[发明专利]一种基于BP神经网络的玻璃工厂电力预测方法及系统

说明书

本发明提供一种基于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。

技术领域

本发明涉及电力预测技术领域，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。

背景技术

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。

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。

发明内容

为了解决以上技术问题，本发明提供了一种基于BP神经网络的玻璃工厂电力预测方法及系统。

本发明所解决的技术问题可以采用以下技术方案实现：

一种基于BP神经网络的玻璃工厂电力预测方法，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。

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：

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。

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：

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。