基于k-均值聚類rbf神經(jīng)網(wǎng)絡的企業(yè)用電負荷預測方法
【技術(shù)領域】
[0001] 本發(fā)明屬于電力負荷預測和控制技術(shù)領域，具體為一種適用于典型工業(yè)企業(yè)的用 電負荷短期預測和智能需量控制技術(shù)，負荷預測方法為基于k均值聚類徑向基RBF函數(shù)的神 經(jīng)網(wǎng)絡。
【背景技術(shù)】
[0002] 短期電力負荷預測是利用歷史數(shù)據(jù)，結(jié)合預測系統(tǒng)的特點及影響因素，預測未來 1-7日的負荷數(shù)據(jù)。以往負荷預測工作多是由是電網(wǎng)規(guī)劃部門完成，對于工業(yè)企業(yè)來說，負 荷預測對于能源管理、節(jié)能減排、成本優(yōu)化等方面有較大的積極作用。在短期負荷預測的基 礎上，了解近期的未來負荷的發(fā)展變化，有針對性地提出需求側(cè)管理措施，智能控制進行負 荷調(diào)度。負荷預測作為企業(yè)能管系統(tǒng)的重要組成部分，企業(yè)運行優(yōu)化管理等各個環(huán)節(jié)提供 重要的決策支持。
[0003] 傳統(tǒng)的負荷預測方法主要有趨勢外推法、回歸分析法、時間序列法等，外推法簡單 擬合精確度較低，回歸分析法沒有考慮負荷與天氣等變量之間的動態(tài)的、非線性的關系，而 時間序列法沒有考慮天氣等氣象因素對負荷的影響。如何有效預測電力負荷，發(fā)揮智能算 法的優(yōu)勢，提高預測的精度和效率，是需要解決的一個問題。
[0004] 依據(jù)2015年國家工業(yè)企業(yè)實施電力需求側(cè)管理（IDSM)評價辦法，企業(yè)用戶通過搭 建能源管理平臺來管理自己企業(yè)的用電情況，進行設備改造、整體優(yōu)化等技術(shù)措施，改善自 身用電情況，從而達到節(jié)能減排的目的。針對于企業(yè)電力負荷預測技術(shù)，預測結(jié)果的著重點 在于智能需量控制，直接將負荷預測結(jié)果應用于能源管理和需量控制成為需要解決的另一 個問題。

【發(fā)明內(nèi)容】

[0005] 為解決上述存在問題，本發(fā)明分為應用神經(jīng)網(wǎng)絡的負荷預測方法和直接應用負荷 預測結(jié)果進行需量控制兩個部分。
[0006] -種基于k-均值聚類徑向基(RBF)函數(shù)神經(jīng)網(wǎng)絡的企業(yè)用電負荷短期預測方法， 包括歷史負荷數(shù)據(jù)獲取步驟、氣象數(shù)據(jù)獲取步驟、日期判別步驟、神經(jīng)網(wǎng)絡預測步驟、誤差 計算修正步驟、負荷曲線繪制步驟及預測數(shù)據(jù)導出步驟。
[0007] 歷史負荷數(shù)據(jù)獲取步驟，主要使用能源管理系統(tǒng)(EMS)SCADA實時數(shù)據(jù)庫，獲取整 個工業(yè)企業(yè)用電負荷數(shù)據(jù);氣象數(shù)據(jù)獲取步驟主要獲取氣象數(shù)據(jù)包括歷史氣象數(shù)據(jù)和待測 日氣象預測；日期判別步驟主要通過待測日日期，判別分類預測，主要分為普通工作日，部 分加班日，及完全休息日等多種類型；神經(jīng)網(wǎng)絡預測步驟，作為預測方法核心單元，根據(jù)歷 史氣象和負荷數(shù)據(jù)，通過k-均值聚類徑向基RBF函數(shù)神經(jīng)網(wǎng)絡進行負荷預測模型;誤差計算 修正步驟，實時對比預測值和實際值，判斷是否存在錯誤畸變，得到誤差并及時修正數(shù)據(jù)； 負荷曲線繪制步驟和預測數(shù)據(jù)導出步驟，將得到的負荷數(shù)據(jù)直觀展示出來，并能從預測平 臺導出至數(shù)據(jù)庫，而后供需量控制使用。
[0008] 預測基于k均值聚類徑向基RBF函數(shù)神經(jīng)網(wǎng)絡進行，如附圖2所示RBF神經(jīng)網(wǎng)絡在結(jié) 構(gòu)上通常由輸入層、隱含層和輸出層組成，屬于多層前向網(wǎng)絡，RBF網(wǎng)絡的作用函數(shù)采用的 是徑向基函數(shù)，它具有輸出對參數(shù)局部線性的特點，網(wǎng)絡訓練可避開非線性優(yōu)化，因而不 存在局部極小問題。在學習過程中即可確定網(wǎng)絡的拓撲結(jié)構(gòu)，使網(wǎng)絡權(quán)系數(shù)計算的復雜性 得以降低，學習過程得以加速。RBF神經(jīng)網(wǎng)絡中，隱含層是采用非線性優(yōu)化策略，對映射函數(shù) 的參數(shù)進行調(diào)整，相對學習速度慢一些;而輸出層則是應用線性優(yōu)化策略，對線性權(quán)進行調(diào) 整，因而學習速度較快。
[0009] 隱含層徑向基函數(shù)，采用高斯函數(shù)
[0011] 式中：Μ · I |是歐式范數(shù)，；ejr為RBF的中心，δ是神經(jīng)元Xi的均方差，固定為
[0013] 式中：dm-一所選中心之間的最大距離
[0014] Μ一一中心數(shù)(即隱含層單元數(shù)）
[0015] 輸出為
[0017]式中：ω ,為隱含單元到輸出單元之間的權(quán)值。
[0018]由于Κ-均值聚類算法具有簡潔及高效性，所以其在所有聚類算法中應用最廣泛。 Κ-均值聚類算法在RBF神經(jīng)網(wǎng)絡中心的選取中可以用來調(diào)整聚類中心，使網(wǎng)絡中心的選取 更精確。本申請通過k-均值聚類算法，把所有輸入層得到的輸入向量進行聚類，可得隱含層 中的基函數(shù)中心向量。具體步驟為：
[0019 ] 1)給定各隱節(jié)點的初始中心Ci (0 )，通常取輸入樣本向量的前k個值。
[0020] 2)計算歐式距離為
[0021] di(t)= | |x(t)-Ci(t_l) | |，i = l，2，."，k
[0022] 3)求出最小距離節(jié)點為
[0023] di(t)=min di(t)
[0024] 4)調(diào)整重心為
[0025] Ci(t)=Ci(t-l),l < i <k,i^r
[0026] Ci(t)=Cr(t-l)+0[x(t)-Cr(t_l)] ,i=r
[0027] 5)判別，如果Ci(t) = Ci (t-1)，則終止迭代，否則轉(zhuǎn)(2)
[0028] 6)當匕確定后，可采用最小二乘法求隱含層和輸出層之間的權(quán)值，即
[0030]完成整個負荷預測工作。主要由一下幾個要點：
[0031] 1.數(shù)據(jù)獲取及預處理
[0032] 1)獲取歷史負荷數(shù)據(jù)和相對應歷史氣象數(shù)據(jù)，其中負荷數(shù)據(jù)來源于能源管理系統(tǒng) SCADA數(shù)據(jù)庫，對應氣象數(shù)據(jù)來源于當日氣象站實測，氣象數(shù)據(jù)包括：日最高氣溫、日最低氣 溫、最大濕度、最小濕度和最大風速；
[0033] 2)氣象影響因素使用人體舒適度作為標準，人體舒適度(ssd)計算公式為:ssd = (1.818七+18.18)(0.88+0.002〇 + (卜32)/(45-〇-3.2￥+18.2其中七為平均氣溫4為相對濕 度，v為風速；
[0034] 3)歷史負荷數(shù)據(jù)15分鐘取一個點，全天共96點，作為輸入量的某一日數(shù)據(jù)包括當 日所有負荷數(shù)據(jù)，當日氣象因素人體舒適度以及需要預測日人體舒適度，將數(shù)據(jù)做歸一化 處理；
[0035] 4)歷史數(shù)據(jù)結(jié)合工業(yè)企業(yè)實際情況按照日期類型分為三類，作為相似日輸入量， 分別為普通工作日，部分加班日（主要為周六），及完全休息日（包括周日和國慶長假等節(jié)假 日），通過聚類的方法，建立3種相似日模型以供預測；
[0036] 2.建立預測模型
[0037] 1)確定預測日日期，并確定日期類型，從而使用相對應相似日預測模型；
[0038] 2)將輸入量導入模型，利用k-均值聚類徑向基RBF函數(shù)神經(jīng)網(wǎng)絡得到預測結(jié)果；
[0039] 3.誤差修正
[0040]將所得到初步負荷預測結(jié)果通過誤差修正模型進行校正，具體將得到負荷預測結(jié) 果于實際負荷進行比對，得到誤差量，疊加后修正預測模型，從而得到預測結(jié)果；
[0041] 4.負荷曲線繪制和預測數(shù)據(jù)導出
[0042] 預測數(shù)據(jù)導入數(shù)據(jù)庫，并通過界面繪制負荷曲線，將預測數(shù)據(jù)直觀的展示出來，作 為需量控制的依據(jù)。
[0043] 本發(fā)明同時公開了一種基于負荷預測的需量控制方法，通過負荷預測得到預測 值，結(jié)合工業(yè)企業(yè)生產(chǎn)計劃和用電負荷使用情況，尋找最大需量的主要構(gòu)因。在負荷預測值 達到最大需量之前的控制點處，進行需量控制，判斷是否切除非必須負荷或者采取節(jié)能方 案。這種控制方式讓生產(chǎn)計劃制定者有足夠的依據(jù)調(diào)整下期產(chǎn)量計劃并有效控制下期最大 需量。
[0044] 同時也可實現(xiàn)自動智能控制，當預測需量到達企業(yè)的最大容忍限度時，系統(tǒng)通過 內(nèi)設的需量曲線模式判定法，自動為企業(yè)選擇當前最合適的節(jié)能方案，提前控制最大需量， 有效避免超負荷運行甚至跳閘等發(fā)生，保證安全節(jié)能生產(chǎn)。
[0045] 本發(fā)明的優(yōu)點在于：
[0046] 1)負荷預測考慮實時氣象因素，采用了人體舒適度公式衡量每日的溫度、濕度、風 速等氣象參數(shù)與用電負荷的相關性，提高了預測的準確性和合理性；
[0047] 2)采用按照日期類型聚類的方法，依據(jù)工業(yè)企業(yè)實際分為多種相似日模型，使用 預測日所對應相似日的模型進行預測，預測精確度高；
[0048] 3)采用的K-均值聚類算法RBF神經(jīng)網(wǎng)絡算法，訓練網(wǎng)絡的輸入層的神經(jīng)元為相似 日模型中的N天的全天企業(yè)用電負荷共96點，以及當日的和預測日考慮氣象因素的人體舒 適度數(shù)據(jù)，并對輸入量進行循環(huán)訓練，再采用訓練好的神經(jīng)網(wǎng)絡，預測得到預測日的每15分 鐘負荷值；
[0049] 4)以負荷預測為依據(jù)的需量控制，可智能實現(xiàn)負荷分配和優(yōu)化控制，降低峰值負 荷，有效避免跳兩等廣生的損失。
【附圖說明】
[0050]圖1為本發(fā)明實施例的企業(yè)用電負荷短期預測及需量控制技術(shù)模塊示意圖。
[0051 ]圖2為本發(fā)明實施例的RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖。
[0052]圖3為本發(fā)明實施例的負荷預測與需量控制示意圖。
[0053]圖4為本發(fā)明實施例的負荷需量控制曲線示意圖。
[0054] 圖5為本發(fā)明實施例的需量控制曲線模式判斷示意圖。
【具體實施方式】
[0055] 以下結(jié)合具體實施例和附圖對本發(fā)明的技術(shù)方案做進一步的說明。
[0056]如圖1所示，為本發(fā)明實施例基于k均值聚類徑向基RBF函數(shù)神經(jīng)網(wǎng)絡的企業(yè)用電 負荷短期預測及需量控制技術(shù)方法的模塊框圖。具體實施的過程為 [0057] 1.獲取數(shù)據(jù)預處理和組成預測日相似日模型
[0058] 預測日的相似日是指，與該預測日具有相同類型的日期，并且在同一時段內(nèi)，負荷 變化與預測日呈現(xiàn)相似的變換規(guī)律。由于每天負荷發(fā)生"突變"的時刻不完全相同，所以在 負荷發(fā)生突變時，負荷的預測誤差也可能會很大。距離預測日最近的幾個同類型日的同一 時段內(nèi)，相似