本發(fā)明涉及電網(wǎng)電力市場(chǎng)分析與研究應(yīng)用領(lǐng)域，具體涉及的是一種電力市場(chǎng)交易環(huán)境下的大工業(yè)客戶電力負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

電力負(fù)荷預(yù)測(cè)是電力市場(chǎng)分析與預(yù)測(cè)的核心內(nèi)容之一。目前，電力負(fù)荷預(yù)測(cè)主要有兩大類型：傳統(tǒng)方法，如時(shí)間序列分析法、回歸分析法、灰色預(yù)測(cè)方法等；新興方法，則包括模糊預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)、小波分析法及組合預(yù)測(cè)方法等。伴隨電力市場(chǎng)化交易進(jìn)程加快，傳統(tǒng)的電力統(tǒng)購(gòu)統(tǒng)銷轉(zhuǎn)變?yōu)楣┣箅p方直接交易加政府確定公益性調(diào)節(jié)性電量的模式，在此環(huán)境下，電力產(chǎn)品的生產(chǎn)與消費(fèi)方式發(fā)生了根本性變化，現(xiàn)有的預(yù)測(cè)方法的研究假設(shè)前提也發(fā)生了本質(zhì)改變，需要對(duì)電力市場(chǎng)自身的規(guī)律性與交易機(jī)制展開深層次分析，以產(chǎn)業(yè)和行業(yè)電量為切入點(diǎn)，挖掘行業(yè)大工業(yè)客戶的電量消費(fèi)與電力負(fù)荷變化的內(nèi)在因素，實(shí)現(xiàn)市場(chǎng)交易環(huán)境下的行業(yè)客戶電力負(fù)荷準(zhǔn)確預(yù)測(cè)，提升電網(wǎng)生產(chǎn)調(diào)度與規(guī)劃的科學(xué)決策水平，避免資源的浪費(fèi)，從而提高電力系統(tǒng)的經(jīng)濟(jì)性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供電力市場(chǎng)交易環(huán)境下的大工業(yè)客戶電力負(fù)荷預(yù)測(cè)方法，把影響行業(yè)客戶電量消費(fèi)與負(fù)荷變動(dòng)的市場(chǎng)因素納入預(yù)測(cè)研究之中，以克服現(xiàn)有技術(shù)的不足，準(zhǔn)確合理預(yù)測(cè)參與電力市場(chǎng)交易的行業(yè)大工業(yè)客戶的電力負(fù)荷特性，為電力市場(chǎng)管理與電網(wǎng)規(guī)劃部門提供決策依據(jù)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

電力市場(chǎng)交易環(huán)境下的大工業(yè)客戶電力負(fù)荷預(yù)測(cè)方法，以行業(yè)電量為切入點(diǎn)，提取出電量占比具有代表性的行業(yè)，分別建立不同行業(yè)的電量預(yù)測(cè)模型，綜合各行業(yè)電量預(yù)測(cè)模型，得到大工業(yè)客戶電量預(yù)測(cè)模型，其中每個(gè)行業(yè)的電量預(yù)測(cè)模型的建立，均包括以下步驟：

步驟一、建立行業(yè)產(chǎn)量和行業(yè)電量的關(guān)聯(lián)模型；

步驟二、分析行業(yè)與上、下游產(chǎn)業(yè)之間以及產(chǎn)業(yè)鏈之間的關(guān)聯(lián)性得出行業(yè)產(chǎn)量變化的影響因素；

步驟三、根據(jù)行業(yè)周期的發(fā)展特性、行業(yè)景氣指數(shù)和價(jià)格行情監(jiān)測(cè)，建立產(chǎn)品售價(jià)和行業(yè)產(chǎn)量關(guān)聯(lián)模型；

步驟四、電力市場(chǎng)環(huán)境下電價(jià)是不斷波動(dòng)變化的，同時(shí)考慮到季節(jié)性對(duì)電力的供需的影響，建立電價(jià)-行業(yè)產(chǎn)量關(guān)聯(lián)模型；

步驟五、結(jié)合基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，訓(xùn)練RBFNN建立行業(yè)電量預(yù)測(cè)模型。

其中，基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，建立行業(yè)電量預(yù)測(cè)模型包括以下步驟：

(1)對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化：設(shè)定隱含層和輸出層神經(jīng)元個(gè)數(shù)p和q，利用隨機(jī)數(shù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行初始賦值，確定迭代終止精度ε或迭代最大次數(shù)N，置迭代次數(shù)n＝1；

(2)計(jì)算隱含層和輸出層神經(jīng)元的輸出；

(3)計(jì)算網(wǎng)絡(luò)輸出的均方根誤差：RMS≤ε，則訓(xùn)練結(jié)束；否則，轉(zhuǎn)到步驟(4)；

(4)迭代計(jì)算，調(diào)節(jié)權(quán)重、中心和寬度參數(shù)；

其中下降搜索方向分別為

其中偏導(dǎo)數(shù)分別為

(5)若n≥N，則訓(xùn)練結(jié)束；否則，n＝n+1，返回步驟(2)。

有益效果：本發(fā)明提供的電力市場(chǎng)交易環(huán)境下的大工業(yè)客戶電力負(fù)荷預(yù)測(cè)方法，以產(chǎn)業(yè)和行業(yè)電量為切入點(diǎn)，分析提取電量占比具有代表性的行業(yè)，首先基于產(chǎn)業(yè)鏈的視角分析上、下游行業(yè)之間以及產(chǎn)業(yè)鏈之間的關(guān)聯(lián)性和行業(yè)因素對(duì)電量消費(fèi)與負(fù)荷的影響，然后融入季節(jié)特性對(duì)電量負(fù)荷的影響，對(duì)比分析參與電力市場(chǎng)交易前后的行業(yè)客戶用電特征與電價(jià)-負(fù)荷相應(yīng)特征，提取出影響電力負(fù)荷的市場(chǎng)因素，最終基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，訓(xùn)練RBFNN建立行業(yè)電量預(yù)測(cè)模型，將電力交易市場(chǎng)和預(yù)測(cè)技術(shù)進(jìn)行有效結(jié)合，提升參與電力市場(chǎng)交易的行業(yè)大工業(yè)客戶的電力負(fù)荷預(yù)測(cè)的精度。

附圖說明

圖1是大工業(yè)客戶分行業(yè)提取模型的示意圖；

圖2是行業(yè)電量預(yù)測(cè)模型；

圖3是基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步說明：

請(qǐng)參照?qǐng)D1，電力市場(chǎng)交易環(huán)境下的大工業(yè)客戶電力負(fù)荷預(yù)測(cè)方法，以行業(yè)電量為切入點(diǎn)，提取出電量占比具有代表性的行業(yè)，分別建立不同行業(yè)的電量預(yù)測(cè)模型，綜合各行業(yè)電量預(yù)測(cè)模型，得到大工業(yè)客戶電量預(yù)測(cè)模型。

請(qǐng)參照?qǐng)D2，每個(gè)行業(yè)的電量預(yù)測(cè)模型的建立，均包括以下步驟：

步驟一、建立行業(yè)產(chǎn)量和行業(yè)電量的關(guān)聯(lián)模型；

步驟二、分析行業(yè)與上、下游產(chǎn)業(yè)之間以及產(chǎn)業(yè)鏈之間的關(guān)聯(lián)性得出行業(yè)產(chǎn)量變化的影響因素；

步驟三、根據(jù)行業(yè)周期的發(fā)展特性、行業(yè)景氣指數(shù)和價(jià)格行情監(jiān)測(cè)，建立產(chǎn)品售價(jià)和行業(yè)產(chǎn)量關(guān)聯(lián)模型；

步驟四、電力市場(chǎng)環(huán)境下電價(jià)是不斷波動(dòng)變化的，同時(shí)考慮到季節(jié)性對(duì)電力的供需的影響，建立電價(jià)-行業(yè)產(chǎn)量關(guān)聯(lián)模型；

步驟五、結(jié)合基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，訓(xùn)練RBFNN建立行業(yè)電量預(yù)測(cè)模型。

具體的數(shù)據(jù)處理為：取歷史負(fù)荷數(shù)據(jù)、電價(jià)數(shù)據(jù)、產(chǎn)品售價(jià)、行業(yè)產(chǎn)量等歷史數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，將歷史數(shù)據(jù)分別隨機(jī)分為大致均勻的6份，選擇其中5份作為訓(xùn)練數(shù)據(jù)，一份作為測(cè)試數(shù)據(jù)。

請(qǐng)參照?qǐng)D3，利用改進(jìn)的基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練，建立對(duì)應(yīng)的各行業(yè)的電量預(yù)測(cè)模型，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)最大次數(shù)為50000次，期望誤差限為0.1。其具體步驟如下：

①對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化。設(shè)定隱含層和輸出層神經(jīng)元個(gè)數(shù)p和q，利用隨機(jī)數(shù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行初始賦值，確定迭代終止精度0.1或迭代最大次數(shù)N＝50000，置迭代次數(shù)n＝1.

②計(jì)算隱含層和輸出層神經(jīng)元的輸出

③計(jì)算網(wǎng)絡(luò)輸出的均方根誤差

RMS≤0.1，則訓(xùn)練結(jié)束；否則，轉(zhuǎn)到步驟4)。

④迭代計(jì)算，調(diào)節(jié)權(quán)重、中心和寬度參數(shù)

其中下降搜索方向分別為

其中偏導(dǎo)數(shù)分別為

⑤若n≥50 000，則訓(xùn)練結(jié)束；否則，n＝n+1，返回步驟2)。

綜合已建立的各行業(yè)電量預(yù)測(cè)模型，可以得到大工業(yè)客戶電量預(yù)測(cè)模型。

本發(fā)明提供的電力市場(chǎng)交易環(huán)境下的大工業(yè)客戶電力負(fù)荷預(yù)測(cè)方法，以產(chǎn)業(yè)和行業(yè)電量為切入點(diǎn)，分析提取電量占比具有代表性的行業(yè)，首先基于產(chǎn)業(yè)鏈的視角分析上、下游行業(yè)之間以及產(chǎn)業(yè)鏈之間的關(guān)聯(lián)性和行業(yè)因素對(duì)電量消費(fèi)與負(fù)荷的影響，然后融入季節(jié)特性對(duì)電量負(fù)荷的影響，對(duì)比分析參與電力市場(chǎng)交易前后的行業(yè)客戶用電特征與電價(jià)-負(fù)荷相應(yīng)特征，提取出影響電力負(fù)荷的市場(chǎng)因素，最終基于共軛梯度的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，訓(xùn)練RBFNN建立行業(yè)電量預(yù)測(cè)模型，將電力交易市場(chǎng)和預(yù)測(cè)技術(shù)進(jìn)行有效結(jié)合，提升參與電力市場(chǎng)交易的行業(yè)大工業(yè)客戶的電力負(fù)荷預(yù)測(cè)的精度。

根據(jù)上述說明書的揭示和教導(dǎo)，本發(fā)明所屬領(lǐng)域的技術(shù)人員還可以對(duì)上述實(shí)施方式進(jìn)行變更和修改。因此，本發(fā)明并不局限于上面揭示和描述的具體實(shí)施方式，對(duì)發(fā)明的一些修改和變更也應(yīng)當(dāng)落入本發(fā)明的權(quán)利要求的保護(hù)范圍內(nèi)。此外，盡管本說明書中使用了一些特定的術(shù)語，但這些術(shù)語只是為了方便說明，并不對(duì)本發(fā)明構(gòu)成任何限制。