[发明专利]基于改进BP神经网络算法的配网电采暖负荷预测方法

说明书

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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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，本发明采用以下技术方案：

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V_max＝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it_max，设训练组数变量v＝1，给定输出误差ε_y，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θ_i，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；