[发明专利]一种适用于功能园区的负荷预测方法

说明书

本发明涉及负荷预测技术领域，具体是指一种适用于功能园区的负荷预测方法，S1：获取功能园区的历史负荷值；S2：以历史负荷值为样本，搭建神经网络预测模型，得到网络预测值；S3：获取功能园区的报装负荷值；S4：以报装负荷值为基准，得到新增负荷预测值；S5：将网络预测值和新增负荷预测值相加，得到功能园区的最终负荷预测值。本发明对新增负荷，采用实用系数法，进而提高功能园区的负荷预测精度。

技术领域

本发明涉及负荷预测技术领域，具体是指一种适用于功能园区的负荷预测方法。

背景技术

在配网规划相关技术中，负荷预测是极其关键的一个环节，其直接对规划质量产生影响。因此，若能够准确对功能园区进行负荷预测，就可以为园区规划提供负荷数据参考，在满足负荷增长需求的同时，提高投资效率。

基于此，需要一种新的适用于功能园区的负荷预测方法，来提高功能园区的负荷预测精度。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种，对自然增长负荷采用神经网络预测方法，对新增负荷，采用实用系数法，进而提高功能园区的负荷预测精度。

为解决上述技术问题，本发明采用的技术方案是：一种适用于功能园区的负荷预测方法，其中，包括有以下步骤：

S1：获取功能园区的历史负荷值；

S2：以历史负荷值为样本，搭建神经网络预测模型，得到网络预测值；

S3：获取功能园区的报装负荷值；

S4：以报装负荷值为基准，得到新增负荷预测值；

S5：将网络预测值和新增负荷预测值相加，得到功能园区的最终负荷预测值。

在一个实施方式中，步骤S1中，获取功能园区的历史负荷值的步骤为：

以T表示负荷预测基准年，Pt分别表示年份对应的负荷值。

优选地，步骤S2中，包括有以下步骤：

S21：选取网络训练样本，每组训练样本里面，包含网络输入向量和网络输出向量，其中网络输入向量定义为It＝[Pt-4,Pt-3,Pt-2,Pt-1,]，式中，It为第t个网络输入向量，网络输入向量It对应的网络输出向量定义为Ot＝[Pt]；

S22：搭建神经网络模型，根据网络输入向量和网络输出向量，搭建4层BP神经网络，包含输入层、第一隐含层、第二隐含层和输出层，

S23：对神经网络模型进行训练，利用训练样本对神经网络进行训练，得到训练好的神经网络；

S24：得到网络预测值，将向量[Pt-3,Pt-2,Pt-1,Pt]输入到训练好的神经网络，得到年份T+1的网络预测值P1(T+1)。

优选地，步骤S23中，输入层神经元个数为4，第一隐含层神经元个数为9，第二隐含层神经元个数为9，输出层神经元个数为1，即网络结构为4-9-9-1。

优选地，步骤S3中，将功能园区已报装和潜在报装的负荷分为M类，记n为计划用电时间，T+1年n月份，则计划n月份用电的第m类负荷值为Q_mn。

优选地，步骤S4中，包括有以下步骤：

S41：记负荷值Qmn对应的实用系数为Xmn；

S42：根据下式计算新增负荷预测值P₂(T+1)：

优选地，S5中，将网络预测值P₁(T+1)和新增负荷预测值P₂(T+1)相加，即得到年份T+1的最终负荷预测值。