[发明专利]一种基于神经网络-时间序列的线损电量预测方法

摘要

一种基于神经网络‑时间序列的线损电量的预测方法，根据供电量和耗电量关系预测线损电量，线损电量为Pl＝PSu‑PSa，其中，Pl为线损电量，PSu为供电量，PSa为耗电量。计算耗电量的步骤包括：步骤1，建立源数据库，采集并存储用户历史耗电量历史数据；步骤2，构建BP神经网络‑时间序列耗电量预测模型，并初始化BP神经网络的参数；步骤3，输入用户历史耗电量数据及影响因素数据，训练所述BP神经网络‑时间序列耗电量预测模型，得到经训练的BP神经网络‑时间序列耗电量预测模型；步骤4，通过所述经训练的BP神经网络‑时间序列耗电量预测模型进行耗电量预测。以上提高了电力源数据的利用率，确保了耗电量预测的准确度，从而提高线损预测的完整性和质量。

主权项

1.一种基于BP神经网络‑时间序列的线损电量预测方法，包括根据供电量和耗电量关系预测线损电量，其中，线损电量为P_l＝P_Su‑P_Sa，P_l为线损电量，P_Su为供电量，P_Sa为耗电量，其特征在于，耗电量P_Sa基于BP神经网络‑时间序列预测得到，包括：步骤1，建立历史信息源数据库，采集并存储用户耗电量历史数据以及影响因素历史数据；步骤2，构建BP神经网络‑时间序列耗电量预测模型，并初始化BP神经网络‑时间序列耗电量预测模型的参数(优选的包括神经网络各层连接权值)；步骤3，输入用户耗电量历史数据以及影响因素历史数据，训练所述BP神经网络‑时间序列耗电量预测模型，得到经训练的BP神经网络‑时间序列耗电量预测模型；步骤4，通过所述经训练的BP神经网络‑时间序列耗电量预测模型进行耗电量预测；其中，所述步骤3包括：步骤31：根据时间序列将输入的用户耗电量历史数据以及影响因素历史数据切分成多个基于时间序列的数据子集，并存储到分布式文件系统中；步骤32：使用并行的神经网络算法对BP神经网络的各层连接权值进行全局寻优，得到优化的神经网络各层连接权值的初始值；步骤33：基于所述多个基于时间序列的数据子集分别建立各个计算节点上的各自的神经网络结构，并均采用优化后的网络各层连接权值的初始值；步骤34：使用并行的BP神经网络算法对各个所述基于时间序列的数据子集进行迭代训练，得到各个计算节点上的神经网络结构，从而得到经训练的BP神经网络‑时间序列耗电量预测模型。