[发明专利]基于网格化技术和BP神经网络的空间负荷预测方法

权利要求书

1.一种基于网格化技术和BP神经网络的空间负荷预测方法，其特征是，它包括以下步骤：

1)建立电力地理信息系统；

2)空间电力负荷的网格化；

3)采用BP神经网络对II类元胞年负荷最大值进行预测。

2.如权利要求1所述的基于网格化技术和BP神经网络的空间负荷预测方法，其特征是，所述步骤1)建立电力地理信息系统包括以下步骤：

①配准基图；

②建立待预测区域内的10kV馈线供电范围图层；

③建立待预测区域内的用地信息图层。

3.如权利要求1所述的基于网格化技术和BP神经网络的空间负荷预测方法，其特征是，所述步骤2)空间电力负荷的网格化，包括以下步骤：

①生成元胞

在根据步骤1)所建立的电力地理信息系统中，按照待预测区域内各10kV馈线供电范围生成I类元胞，每一个10kV馈线供电范围就是一个I类元胞；

在根据步骤1)所建立的电力地理信息系统中，以等大小正方形网格生成II类元胞，每一个网格就是一个II类元胞；

②确定负荷密度均衡系数

根据各I类元胞历年负荷最大值、供电面积，求取其在相应年份的负荷密度，见公式(1)，

d_i,t＝p_i,t/S_i (1)

其中，d_i,t为第i个I类元胞在第t年的负荷密度；i＝1,2,…,m，m为I类元胞的个数；t为年份；P_i,t为第i个I类元胞在第t年的负荷最大值；S_i为第i个I类元胞的面积；

对各I类元胞历年的负荷密度作归一化处理，确定负荷密度均衡系数，见公式(2)，

β_i,t＝(d_i,t-d_t.min)/(d_t.max-d_t.min) (2)

其中，β_i,t为第i个I类元胞在第t年的负荷密度均衡系数；d_i,t为第i个I类元胞在第t年的负荷密度；d_t.max为第t年的I类元胞中负荷密度最大值；d_t.min为第t年的I类元胞中负荷密度最小值；

③求取分类负荷密度指标

根据历年各I类元胞的年负荷最大值及其用地信息，利用公式(3)求取历年的分类负荷密度指标，

其中，P_i,t为第i个I类元胞第t年的负荷最大值，i＝1,2,…,m，m为I类元胞的个数；d_j,t为第j类用地第t年的负荷密度，j＝1,2,…,n，n为用地类型的类数；β_i,t为第i个I类元胞在第t年的负荷密度均衡系数；S_i,j为第j类用地在第i个I类元胞中所占的面积；

将公式(3)用矩阵形式表示，即公式(4)，

P＝BAD＝CD (4)

其中，P为I类元胞的历年负荷最大值矩阵；B为各负荷密度的均衡系数矩阵；A为在I类元胞内用地面积矩阵；C为I类元胞内各类用地的面积与其对应的负荷密度的均衡系数乘积的矩阵；D为分类负荷密度矩阵；

I类元胞年负荷最大估计值与分类负荷密度的估计值之间的关系可表示成公式(5)，

其中，为I类元胞的历年负荷最大估计值矩阵；C为I类元胞内各类用地的面积与其对应的负荷密度均衡系数乘积的矩阵；为分类负荷密度估计值矩阵；

考虑到量测误差有正有负，把所有I类元胞实测的历年负荷最大值与估计值之差的平方和的总和记作Q，见公式(6)，

其中，P_i为第i个I类元胞的历年负荷最大值矩阵，i＝1,2,…,m，m为I类元胞的个数；为第i个I类元胞的历年负荷最大估计值矩阵，i＝1,2,…,m，m为I类元胞的个数；Q为I类元胞实测的历年负荷最大值与估计值之差的平方和；

利用最小二乘法原理对公式(6)分类负荷密度估计值矩阵进行求解，得到分类负荷密度，见公式(7)和(8)，

其中，P为I类元胞的历年负荷最大值矩阵；C为I类元胞内各类用地的面积与其对应的负荷密度的均衡系数乘积的矩阵；为分类负荷密度估计值矩阵；

④求取历年各II类元胞年最大负荷值

在根据步骤1)所建立的电力地理信息系统中，结合根据步骤1)子步骤③所建立的用地信息图层，确定出每个根据步骤2)子步骤①所生成的II类元胞内各种用地类型的面积，并将其乘以根据公式(3)所求出的对应的各类用地的负荷密度，再乘以根据步骤2)子步骤②求出的相应的负荷密度均衡系数，得到各II类元胞的历年负荷最大值，即得到每个网格的历年负荷最大值，从而实现对待预测区域内历史年空间电力负荷的网格化。

4.如权利要求1所述的基于网格化技术和BP神经网络的空间负荷预测方法，其特征是，所述步骤3)采用BP神经网络对II类元胞年负荷最大值进行预测，包括以下步骤：

①构建BP神经网络预测器

输入层的节点数为n，n为参与神经网络训练的II类元胞个数；输出层的节点数为m，m为待预测区域内II类元胞个数；根据公式(9)确定隐含层节点数为l，

其中，l为隐含层节点数；n为参与神经网络训练的II类元胞个数；m为待预测区域内II类元胞个数；a为经验值，是一个整数，a{1,2,3,4,5,6,7,8,9,10}；

②对BP神经网络进行训练

将历年负荷最大值中最后一年的负荷数据剔除，以剩余数据作为BP神经网络的训练样本；以历年负荷数据中最后一年的II类元胞年负荷最大值作为测试样本；利用所确定的训练样本和测试样本对BP神经网络进行训练；

③对目标年的II类元胞年负荷最大值进行预测

使用经过训练的BP神经网络和各II类元胞历年负荷最大值，预测目标年的II类元胞年负荷最大值。