qū)域負(fù)荷數(shù)據(jù)；(e2)將當(dāng)前負(fù)荷及歷史負(fù)荷數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)；(e3)通過神經(jīng)網(wǎng)絡(luò)程序得出下一時(shí)刻負(fù)荷；(e4)將下一時(shí)刻負(fù)荷及歷史負(fù)荷數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)；(e5)更新負(fù)荷曲線。本發(fā)明與現(xiàn)有技術(shù)相比所帶來的有益效果是本發(fā)明在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期負(fù)荷預(yù)測(cè)，主要目標(biāo)是預(yù)測(cè)配網(wǎng)終端所在 饋線段的區(qū)域負(fù)荷，負(fù)荷的用電結(jié)構(gòu)比較簡(jiǎn)單和穩(wěn)定，同時(shí)是進(jìn)行超短期負(fù)荷預(yù)測(cè)，所以在 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)輸入選取前兩天、前一天的前五時(shí)刻、前兩時(shí)刻、前一時(shí)刻、當(dāng)前時(shí)刻以及 當(dāng)天的前五時(shí)刻、前兩時(shí)刻、前一時(shí)刻的負(fù)荷數(shù)據(jù)，時(shí)間間隔為3min?？紤]不同日期類型對(duì) 負(fù)荷的影響，可將日期分為工作日和休息日。工作日指正常的星期一至星期五，休息日指星 期六、星期日和節(jié)假日。同時(shí)針對(duì)不同配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型，可將其分 為商業(yè)區(qū)、工業(yè)區(qū)、居民區(qū)等。


圖1為本發(fā)明預(yù)測(cè)方法的步驟流程圖；圖2為本發(fā)明步驟d神經(jīng)網(wǎng)絡(luò)程序訓(xùn)練流程圖；圖3為本發(fā)明配網(wǎng)終端進(jìn)行負(fù)荷預(yù)測(cè)流程圖。
具體實(shí)施例方式下面結(jié)合說明書附圖對(duì)本發(fā)明作進(jìn)一步說明。如圖1所示，作為本發(fā)明的一個(gè)實(shí)施例，配網(wǎng)終端在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)輸入向量選 取前兩天、前一天的前五時(shí)刻、前一天的前兩時(shí)刻、前一天的前一時(shí)刻、前一天的當(dāng)前時(shí)刻 以及當(dāng)天的前五時(shí)刻、當(dāng)天的前兩時(shí)刻、當(dāng)天的前一時(shí)刻的負(fù)荷數(shù)據(jù)，時(shí)間間隔為3min。輸 出向量為當(dāng)天當(dāng)前時(shí)刻負(fù)荷值。超短期負(fù)荷預(yù)測(cè)以3min為時(shí)間間隔，預(yù)測(cè)Ih的區(qū)域負(fù)荷。 將日期類型分為工作日和休息日，工作日指正常的星期一至星期五，休息日指星期六、星期 日和節(jié)假日。同時(shí)針對(duì)不同配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型，可將其分為商業(yè)區(qū)、工業(yè)區(qū)、居民區(qū)等。如圖2所示，本發(fā)明可采用BP神經(jīng)網(wǎng)絡(luò)，基于誤差傳遞算法，須通過訓(xùn)練樣本得出 輸出層誤差，通過每層的誤差傳遞調(diào)整神經(jīng)網(wǎng)絡(luò)，改變輸出誤差，以使輸出誤差小于給定誤 差指標(biāo)。訓(xùn)練神經(jīng)網(wǎng)絡(luò)程序時(shí)，程序中設(shè)定的中間層節(jié)點(diǎn)數(shù)以及學(xué)習(xí)速率都會(huì)影響網(wǎng)絡(luò)收 斂速度，即對(duì)訓(xùn)練次數(shù)造成影響。若中間層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)可能根本不能訓(xùn)練或網(wǎng)絡(luò)性 能很差；若中間層節(jié)點(diǎn)數(shù)太多，雖然可使網(wǎng)絡(luò)的系統(tǒng)誤差減小，但一方面使網(wǎng)絡(luò)訓(xùn)練時(shí)間延 長(zhǎng)，另一方面，訓(xùn)練容易陷入局部極小點(diǎn)而得不到最優(yōu)點(diǎn)，也容易出現(xiàn)“過擬合”。學(xué)習(xí)速率 在0和1之間取值，取值較大容易使網(wǎng)絡(luò)不穩(wěn)定，取值較小會(huì)使訓(xùn)練時(shí)間過長(zhǎng)。神經(jīng)網(wǎng)絡(luò)程序初始化時(shí)，先確定配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型，如商 業(yè)區(qū)、工業(yè)區(qū)、居民區(qū)等，再根據(jù)區(qū)域負(fù)荷類型確定終端的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括隱含層數(shù)量， 隱含層節(jié)點(diǎn)個(gè)數(shù)，最后根據(jù)區(qū)域負(fù)荷類型確定終端的神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練樣本來自于配網(wǎng)終端所在饋線段的歷史區(qū)域負(fù)荷數(shù)據(jù)，得出 訓(xùn)練樣本后需要對(duì)將樣本數(shù)據(jù)進(jìn)行歸一化處理。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，是一種誤差反向傳播網(wǎng)絡(luò)。其基本思想 是最小二乘法，采用梯度搜索技術(shù)，以使網(wǎng)絡(luò)的實(shí)際輸出值與期望值的均方誤差最小。輸入 層輸入前兩天、前一天的前五時(shí)刻、前一天的前兩時(shí)刻、前一天的前一時(shí)刻、前一天的當(dāng)前 時(shí)刻以及當(dāng)天的前五時(shí)刻、當(dāng)天的前兩時(shí)刻、當(dāng)天的前一時(shí)刻負(fù)荷數(shù)據(jù)，中間層與輸入層的 初始連接權(quán)值根據(jù)終端的區(qū)域負(fù)荷類型得出，中間層的節(jié)點(diǎn)是輸入層節(jié)點(diǎn)輸出的加權(quán)和， 節(jié)點(diǎn)的激發(fā)函數(shù)采用S(Sigmoid)型函數(shù)。輸出層的節(jié)點(diǎn)的輸入是中間層節(jié)點(diǎn)輸出的加權(quán)和，輸出層與中間層的初始連接權(quán) 值通過終端的區(qū)域負(fù)荷類型得出。將輸出層的輸出結(jié)果即當(dāng)天當(dāng)前時(shí)刻負(fù)荷與教師樣本的 期望輸出作比較，如不符合則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來的連接通路返回，通過修改 各層神經(jīng)元的加權(quán)系數(shù)，使輸出層節(jié)點(diǎn)上得到的輸出結(jié)果即各配網(wǎng)終端所在的開關(guān)及斷路 器分合狀態(tài)與期望輸出之間的誤差信號(hào)最小。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)取學(xué)習(xí)指標(biāo)函數(shù)
式中，yd(t)是當(dāng)前時(shí)刻的期望系統(tǒng)輸出；y(t)是當(dāng)前神經(jīng)網(wǎng)絡(luò)實(shí)際輸出。對(duì)于每一個(gè)樣本數(shù)據(jù)對(duì)，從輸入節(jié)點(diǎn)開始通過前向傳播計(jì)算出各節(jié)點(diǎn)的輸出值， 然后再?gòu)妮敵龉?jié)點(diǎn)開始使用反向傳播計(jì)算出所有隱含節(jié)點(diǎn)的偏導(dǎo)數(shù)，廣義學(xué)習(xí)規(guī)則為Awoz-de/dww(t +1) = w{t) + η (-de / dw)式中η為學(xué)習(xí)速率
學(xué)習(xí)時(shí)先計(jì)算輸出層廣義誤差，然后通過輸出層廣義誤差計(jì)算反饋誤差和調(diào)整輸 出層權(quán)系數(shù)，再通過反饋誤差調(diào)整輸入層權(quán)系數(shù)。當(dāng)一個(gè)樣本完成網(wǎng)絡(luò)加權(quán)系數(shù)調(diào)整后，再送入另一樣本模式對(duì)，進(jìn)行類似學(xué)習(xí)，直 到完成所有樣本的訓(xùn)練學(xué)習(xí)。
樣本的訓(xùn)練學(xué)習(xí)完成后計(jì)算神經(jīng)網(wǎng)絡(luò)程序輸出誤差，并與設(shè)定的誤差作比較，如 果小于設(shè)定誤差則保存神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)值，退出訓(xùn)練。如果輸出誤差大于設(shè)定誤差則繼 續(xù)對(duì)全體樣本進(jìn)行訓(xùn)練。如圖3所示，配網(wǎng)終端采集當(dāng)前時(shí)刻的終端所在饋線段區(qū)域負(fù)荷，然后再在記錄 的歷史負(fù)荷數(shù)據(jù)中選取前兩天、前一天的前四時(shí)刻、前一天的前一時(shí)刻、前一天的當(dāng)前時(shí) 刻、前一天的后一時(shí)刻以及當(dāng)天的前四時(shí)刻、當(dāng)天的前一時(shí)刻的負(fù)荷數(shù)據(jù)，一起作為神經(jīng)網(wǎng) 絡(luò)程序的輸入，時(shí)間間隔為3min。配網(wǎng)終端通過神經(jīng)網(wǎng)絡(luò)得出下一時(shí)刻的預(yù)測(cè)負(fù)荷數(shù)據(jù)，再將預(yù)測(cè)負(fù)荷數(shù)據(jù)及相關(guān) 歷史負(fù)荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入。超短期負(fù)荷預(yù)測(cè)以3min為時(shí)間間隔，預(yù)測(cè)將來Ih的負(fù) 荷。配網(wǎng)終端在線實(shí)時(shí)采集當(dāng)前時(shí)刻區(qū)域負(fù)荷數(shù)據(jù)來更新負(fù)荷預(yù)測(cè)曲線。本發(fā)明在配網(wǎng)終端中用神經(jīng)網(wǎng)絡(luò)程序來處理超短期區(qū)域負(fù)荷預(yù)測(cè)，克服了超短期 負(fù)荷預(yù)測(cè)實(shí)時(shí)性與大數(shù)據(jù)量造成主站負(fù)擔(dān)過重，以及很難用同一模型對(duì)不同區(qū)域的負(fù)荷做 出較為準(zhǔn)確的預(yù)測(cè)的問題。通過區(qū)分配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型，在配網(wǎng)終 端中選取對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始值，實(shí)現(xiàn)了分布式的負(fù)荷預(yù)測(cè)，提高了預(yù)測(cè)準(zhǔn)確度。
權(quán)利要求
一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法，其特征在于包括以下步驟(a)構(gòu)造配網(wǎng)終端神經(jīng)網(wǎng)絡(luò)程序的輸入向量和輸出向量；(b)根據(jù)配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型初始化神經(jīng)網(wǎng)絡(luò)；(c)利用配網(wǎng)終端記錄的歷史負(fù)荷數(shù)據(jù)得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；(d)利用訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(e)在配網(wǎng)終端利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)程序進(jìn)行負(fù)荷預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法， 其特征在于所述步驟(a)中，選取配網(wǎng)終端所在區(qū)域的同一日期類型的前兩天、前一天 的前五時(shí)刻、前一天的前兩時(shí)刻、前一天的前一時(shí)刻、前一天的當(dāng)前時(shí)刻以及當(dāng)天的前五時(shí) 刻、當(dāng)天的前兩時(shí)刻、當(dāng)天的前一時(shí)刻的負(fù)荷數(shù)據(jù)作為輸入向量，選取當(dāng)天的當(dāng)前時(shí)刻負(fù)荷 作為輸出向量。
3.根據(jù)權(quán)利要求1所述的一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法， 其特征在于所述步驟(b)中，根據(jù)區(qū)域負(fù)荷類型確定終端的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括隱含層數(shù) 量，隱含層節(jié)點(diǎn)個(gè)數(shù)；根據(jù)區(qū)域負(fù)荷類型確定終端的神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。
4.根據(jù)權(quán)利要求1所述的一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法， 其特征在于所述步驟(c)中，根據(jù)配網(wǎng)終端所在饋線段的區(qū)域歷史負(fù)荷數(shù)據(jù)得到訓(xùn)練樣 本與學(xué)習(xí)樣本對(duì)照，并將樣本數(shù)據(jù)進(jìn)行歸一化處理。
5.根據(jù)權(quán)利要求1所述的一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法， 其特征在于所述步驟(d)包括以下步驟(dl)對(duì)誤差指標(biāo)賦值；(d2)輸入訓(xùn)練樣本，計(jì)算中間層、輸出層各神經(jīng)元輸出； (d3)計(jì)算期望輸出與實(shí)際輸出誤差；(d4)反向傳遞誤差，調(diào)整中間層與輸入層以及輸出層與中間層的連接權(quán)值； (d5)誤差滿足要求就結(jié)束訓(xùn)練，誤差不滿足要求就重復(fù)訓(xùn)練。
6.根據(jù)權(quán)利要求1所述的一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法， 其特征在于所述步驟(e)包括以下步驟(el)配網(wǎng)終端記錄所在饋線段的區(qū)域負(fù)荷數(shù)據(jù)； (e2)將當(dāng)前負(fù)荷及歷史負(fù)荷數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)； (e3)通過神經(jīng)網(wǎng)絡(luò)程序得出下一時(shí)刻負(fù)荷； (e4)將下一時(shí)刻負(fù)荷及歷史負(fù)荷數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)； (e5)更新負(fù)荷曲線。
全文摘要
一種在配網(wǎng)終端中實(shí)現(xiàn)分布式超短期區(qū)域負(fù)荷預(yù)測(cè)的方法，包括如下步驟(a)構(gòu)造配網(wǎng)終端神經(jīng)網(wǎng)絡(luò)程序的輸入向量和輸出向量；(b)根據(jù)配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型初始化神經(jīng)網(wǎng)絡(luò)；(c)用歷史負(fù)荷數(shù)據(jù)得到訓(xùn)練樣本；(d)用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；(e)用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)程序得出超短期區(qū)域負(fù)荷曲線。本發(fā)明利用神經(jīng)網(wǎng)絡(luò)輸入與輸出之間的非線性映射關(guān)系，以及自適應(yīng)自學(xué)習(xí)能力，通過區(qū)分配網(wǎng)終端所在饋線段的不同區(qū)域負(fù)荷類型，在配網(wǎng)終端中選取對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始值，實(shí)現(xiàn)了分布式的負(fù)荷預(yù)測(cè)，提高了預(yù)測(cè)準(zhǔn)確度。
文檔編號(hào)G06N3/08GK101888087SQ20101018664
公開日2010年11月17日 申請(qǐng)日期2010年5月21日 優(yōu)先權(quán)日2010年5月21日
發(fā)明者劉研, 崔豐曦 申請(qǐng)人:深圳市科陸電子科技股份有限公司