CN103793887A - 基于自适应增强算法的短期电力负荷在线预测方法 - Google Patents

Abstract

本发明公开了电力负荷预测技术领域中的一种基于自适应增强算法的短期电力负荷在线预测方法。包括选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵S_L×M；提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵D_L×n；在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将其作为有效成分，并根据过去L天有效成分的实测值，形成有效气象数据矩阵T_L×m；利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n求解短期电力负荷预测模型；利用短期电力负荷预测模型进行电力负荷预测。本发明可以有效地消除数据噪音对模型预测精度的影响，得到较为精确且稳定的预测结果。

Description

基于自适应增强算法的短期电力负荷在线预测方法

技术领域

本发明属于电力负荷预测技术领域，尤其涉及一种基于自适应增强算法的短期电力负荷在线预测方法。

背景技术

短期电力负荷在线预测是电力负荷预测的重要组成之一，是电网实现智能控制的基础。负荷在线预测能力的提高，不仅有利于提高电网的安全，指导电网的检修，还可以有效地降低发电成本，提高电力系统的经济效益，让人民的生产生活水平再上新的台阶。

作为制订发电计划、输电方案和进行电网建设的主要依据，电力负荷预测可以对未来几分钟至几年的时间范围内的电力负荷做出估计。短期负荷预测有着明显的周期特性：不同日的工作日24小时负荷变化呈现相似规律；不同日的周末24小时负荷变化呈现相似规律；不同年的重大节假日24小时负荷变化呈现相似规律。此外，电力负荷还受到诸如季节、气温、湿度、气压、风速、阴雨以及突发事件等情况的影响，这有时也会为短期电力负荷预测造成很大的干扰。

目前常见的一种短期电力负荷预测的方法是，通过低通滤波与压缩聚类等数据预处理方法，提高对历史电力负荷数据的拟合精度。然而，在实际应用中，新产生的电力负荷数据并没有条件进行以上预处理，因而不适用于在线负荷预测。另一种常见的短期电力负荷预测的方法是，通过独立训练多个学习机并将其集成的方式，获得比单个学习机更好的泛化性能和学习精度，大大提高预测模型的精确度。然而，对于部分规律性的突变点模型依然无法精确预测，且不易进行在线预测。

鉴于短期电力负荷存在的明显周期特性，为了能够从诸多因素中找到影响系统的关键因素，可以考虑采用灰色关联分析（Grey Relational Analysis）的方法。灰色关联理论认为：在两个系统发展过程中，若两个系统之间的因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因而，选用灰色关联分析对影响电力负荷的因素进行筛选可以有效剔除干扰项与无关项，提高短时电力负荷的预测精度。

发明内容

本发明的目的在于，提供一种基于自适应增强算法的短期电力负荷在线预测方法，用于解决现有技术在短期电力负荷在线预测时存在的不足。

为了实现上述目的，本发明提出的技术方案是，一种基于自适应增强算法的短期电力负荷在线预测方法，其特征是所述方法包括：

步骤1：选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵S_L×M；其中，M和L为设定值；

步骤2：提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵D_L×n；其中，n为设定值；

步骤3：在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，形成有效气象数据矩阵T_L×m；其中，m为设定值；

步骤4：利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n求解短期电力负荷预测模型；

步骤5：利用短期电力负荷预测模型进行电力负荷预测。

所述选取与电力负荷数据关联度最大的m个因素采用灰色关联分析法，包括：

子步骤A1：采用公式

计算电力负荷数据矩阵第i列与气象数据矩阵第j列的关联度；

其中， ${\mathrm{\ξ}}_j^i\left(k\right)=\frac{{\underset{j}{\min }}^i\left({\mathrm{\Δ}}_j\left(\min \right)\right)+\mathrm{\ζ}{\underset{j}{\max }}^i\left({\mathrm{\Δ}}_j\left(\max \right)\right)}{|D_{k,i}-S_{k,j}|+\mathrm{\ζ}{\underset{j}{\max }}^i\left({\mathrm{\Δ}}_j\left(\max \right)\right)};$

为两级最大差，且 ${\underset{j}{\max }}^i\left({\mathrm{\Δ}}_j\left(\max \right)\right)=\underset{j}{\max }\left(\underset{x}{\max }\right|D_{k,i}-S_{k,j}\left|\right);$

为两级最小差，且 ${\underset{j}{\min }}^i\left({\mathrm{\Δ}}_j\left(\min \right)\right)=\underset{j}{\min }\left(\underset{k}{\min }\right|D_{k,i}-S_{k,j}\left|\right);$

D_k,i为第k天第i个时刻的电力负荷数据；

S_k,j为第k天第j个影响气象数据的因素的实测值；

i=1,2,...n，n为电力负荷数据矩阵的列数；

j=1,2,...,M，M为气象数据矩阵的列数；

k=1,2,...L，L为电力负荷数据矩阵D_L×n和气象数据矩阵S_L×M的行数；

ζ为分辨参数；

子步骤A2：针对气象数据矩阵的每一列，计算其与电力负荷数据矩阵各列的关联度的均值，计算公式为

子步骤A3：选取R_j中值最大的m个数据，将所述m个数据对应的气象数据矩阵的列所反映的影响气象数据的因素，作为与电力负荷数据关联度最大的m个因素。

所述步骤4包括：

子步骤B1：以第k天有效成分的实测值T_k、与第k天日期类型相同的前一天的有效成分实测值T_k-1、与第k天日期类型相同的前一天的电力负荷数据D_k-1,j和第k天的日期类型w作为输入样本，以第k天的电力负荷数据D_k,j作为输出样本，建立样本集合{[T_k-1,T_k,D_k-1,j,w],D_k,j}，记为{x_p,t_p}；其中，k=2,3,...,L，j=1,2,...,n，p=1,2,...,Ln；

子步骤B2：随机选取单隐层人工神经网络，设定权重步长a和收敛阈值ε，令初始迭代次数iter=1，权重分布

子步骤B3：在样本集合{x_p,t_p}的权重分布下，训练所述单隐层人工神经网络，利用极端学习机ELM算法计算得到所述单隐层人工神经网络的参数

和

其中，参数

为单隐层人工神经网络中第l个神经元和输出节点之间的权重；

参数为单隐层人工神经网络中第l个神经元的阈值；

子步骤B4：判断是否满足收敛条件 $\sqrt{\frac{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{[H\left(x_p\right)-t_p]}^2}{\mathrm{Ln}}}<\mathrm{\&epsiv;},$ 当 $\sqrt{\frac{\underset{k=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{[H\left(x_p\right)-t_p]}^2}{\mathrm{Ln}}}<\mathrm{\&epsiv;}$ 时，执行子步骤B6；否则，执行子步骤B5；

其中， $H\left(x_p\right)=\underset{\mathrm{\&sigma;}=1}{\overset{\mathrm{iter}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{\&sigma;}}{h}_{\mathrm{\&sigma;}}\left(x_p\right);$

${\mathrm{\&alpha;}}_{\mathrm{\&sigma;}}=\ln \left(\frac{1}{{\mathrm{\&beta;}}_{\mathrm{\&sigma;}}}\right)/\underset{\mathrm{\&sigma;}=1}{\overset{\mathrm{iter}}{\mathrm{\&Sigma;}}}\ln \left(\frac{1}{{\mathrm{\&beta;}}_{\mathrm{\&sigma;}}}\right);$

${\mathrm{\&beta;}}_{\mathrm{\&sigma;}}=\frac{|h_{\mathrm{iter}}\left(x_{\mathrm{\&sigma;}}\right)-t_{\mathrm{\&sigma;}}|-\mathrm{err}}{\mathrm{err}}\&times;a;$

$h_{\mathrm{\&sigma;}}\left(x_p\right)=\underset{l=1}{\overset{\stackrel{\&OverBar;}{N}}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_l^{\mathrm{\&sigma;}}G({\left({\mathrm{\&omega;}}_l^{\mathrm{\&sigma;}}\right)}^T{x}_p+b_l^{\mathrm{\&sigma;}});$

G(·)为单隐层人工神经网络的激活函数且

$\mathrm{err}=\sqrt{\frac{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}(d_p^{\mathrm{iter}}\&times;{[h_{\mathrm{iter}}\left(x_p\right)-t_p]}^2)}{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{d}_p^{\mathrm{iter}}}};$

为单隐层人工神经网络神经元的个数；

为第l个输入节点和神经元之间的权重；

子步骤B5：令

iter=iter+1，转至子步骤B3；

其中， $e_p=\left\{\begin{array}{c}0,|h_{\mathrm{iter}}\left(x_p\right)-t_p|>\mathrm{err}\\ 1,|h_{\mathrm{iter}}\left(x_p\right)-t_p|\&le;\mathrm{err}\end{array}\right.;$

${\mathrm{\&beta;}}_p=\frac{|h_{\mathrm{iter}}\left(x_p\right)-t_p|-\mathrm{err}}{\mathrm{err}}\&times;a;$

子步骤B6：H(x_p)即为所求的短期电力负荷预测模型。

所述步骤5之后还包括短期电力负荷预测模型的修正步骤，包括：

子步骤C1：以当天有效成分的实测值T、与当天日期类型相同的前一天的有效成分的实测值T′、与当天日期类型相同的前一天的电力负荷数据D_j′和当天的日期类型w作为输入数据，输入到短期电力负荷预测模型中，得到当天电力负荷预测值D_j，j=1,2,...,n；

子步骤C2：采集当天时刻s的电力负荷实测值

以与当天日期类型相同的前一天有效成分的实测值T′、与当天日期类型相同的前一天时刻s的电力负荷数据D_s′、当天有效成分的实测值T和当天的日期类型w作为输入数据，以当天时刻s的电力负荷实测值

作为输出数据，训练得到单日时刻s的短期电力负荷预测模型f(x)；其中，x为输入数据且x=[T′,T,D_s′,w]；

子步骤C3：根据公式 $H^{\left(s\right)}\left(x\right)=e^{-|D_s-{\hat{D}}_s|}\&times;\mathrm{\&lambda;H}\left(x\right)+(1-e^{-|D_s-{\hat{D}}_s|}\&times;\mathrm{\&lambda;})f\left(x\right)$ 计算备用集成预测模型；其中，λ为设定的分配权重；

子步骤C4：如果不等式

并且不等式

都成立，则用备用集成预测模型H^(s)(x)取代短期电力负荷预测模型H(x)；否则，保持短期电力负荷预测模型不变；

其中，x_s+q-1=[T′,T,D′_s+q-1,w]；

D′_s+q-1为与当天日期类型相同的前一天时刻s+q-1的电力负荷实测值；

为当天时刻s+q-1的电力负荷实测值；

x_i=[T′,T,D_i′,w]；

D_i′为与当天日期类型相同的前一天时刻i的电力负荷实测值；

为当天时刻i的电力负荷实测值；

q为设定值。

本发明可以有效地消除数据噪音对模型预测精度的影响，得到较为精确、稳定的预测结果；并且，本发明提供的算法结构适合进行并行计算，因而较传统方法更为高效。

附图说明

图1是基于自适应增强算法的短期电力负荷在线预测方法流程图；

图2是短期电力负荷预测模型训练流程图；

图3是ELM神经网络结构示意图；

图4是预测模型动态修正流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是基于自适应增强算法的短期电力负荷在线预测方法流程图。如图1所示，本发明提供的基于自适应增强算法的短期电力负荷在线预测方法包括：

步骤1：选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵S_L×M；其中，M和L为设定值。

依据气象因素对电力负荷的影响，选取当地影响气象信息的因素。比如选取最高气温、最低气温、平均气温、湿度、气压、风速、阴雨等M个因素作为影响气象数据的因素，并将过去L天的影响因素数据记录下来，生成气象数据矩阵S_L×M。

步骤2：提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵D_L×n；其中，n为设定值。

不妨取n=24，记录过去L天中每天每个小时的电力负荷数据，形成电力负荷数据矩阵D_L×24。

步骤3：在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，得到有效气象数据矩阵T_L×m；其中，m为设定值。

选取与电力负荷数据关联度最大的m个因素采用灰色关联分析法，包括：

子步骤A1：采用如下公式

$r_j^i=\frac{1}{L}\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_j^i\left(k\right)---\left(1\right)$

计算电力负荷数据矩阵第i列与气象数据矩阵第j列的关联度。

公式（1）中，

${\mathrm{\&xi;}}_j^i\left(k\right)=\frac{{\underset{j}{\min }}^i\left({\mathrm{\&Delta;}}_j\left(\min \right)\right)+\mathrm{\&zeta;}{\underset{j}{\max }}^i\left({\mathrm{\&Delta;}}_j\left(\max \right)\right)}{|D_{k,i}-S_{k,j}|+\mathrm{\&zeta;}{\underset{j}{\max }}^i\left({\mathrm{\&Delta;}}_j\left(\max \right)\right)}---\left(2\right)$

公式（2）中，

为两级最大差且 ${\underset{j}{\max }}^i\left({\mathrm{\&Delta;}}_j\left(\max \right)\right)=\underset{j}{\max }\left(\underset{k}{\max }\right|D_{k,i}-S_{k,j}\left|\right),$

为两级最小差且 ${\underset{j}{\min }}^i\left({\mathrm{\&Delta;}}_j\left(\min \right)\right)=\underset{j}{\min }\left(\underset{k}{\min }\right|D_{k,i}-S_{k,j}\left|\right),$ D_k,i为第k天第i个时刻的电力负荷数据，S_k,j为第k天第j个影响气象数据的因素的实测值。i=1,2,...n，n为电力负荷数据矩阵的列数。j=1,2,...,M，M为气象数据矩阵的列数。k=1,2,...L，L为电力负荷数据矩阵D_L×n和气象数据矩阵S_L×M的行数，ζ为分辨参数。

子步骤A2：针对气象数据矩阵的每一列，利用公式

$R_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{r}_j^i---\left(3\right)$

计算其与电力负荷数据矩阵各列的关联度的均值。

子步骤A3：选取R_j中值最大的m个数据，将这m个数据对应的气象数据矩阵的列所反映的影响气象数据的因素，作为与电力负荷数据关联度最大的m个因素。

由于气象数据矩阵S_L×M中的每一列代表一个影响气象数据的因素，而R_j值表征各个影响气象数据的因素与电力负荷数据矩阵各列的关联度的均值，R_j值中的最大的m个数据，即为影响气象数据的因素中，与电力负荷数据矩阵各列的关联度的均值最大的m个数据。这样，就可以确定当地与电力负荷数据关联程度最高的m个影响气象数据的因素。在之后的电力负荷数据预测中，只要使用与电力负荷数据关联程度最高的m个影响气象数据的因素，无需再考虑其他影响气象数据的因素，从而实现了降维过程，极大地提高了运算速度。

步骤4：利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n求解短期电力负荷预测模型。

经过对实际电力负荷数据的观察与分析可以发现，短期电力负荷数据有着明显的周期特性，即不同日的工作日24小时负荷变化呈现相似规律，不同日的周末24小时负荷变化呈现相似规律，不同年的重大节假日24小时负荷变化呈现相似规律。不妨令日期类型为w={1,2,3}，其中，w中的1、2和3分别代表工作日、周末以及节假日。根据不同日相同日期类型具有的负荷变化规律，本发明中规定若两个不同日的日期类型相同，则它们两者为相似日。

接下来，本发明利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n建立样本集合，再利用自适应增强算法与机器学习算法对样本集进行训练，求得短期电力负荷预测模型，如图2所示，包括：

子步骤B1：以第k天有效成分的实测值T_k、与第k天日期类型相同的前一天的有效成分实测值T_k-1、与第k天日期类型相同的前一天的电力负荷数据D_k-1,j和第k天的日期类型w作为输入样本，以第k天的电力负荷数据D_k,j作为输出样本，建立样本集合{[T_k-1,T_k,D_k-1,j,w],D_k,j}，其中k=2,3,...,L，j=1,2,...,n。由于对于某一特定日期，即k固定的情况下，共有n个电力负荷数据，因此如果将某一特定日期内某一特定时刻的电力负荷作为一个样本，L天的所有数据共可以生成Ln个样本。所以可以将样本集合{[T_k-1,T_k,D_k-1,j,w],D_k,j}记为{x_p,t_p}，p=1,2,...,Ln。

子步骤B2：随机选取单隐层人工神经网络，设定权重步长a和收敛阈值ε，令初始迭代次数iter=1，权重分布

子步骤B3：在样本集合{x_p,t_p}的权重分布下，训练所述单隐层人工神经网络，如图3所示，利用极端学习机ELM（Extreme Learning Machine）算法计算得到所述单隐层人工神经网络的参数和

其中，参数

为单隐层人工神经网络中第l个神经元和输出节点之间的权重，参数

为单隐层人工神经网络中第l个神经元的阈值。

图3中所示的神经网络结构中共有

个神经元，γ_l∈R是第l个神经元和输出节点之间的权重，ω_l=[ω_l,1,ω_l,2,...,ω_l,2m+2]^T∈R^2m+2是第l个输入节点和神经元之间的权重，b_l∈R是第l个神经元的阈值，x_p=[x_p,1,x_p,2,...,x_p,2m+2]^T∈R^2m+2是输入变量，t_p∈R是输出变量。

令o_p∈R作为ELM模型的输出向量，可以得到如下数学模型表达式：

$\underset{l=1}{\overset{\stackrel{\&OverBar;}{N}}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_{l}G({\mathrm{\&omega;}}_l^T{x}_p+b_l)=o_p---\left(4\right)$

将公式（4）简写为：

Hγ=O  （5）

式（5）中，

$\mathrm{\&gamma;}={\left[\begin{array}{c}{\mathrm{\&gamma;}}_1\\ .\\ .\\ .\\ {\mathrm{\&gamma;}}_{\stackrel{\&OverBar;}{N}}\end{array}\right]}_{\stackrel{\&OverBar;}{N}\&times;1},$ $O={\left[\begin{array}{c}{o}_1\\ .\\ .\\ .\\ o_{\mathrm{Ln}}\end{array}\right]}_{\mathrm{Ln}\&times;1}.$

对ELM预测模型训练的目的就是找到最优网络参数γ_l∈R和b_l∈R，这样才能使ELM预测模型的输出值和真实值之间的误差最小，这样就有优化问题如下：

$\underset{\mathrm{\&gamma;}}{\min }E(\mathrm{\&gamma;},\mathrm{\&omega;},b,x)=\underset{p}{\mathrm{\&Sigma;}}{\left|\right|o_p-t_p\left|\right|}_2^2---\left(6\right)$

可解得方程组的最小二乘解γ=H⁺T，其中H⁺=(H^TH)^-1H^T。

若考虑第iter次的迭代过程中自适应增强算法中的样本权重分布则E(γ,ω,b,x)的原最小化问题可改写为：

$\underset{{\mathrm{\&gamma;}}^{\mathrm{iter}}}{\min }E({\mathrm{\&gamma;}}^{\mathrm{iter}},{\mathrm{\&omega;}}^{\mathrm{iter}},b^{\mathrm{iter}},x)=\underset{p}{\mathrm{\&Sigma;}}{\left|\right|o_p^{\mathrm{iter}}-t_p\left|\right|}_2^2=\underset{p}{\mathrm{\&Sigma;}}{d}_p^{\mathrm{iter}}{\left|\right|\underset{l=1}{\overset{\stackrel{\&OverBar;}{N}}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_l^{\mathrm{iter}}G({\left({\mathrm{\&omega;}}_l^{\mathrm{iter}}\right)}^T{x}_p+b_l^{\mathrm{iter}})-t_p\left|\right|}_2^2---\left(7\right)$

令

$T_w={\left[\begin{array}{c}{t}_1\sqrt{d_1^{\mathrm{iter}}}\\ .\\ .\\ .\\ t_{\mathrm{Ln}}\sqrt{d_{\mathrm{Ln}}^{\mathrm{iter}}}\end{array}\right]}_{\mathrm{Ln}\&times;1},$ 则 ${\widehat{\mathrm{\&gamma;}}}^{\mathrm{iter}}=H_w^{+}{T}_w,$

其中将求得的

代入可得式（7）可得：

$h_{\mathrm{iter}}\left(x_p\right)=\underset{h}{\arg }\min \underset{p}{\mathrm{\&Sigma;}}{d}_p^{\mathrm{iter}}{[h\left(x_p\right)-t_p]}^2=\underset{l=1}{\overset{\stackrel{\&OverBar;}{N}}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&gamma;}}}_l^{\mathrm{iter}}G({\left({\mathrm{\&omega;}}_l^{\mathrm{iter}}\right)}^T{x}_p+b_l^{\mathrm{iter}})---\left(8\right)$

子步骤B4：判断是否满足收敛条件 $\sqrt{\frac{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{[H\left(x_p\right)-t_p]}^2}{\mathrm{Ln}}}<\mathrm{\&epsiv;},$ 当 $\sqrt{\frac{\underset{k=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{[H\left(x_p\right)-t_p]}^2}{\mathrm{Ln}}}<\mathrm{\&epsiv;}$ 时，执行子步骤B6；否则，执行子步骤B5。

其中， $H\left(x_p\right)=\underset{\mathrm{\&sigma;}=1}{\overset{\mathrm{iter}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{\&sigma;}}{h}_{\mathrm{\&sigma;}}\left(x_p\right),$ ${\mathrm{\&alpha;}}_{\mathrm{\&sigma;}}=\ln \left(\frac{1}{{\mathrm{\&beta;}}_{\mathrm{\&sigma;}}}\right)/\underset{\mathrm{\&sigma;}=1}{\overset{\mathrm{iter}}{\mathrm{\&Sigma;}}}\ln \left(\frac{1}{{\mathrm{\&beta;}}_{\mathrm{\&sigma;}}}\right),$ ${\mathrm{\&beta;}}_{\mathrm{\&sigma;}}=\frac{|h_{\mathrm{iter}}\left(x_{\mathrm{\&sigma;}}\right)-t_{\mathrm{\&sigma;}}|-\mathrm{err}}{\mathrm{err}}\&times;a,$ $h_{\mathrm{\&sigma;}}\left(x_p\right)=\underset{l=1}{\overset{\stackrel{\&OverBar;}{N}}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_l^{\mathrm{\&sigma;}}G({\left({\mathrm{\&omega;}}_l^{\mathrm{\&sigma;}}\right)}^T{x}_p+b_l^{\mathrm{\&sigma;}}).$ G(·)为单隐层人工神经网络的激活函数且 $G\left(x\right)=\frac{1}{1+e^{-x}},$ $\mathrm{err}=\sqrt{\frac{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}(d_p^{\mathrm{iter}}\&times;{[h_{\mathrm{iter}}\left(x_p\right)-t_p]}^2)}{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{d}_p^{\mathrm{iter}}}}.$ 为单隐层人工神经网络神经元的个数，

为第l个输入节点和神经元之间的权重，其初值为全1向量。

子步骤B5：令

iter=iter+1，转至子步骤B3。其中， $e_p=\left\{\begin{array}{c}0,|h_{\mathrm{iter}}\left(x_p\right)-t_p|>\mathrm{err}\\ 1,|h_{\mathrm{iter}}\left(x_p\right)-t_p|\&le;\mathrm{err}\end{array}\right.,$ ${\mathrm{\&beta;}}_p=\frac{|h_{\mathrm{iter}}\left(x_p\right)-t_p|-\mathrm{err}}{\mathrm{err}}\&times;a.$

子步骤B6：H(x_p)即为所求的短期电力负荷预测模型。

步骤5：利用短期电力负荷预测模型进行电力负荷预测。

在获得短期电力负荷预测模型后，可以以有效成分的历史数据和电力负荷的历史数据作为输入数据，将其输入到短期电力负荷预测模型中，得到的输出数据即为电力负荷预测值。

在本发明提供的方法的步骤5之后，还可以进一步包括短期电力负荷预测模型的修正步骤。如图4所示，该短期电力负荷预测模型的修正步骤包括：

子步骤C1：以当天有效成分的实测值T、与当天日期类型相同的前一天的有效成分的实测值T′、与当天日期类型相同的前一天的电力负荷数据D_j′和当天的日期类型w作为输入数据，输入到短期电力负荷预测模型中，得到当天电力负荷预测值D_j，j=1,2,...,n。

子步骤C2：采集当天时刻s的电力负荷实测值

以与当天日期类型相同的前一天有效成分的实测值T′、与当天日期类型相同的前一天时刻s的电力负荷数据D_s′、当天有效成分的实测值T和当天的日期类型w作为输入数据，以当天时刻s的电力负荷实测值

作为输出数据，训练得到单日时刻s的短期电力负荷预测模型f(x)；其中，x为输入数据且x=[T′,T,D_s′,w]。

由于输入数据x和输出数据

已经确定，因此可以根据输入数据和输出数据建立样本集合，再利用自适应增强算法与机器学习算法对样本集进行训练，得到单日时刻s的短期电力负荷预测模型f(x)，其过程与子步骤B2-子步骤B6相同，此处不再赘述。

子步骤C3：根据公式 $H^{\left(s\right)}\left(x\right)=e^{-|D_s-{\hat{D}}_s|}\&times;\mathrm{\&lambda;H}\left(x\right)+(1-e^{-|D_s-{\hat{D}}_s|}\&times;\mathrm{\&lambda;})f\left(x\right)$ 计算备用集成预测模型。其中，λ为设定的分配权重。

子步骤C4：如果不等式

并且不等式

都成立，则用备用集成预测模型H^(s)(x)取代短期电力负荷预测模型H(x)；否则，保持短期电力负荷预测模型不变。

上述两个不等式中，x_s+q-1=[T′,T,D′_s+q-1,w]，D′_s+q-1为与当天日期类型相同的前一天时刻s+q-1的电力负荷实测值，

为当天时刻s+q-1的电力负荷实测值，x_i=[T′,T,D_i′,w]，D_i′为与当天日期类型相同的前一天时刻i的电力负荷实测值，

为当天时刻i的电力负荷实测值，q为设定值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于自适应增强算法的短期电力负荷在线预测方法，其特征是所述方法包括：

步骤1：选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵S_L×M；其中，M和L为设定值；

步骤2：提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵D_L×n；其中，n为设定值；

步骤3：在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，形成有效气象数据矩阵T_L×m；其中，m为设定值；

步骤4：利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n求解短期电力负荷预测模型；

步骤5：利用短期电力负荷预测模型进行电力负荷预测。

2.根据权利要求1所述的方法，其特征是所述选取与电力负荷数据关联度最大的m个因素采用灰色关联分析法，包括：

子步骤A1：采用公式

计算电力负荷数据矩阵第i列与气象数据矩阵第j列的关联度；

其中， ${\mathrm{\&xi;}}_j^i\left(k\right)=\frac{{\underset{j}{\min }}^i\left({\mathrm{\&Delta;}}_j\left(\min \right)\right)+\mathrm{\&zeta;}{\underset{j}{\max }}^i\left({\mathrm{\&Delta;}}_j\left(\max \right)\right)}{|D_{k,i}-S_{k,j}|+\mathrm{\&zeta;}{\underset{j}{\max }}^i\left({\mathrm{\&Delta;}}_j\left(\max \right)\right)};$

为两级最大差，且 ${\underset{j}{\max }}^i\left({\mathrm{\&Delta;}}_j\left(\max \right)\right)=\underset{j}{\max }\left(\underset{k}{\max }\right|D_{k,i}-S_{k,j}\left|\right);$

为两级最小差，且 ${\underset{j}{\min }}^i\left({\mathrm{\&Delta;}}_j\left(\min \right)\right)=\underset{j}{\min }\left(\underset{k}{\min }\right|D_{k,i}-S_{k,j}\left|\right);$

D_k,i为第k天第i个时刻的电力负荷数据；

S_k,j为第k天第j个影响气象数据的因素的实测值；

i=1,2,...n，n为电力负荷数据矩阵的列数；

j=1,2,...,M，M为气象数据矩阵的列数；

k=1,2,...L，L为电力负荷数据矩阵D_L×n和气象数据矩阵S_L×M的行数；

ζ为分辨参数；

子步骤A2：针对气象数据矩阵的每一列，计算其与电力负荷数据矩阵各列的关联度的均值，计算公式为

子步骤A3：选取R_j中值最大的m个数据，将所述m个数据对应的气象数据矩阵的列所反映的影响气象数据的因素，作为与电力负荷数据关联度最大的m个因素。

3.根据权利要求1或2所述的方法，其特征是所述步骤4包括：

子步骤B1：以第k天有效成分的实测值T_k、与第k天日期类型相同的前一天的有效成分实测值T_k-1、与第k天日期类型相同的前一天的电力负荷数据D_k-1,j和第k天的日期类型w作为输入样本，以第k天的电力负荷数据D_k,j作为输出样本，建立样本集合{[T_k-1,T_k,D_k-1,j,w],D_k,j}，记为{x_p,t_p}；其中，k=2,3,...,L，j=1,2,...,n，p=1,2,...,Ln；

子步骤B2：随机选取单隐层人工神经网络，设定权重步长a和收敛阈值ε，令初始迭代次数iter=1，权重分布

子步骤B3：在样本集合{x_p,t_p}的权重分布

下，训练所述单隐层人工神经网络，利用极端学习机ELM算法计算得到所述单隐层人工神经网络的参数

和

其中，参数

为单隐层人工神经网络中第l个神经元和输出节点之间的权重；

参数

为单隐层人工神经网络中第l个神经元的阈值；

子步骤B4：判断是否满足收敛条件 $\sqrt{\frac{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{[H\left(x_p\right)-t_p]}^2}{\mathrm{Ln}}}<\mathrm{\&epsiv;},$ 当 $\sqrt{\frac{\underset{k=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{[H\left(x_p\right)-t_p]}^2}{\mathrm{Ln}}}<\mathrm{\&epsiv;}$ 时，执行子步骤B6；否则，执行子步骤B5；

其中， $H\left(x_p\right)=\underset{\mathrm{\&sigma;}=1}{\overset{\mathrm{iter}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{\&sigma;}}{h}_{\mathrm{\&sigma;}}\left(x_p\right);$

${\mathrm{\&alpha;}}_{\mathrm{\&sigma;}}=\ln \left(\frac{1}{{\mathrm{\&beta;}}_{\mathrm{\&sigma;}}}\right)/\underset{\mathrm{\&sigma;}=1}{\overset{\mathrm{iter}}{\mathrm{\&Sigma;}}}\ln \left(\frac{1}{{\mathrm{\&beta;}}_{\mathrm{\&sigma;}}}\right);$

${\mathrm{\&beta;}}_{\mathrm{\&sigma;}}=\frac{|h_{\mathrm{iter}}\left(x_{\mathrm{\&sigma;}}\right)-t_{\mathrm{\&sigma;}}|-\mathrm{err}}{\mathrm{err}}\&times;a;$

$h_{\mathrm{\&sigma;}}\left(x_p\right)=\underset{l=1}{\overset{\stackrel{\&OverBar;}{N}}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_l^{\mathrm{\&sigma;}}G({\left({\mathrm{\&omega;}}_l^{\mathrm{\&sigma;}}\right)}^T{x}_p+b_l^{\mathrm{\&sigma;}});$

G(·)为单隐层人工神经网络的激活函数且

$\mathrm{err}=\sqrt{\frac{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}(d_p^{\mathrm{iter}}\&times;{[h_{\mathrm{iter}}\left(x_p\right)-t_p]}^2)}{\underset{p=1}{\overset{\mathrm{Ln}}{\mathrm{\&Sigma;}}}{d}_p^{\mathrm{iter}}}};$

为单隐层人工神经网络神经元的个数；

为第l个输入节点和神经元之间的权重；

子步骤B5：令

iter=iter+1，转至子步骤B3；

其中， $e_p=\left\{\begin{array}{c}0,|h_{\mathrm{iter}}\left(x_p\right)-t_p|>\mathrm{err}\\ 1,|h_{\mathrm{iter}}\left(x_p\right)-t_p|\&le;\mathrm{err}\end{array}\right.;$

${\mathrm{\&beta;}}_p=\frac{|h_{\mathrm{iter}}\left(x_p\right)-t_p|-\mathrm{err}}{\mathrm{err}}\&times;a;$

子步骤B6：H(x_p)即为所求的短期电力负荷预测模型。

4.根据权利要求3所述的方法，其特征是所述步骤5之后还包括短期电力负荷预测模型的修正步骤，包括：

子步骤C1：以当天有效成分的实测值T、与当天日期类型相同的前一天的有效成分的实测值T′、与当天日期类型相同的前一天的电力负荷数据D_j′和当天的日期类型w作为输入数据，输入到短期电力负荷预测模型中，得到当天电力负荷预测值D_j，j=1,2,...,n；

子步骤C2：采集当天时刻s的电力负荷实测值以与当天日期类型相同的前一天有效成分的实测值T′、与当天日期类型相同的前一天时刻s的电力负荷数据D_s′、当天有效成分的实测值T和当天的日期类型w作为输入数据，以当天时刻s的电力负荷实测值

作为输出数据，训练得到单日时刻s的短期电力负荷预测模型f(x)；其中，x为输入数据且x=[T′,T,D_s′,w]；

子步骤C3：根据公式 $H^{\left(s\right)}\left(x\right)=e^{-|D_s-{\hat{D}}_s|}\&times;\mathrm{\&lambda;H}\left(x\right)+(1-e^{-|D_s-{\hat{D}}_s|}\&times;\mathrm{\&lambda;})f\left(x\right)$ 计算备用集成预测模型；其中，λ为设定的分配权重；

子步骤C4：如果不等式

并且不等式

都成立，则用备用集成预测模型H^(s)(x)取代短期电力负荷预测模型H(x)；否则，保持短期电力负荷预测模型不变；

其中，x_s+q-1=[T′,T,D′_s+q-1,w]；

D′_s+q-1为与当天日期类型相同的前一天时刻s+q-1的电力负荷实测值；

为当天时刻s+q-1的电力负荷实测值；

x_i=[T′,T,D_i′,w]；

D_i′为与当天日期类型相同的前一天时刻i的电力负荷实测值；

为当天时刻i的电力负荷实测值；

q为设定值。

Images