[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

摘要

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。

主权项

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Vmax＝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itmax，设训练组数变量v＝1，给定输出误差εy，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θi，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；权系数赋值步骤S3：将计算得到的相关系数分别赋值给各层神经元对应相应变量的权系数ωij，ωij为位于第k‑1层总第j个神经元到位于第k层总第i个神经元的权系数，其中i的序号范围对应从第2层到第m层的神经元，j的序号范围对应从第1层到第m‑1层的神经元；各层神经元计算输出步骤S4，对于第k层总第i个神经元输出利用如下公式计算：其中j为第k‑1层的总第j个神经元，k取值从第2层到第m层，式中θi是第i个神经元的偏倚；结果输出判断步骤S5，计算输出层输出值与电采暖负荷期望输出y之差的绝对值，如果该绝对值小于输出误差εy，或迭代次数超过itmax，则转向步骤S11，否则进入步骤S6；上下限判断步骤S6，通过将神经元输出值与神经元接近上限值的误差ε上或接近下限值的误差ε下进行比较判断神经元输出值是否接近其上下限值，如果是则进入步骤S9，否则进入步骤S7；神经元学习误差计算步骤S7，计算隐藏和输出层学习误差步骤，若该层为输出层，即k＝m，则第i个神经元学习误差y是电采暖负荷期望输出；若该层为隐藏层，即k≠m，则学习误差l为第k+1层的神经元的序号；基于学习误差的权系数修正步骤S8，根据学习误差修正权系数，令it＝it+1，然后转向步骤S10；随机修正权系数步骤S9，令it＝it+1，随机产生一个很小的正数ε修，令ωij(it)＝ωij(it‑1)+ε修；随机修正偏倚和学习率步骤S10，基于[‑0.2，0.2]的均匀分布函数，随机产生一个数，修正偏倚和学习率，然后转向步骤S4；判断是否到最后一组数据步骤S11，令v＝v+1，再将v与Vmax比较，判断是否到最后一组数据，如果若v≤Vmax转向步骤S3，否则进入步骤S12；预测步骤S12，依据计算的各层权系数、神经元偏倚、学习率，给定的预测年的规划新建建筑的建筑面积和风力发电量利用率，预测电采暖负荷值。