一种基于神经网络大工业用电基本电费预测方法与流程

1.本发明涉及大工业用电基本电费预测领域，特别是涉及一种基于神经网络的大工业用电基本电费预测方法。


背景技术：

2.大工业用电所适用的两部制电价包含“电度电价”和“基本电价”，通过“电度电价”收取的是“电度电费”，通过“基本电价”收取的是“基本电费”。也就是说，“基本电费”是大工业用户每月向供电公司缴纳的固定电费成本，属于总电费的一部分，即使企业在当月不消耗任何电能,供电公司也会征收基本电费。基本电费的收取方式分为按容量(即申报的变压器容量)收费或者按最大需量(即申报的最大负荷)收费两种方式，合理选择基本电费的缴费方式，可减少企业电费开支，降低企业的生产成本，并使得电网的负荷率提高，无功负荷减少，提高了电网供电能力，也降低电力企业的生产成本。
3.经过实际测算，如果用户实际最大负荷在变压器容量的66％以下，用户选择按照最大需量去缴费，相比用户按照固定容量缴费会更加科学合理。采用需量申报模式，如果当月实际负荷不超过申报负荷，基本电费按照申报负荷缴纳；如果当月实际负荷超过申报负荷，超出部分还需翻倍缴纳基本电费。因此申报负荷能够略高于实际负荷的话，每年节省的基本电费相当可观。由于容量改需量申报需提前3个月，需量申报为月变更一次，所以通过提前预测可以得到申报最大负荷的最优解。
4.大工业用电的需量申报模式和电力负荷是密切相关的，所以需量基本电费预测和电力负荷预测也是密切相关的，而电力负荷预测也是用户智能用电管理的重要工作之一。
5.电力负荷预测的核心问题是如何建立预测的数学模型。随着科学技术的快速发展，各种负荷预测方法也在不断涌现，比如从经典算法(包括：单耗法、弹性系数法、统计分析法、灰色预测法等)到目前的智能算法(包括：专家系统法、模糊数学法以及神经网络法等)，都预示着负荷预测技术的研究在不断深化。
6.提高负荷预测技术水平，有利于计划用电管理，有利于实现电力能源的资源优化配置，有利于降低企业运营成本，提高企业能效，实现节能减排。因此，负荷预测已成为智能用电管理的重要内容之一。


技术实现要素：

7.本发明的目的在于通过一种基于神经网络的预测方法，来解决以上背景技术中如何准确预测大工业用电基本电费的问题。根据企业电力负荷的历史数据及生产计划安排，利用神经网络算法，实现对最大负荷变化的预测，根据负荷情况，预测出基本电费。通过设置负荷需量报警阈值，组合预测结果，进行超负荷预警，提醒相关人员最大负荷变化情况，及时调整负荷，避免实际最大负荷的超出申报负荷(超出部分需翻倍缴纳基本电费)，最终导致基本电费的增加。神经网络预测基本电费具有准确性高、稳定性好等优点。
8.为达此目的，本发明通过以下技术方案实现
9.一种基于神经网络的大工业用电基本电费预测方法，包括以下步骤：(1)首先将企业历史用电负荷数据进行统计预处理；(2)其次对负荷数据做归一化处理，将负荷数据转化为[0,1]区间上的输入向量；(3)然后根据输入输出向量构建误差反向传播算法神经网络模型，构建模型为三层结构：输入层、中间层和输出层；(4)完成训练及通过测试后投入使用，对输出结果选取最大值并进行归一化还原；(5)将预测负荷值转化为需量基本电费预测值。
[0010]
本发明运用神经网络技术进行基本电费预测，其优点是可以模仿人脑的智能化处理方式。系统对于非线性、非确定性的复杂映射关系具有自适应学习功能，采用误差反向传播算法神经网络，通过调整单元连接权值和阈值，实现从输入到输出复杂函数关系的隐性表达，系统具有准确性高，稳定性好等优点,可以有效降低企业的用电成本。
附图说明
[0011]
图1是本发明神经网络结构
具体实施方式
[0012]
下面结合附图，对本发明作进一步详细说明。以下具体实施方式仅是为了详细阐述本发明，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明保护的范围之内。
[0013]
一种基于神经网络的大工业用电基本电费预测方法，包括以下步骤：
[0014]
首先将企业历史用电负荷数据进行统计预处理，由于大工业用电企业主要为生产类型企业，所以用电负荷高峰主要集中在生产时间，由预测日前一日在生产时间段内(上午9:00至下午20:00)，每小时对电力负荷进行一次采集(每天12个数据)。由于预测基本电费更加关注的是最大负荷，为了使预测数据更加有效，将实际负荷中低于当天最大负荷60％的数据去除，替换为当天最大负荷数据。
[0015]
其次对负荷数据做归一化处理，采用公式(1)将负荷数据转化为[0,1]区间上的数据。x＝(s
i-s
min
)/(s
max-s
min
)(1)，其中si为电力负荷采集值；s
min
为当天所有负荷采集值中的最小值；s
max
为当天所有负荷采集值中的最大值。将归一化数据作为神经网络的输入向量(12维向量)。输出向量是预测日当天的生产时间段内(上午9点至下午20点)各小时负荷归一化数据(12维向量)。
[0016]
然后根据输入输出向量构建误差反向传播算法神经网络模型，构建模型为三层结构：输入层、中间层和输出层。输入层单元个数为12个，中间层单元个数要大于输入层2倍，在此取25个，输出层单元个数为12个，如图1所示。
[0017]
误差反向传播神经网络算法如下
[0018]
设δ
p
为误差函数，e
pj
为节点j的期望输出值，r
pj
为节点j实际输出值，l
ij
为节点i到节点j之间的权重值，h为节点j的阈值。
[0019][0020]
节点j的净输入
[0021]
阈值hj为常数，在(-1,+1)之间，要得到误差函数δ
p
的最小值，则训练时使δ
p
关于l
ij
的导数为负，由隐函数求导法则得出
[0022][0023][0024]
令则
[0025][0026]
令r
pj
＝fj[0027][0028]
则c
pj
＝f'j(n
pj
)(e
pj-r
pj
)
[0029]
误差反向传播算法要减少误差函数δ
p
的值，令δl
ij
＝ηc
pjrpk
，如果j为输出单元，则可以求出c
pj
和δl
ij
。如果j为中间层单元，则需要用隐函数求导法则求出中间层c
pj
。
[0030]
取sigmoid函数作为阈函数
[0031]
则
[0032]
取正切函数作为中间层的传递函数
[0033]
本发明主要是通过误差反向传播梯度下降来进行优化收敛，参数梯度通过系统自动进行计算。输入训练样本对神经网络系统进行训练，对输出数据与实际数据进行比较，判断是否在误差阈值范围之内(在此设置为0.15)。若满足阈值条件则系统训练完成，若不满足则重新修改系统。
[0034]
系统完成训练及通过测试后，即可投入实际预测基本电费使用，对输出结果选取最大值并按公式(2)进行归一化还原z＝so*(s
max-s
min
)+s
min
(2)
[0035]
预测电力负荷的最大值为z，参考当地需量基本电价p，需量申报负荷为s，按公式(3)将预测负荷值转化为需量基本电费预测值f
[0036]
当z≤s时，f＝ps；当z＞s时，f＝ps+2p(z-s)(3)。
[0037]
接下来给出上述基于神经网络预测大工业用电基本电费方法的实施例，以河北某矿业企业为例，表1、表2为2021年8月9日至8月15日企业实际负荷值。
[0038]
将实际负荷中低于当天最大负荷60％的数据去除(下划线标注为去除数据)，替换为当天最大负荷数据(括号中为当天最大负荷数据)如表1、表2所示，并按照公式(1)对负荷数据进行归一化处理，归一化处理后的数据如表3、表4所示。
[0039]
表1：一号变压器(2000kva)负荷(单位：kva)
[0040]
表2：二号变压器(2000kva)负荷(单位：kva)
[0041]
表3：一号变压器负荷归一化数据
[0042]
表4：二号变压器负荷归一化数据
[0043]
根据输入及输出向量，按照上述方法构建误差反向传播算法神经网络模型，取输入层神经元为12个，中间层神经元为25个，输出层神经元为12个，如图1所示。
[0044]
对构建的神经网络进行训练，训练完成后进行测试，直到满足误差阈值要求为止，在此设置训练参数如下表。训练精度学习速率训练次数0.0050.051000
[0045]
系统完成训练并达到要求后，利用2021年8月16日河北某矿业企业真实电力负荷数据归一化处理后作为输入向量，经过神经网络系统处理预测，将系统输出数据选取最大
值，按照公式(2)进行还原，分别得到次日一、二号变压器的最大预测负荷z1＝762kva、z2＝533kva，则企业总的最大预测负荷为z＝(762+533)kva＝1295kva。
[0046]
将最大预测负荷与最大实际负荷进行比较，可以发现，两者是相当接近的，满足误差在5％以内的既定要求。
[0047]
需量申报负荷为s＝1500kva，当地需量基本电价p＝35元/月/kva，将最大预测负荷按照公式(3)进行计算，得到需量基本电费预测值f＝35
×
1500元/月＝52500元/月。
[0048]
如果按照固定容量申报模式，企业变压器总容量为2000
×
2kva，当地容量基本电价p＝23.3元/月/kva，得到容量基本电费值f＝23.3
×
2000
×
2元/月＝93200元/月。
[0049]
相比于按固定容量缴费模式，企业按最大需量缴费每月可节省基本电费为δf＝(93200-52500)元＝40700元，每年总计节省基本电费为t＝40700
×
12元＝488400元。可见经过神经网络系统预测，企业合理选择基本电费的缴费模式，可有效减少电费开支，降低生产成本。
[0050]
需要说明的是以上所述具体实施例也仅仅是为了解释和描述本发明。本发明同样适用于按月或者季度等来进行基本电费的预测，仅需将本具体实例中按天分组的负荷数据拓展为按月或者季度等分组即可。附图中仅画出了与本发明相关部分而非全部内容，不用于对本发明保护范围的限制。凡在本发明保护范围内，所做的任何等同替换、改进和修改等无需付出创造性的劳动即可获得的其它具体实施方式，也均为本发明的保护范围之内。

技术特征：
1.一种基于神经网络大工业用电基本电费预测方法，其特征在于，包括以下步骤：(1)首先将企业历史用电负荷数据进行统计预处理；(2)其次对负荷数据做归一化处理，将负荷数据转化为[0,1]区间上的输入向量；(3)然后根据输入输出向量构建误差反向传播算法神经网络模型，构建模型为三层结构：输入层、中间层和输出层；(4)完成训练及通过测试后投入使用，对输出结果选取最大值并进行归一化还原；(5)将预测负荷值转化为需量基本电费预测值。2.根据权利要求1所述的一种基于神经网络大工业用电基本电费预测方法，其特征在于，采用公式(1)将负荷数据转化为[0,1]区间上的数据。其中s
i
为电力负荷采集值；s
min
为当天所有负荷采集值中的最小值；s
max
为当天所有负荷采集值中的最大值。x＝(s
i-s
min
)/(s
max-s
min
)
ꢀꢀ
(1)3.根据权利要求1所述的一种基于神经网络大工业用电基本电费预测方法，其特征在于，构建模型为三层神经网络结构：输入层、中间层和输出层。输入层单元个数为12个，中间层单元个数为25个，输出层单元个数为12个。4.根据权利要求1所述的一种基于神经网络大工业用电基本电费预测方法，其特征在于，误差反向传播神经网络算法如下设δ
p
为误差函数，e
pj
为节点j的期望输出值，r
pj
为节点j实际输出值，l
ij
为节点i到节点j之间的权重值，h为节点j的阈值。节点j的净输入阈值h
j
为常数，在(-1,+1)之间，要得到误差函数δ
p
的最小值，则训练时使δ
p
关于l
ij
的导数为负，由隐函数求导法则得出数为负，由隐函数求导法则得出令则则令r
pj
＝f
j
则c
pj
＝f'
j
(n
pj
)(e
pj-r
pj
)误差反向传播算法要减少误差函数δ
p
的值，令δl
ij
＝ηc
pj
r
pk
，如果j为输出单元，则可以求出c
pj
和δl
ij
。如果j为中间层单元，则需要用隐函数求导法则求出中间层c
pj
。
取sigmoid函数作为阈函数则取正切函数作为中间层的传递函数5.根据权利要求1所述的一种基于神经网络大工业用电基本电费预测方法，其特征在于，对输出结果选取最大值并按公式(2)进行归一化还原z＝s
o
*(s
max-s
min
)+s
min
ꢀꢀ
(2)6.根据权利要求1所述的一种基于神经网络大工业用电基本电费预测方法，其特征在于，预测电力负荷的最大值为z，参考当地需量基本电价p，需量申报负荷为s，按公式(3)将预测负荷值转化为需量基本电费预测值f当z≤s时，f＝ps；当z＞s时，f＝ps+2p(z-s)
ꢀꢀ
(3)。

技术总结
本发明公开了一种基于神经网络大工业用电基本电费预测方法，包括以下步骤：(1)首先将企业历史用电负荷数据进行统计预处理；(2)其次对负荷数据做归一化处理，将负荷数据转化为[0,1]区间上的输入向量；(3)然后根据输入向量以及需要的输出向量构建误差反向传播算法神经网络模型；(4)完成训练及通过测试后投入使用，对输出结果选取最大值并进行归一化还原；(5)将预测负荷值转化为需量基本电费预测值。神经网络具有三层结构，输入层神经元12个，中间层神经元25个，输出层神经元12个。通过神经网络对基本电费预测后，企业可以合理选择基本电费的缴费模式，有效减少电费开支，降低生产成本。此方法具有预测准确性高，稳定性好等优点。点。


技术研发人员：张帅 郝春生 劳鹏运
受保护的技术使用者：北京国科翼达电力节能科技有限公司
技术研发日：2021.12.03
技术公布日：2022/3/8