CN104299043A - 极限学习机超短期负荷预测方法 - Google Patents

Abstract

本发明涉及一种极限学习机超短期负荷预测方法，通过建立极限学习机模型，将采集数据输入模型，能够实现对重点行业、产业集聚实时监测数据，运用极限学习机算法进行重点行业用户短期负荷预测，监测分析重点行业负荷变化特性，预警企业用电模式变动。

Description

极限学习机超短期负荷预测方法

技术领域

本发明涉及一种极限学习机超短期负荷预测方法。

背景技术

电力系统，电力调度领域，通常根据负荷曲线进行调度，参考包括日负荷曲线、月负荷曲线、年负荷曲线等等。随着计算机技术、信息技术的不断发展，如河南省，已经建立了用电信息采集系统应用平台及调度EMS系统(能量管理系统)、调度TMR(电量计量系统)，通过数据共享，对省内部分重点行业、产业集聚区的售电量、负荷等关键信息进行实时监测。

在此背景下，对重点行业、产业集聚区的用电信息监测、短期预测、超短期预测都有监测分析重点行业负荷变化特性，预警企业、乃至行业用电模式变动的重要意义。

发明内容

本发明的目的是提供一种极限学习机超短期负荷预测方法，用以解决如何实现用电负荷超短期预测的问题。

为实现上述目的，本发明的方案包括：

一种极限学习机超短期负荷预测方法，步骤如下：

1)采集目标日负荷数据；

2)将目标日负荷数据作为输入层参数带入建立好的极限学习机模型，通过训练确定模型中的参数；

3)把数据输入到经过训练的极限学习机模型进行预测。

极限学习机模型由输入层，隐含层和输出层三层组成，设训练数据组的样本个数为n，SLFN有l层隐含节点，用sigmoid函数作为激活函数，则其输

出函数为： $f_l\left(x_i\right)=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f(w_j{x}_i+b)=t_i,i=\mathrm{1,2}...,n$ (9)，即Hβ＝T(10)。

对一个训练数据集合，给定激活函数和隐含层节点数，主要包括：随机产生输入权值向量w_j和b_j,1≤j≤l；计算隐含层输出矩阵H；计算输出权值矩阵β＝H⁺T；H+是H的广义逆矩阵；采用奇异值分解的方法H。

本发明能够实现对重点行业、产业集聚实时监测数据，运用极限学习机算法进行重点行业用户短期负荷预测，监测分析重点行业负荷变化特性，预警企业用电模式变动。

附图说明

图1是极限学习机预测模型图；

图2是极限学习机算法流程图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明运用极限学习机算法，建立目标行业或企业用电负荷超短期预测模型。

极限学习机(Extreme Learning Machine，ELM)是一种简单易用、有效的单隐层前馈神经网络(SLFNs)学习算法。传统的神经网络学习算法(如BP神经网络)需要人为设置大量的网络训练参数，并且很容易产生局部最优解，而极限学习机只需要设置网络的隐含层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解。

一个单隐层前馈神经网络SLFN包括三层：输入层，隐含层和输出层。其模型如图1所示。假设训练数据组的样本个数为n，SLFN有l层隐含节点，用sigmoid函数作为激活函数，则其输出函数为： $f_l\left(x_i\right)=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f(w_j{x}_i+b)=t_i,i=\mathrm{1,2}...,n$ (9)

ELM完全不同于传统的迭代学习算法，因为它随机选取输入权值向量w和隐含层的偏差b,并且能利用最小二乘法分析计算输出权值β。在这种情况下，仍然可以用更好的概括性能来减小训练误差。

根据ELM理论，(9)式可简化为：

Hβ＝T   (10)

对一个训练数据集合，给定激活函数和隐含层节点数，ELM算法可总结为以下三个主要的步骤：

1)随机产生输入权值向量w_j和b_j,1≤j≤l；

2)计算隐含层输出矩阵H；

3)计算输出权值矩阵β＝H⁺T

H+是H的广义逆矩阵。

计算H+的广义逆矩阵的方法有多种，其中奇异值分解由于其普遍性而被认为是最合适的方法。相比于传统的ANN算法，ELM算法在训练过程中不需要调整网络的输入权值，因此其训练速度可以快几千倍。

本发明中，为了对目标行业或者企业进行监测，首先对预测模型中的参数通过训练获得。为了进行超短期预测，首先采集日负荷，采样周期和采样点数可以根据需要进行设定，如每日采样96个点，采样频率f＝0.00067Hz。将采集到的负荷数据作为输入数据带入ELM模型。根据输出方式，可以进行对第二天进行预测，或者对当天下一个点进行预测。

通过系统采集的企业用电负荷数据，运用极限学习机预测方法进行负荷预测，分析负荷预测结果，能够预测企业用电负荷的变化，对负荷变动较大的企业进行提前预警，防范电网企业经营风险。

采集的数据可以来源于运营监测(控)平台。利用公司用电信息采集系统应用平台及调度EMS系统(能量管理系统)、调度TMR(电量计量系统)，通过数据共享，建立运营监测(控)数据平台实时监测收集重点行业、产业集聚区的售电量、负荷等关键信息。数据采集系统为保证数据质量，进行三次采集数据并校核。数据采集系统第一次采集数据后，系统自动对数据进行校核，对于未采集到数据和较昨日偏差较大的数据进行补充采集并校核，第二天通过数据采集系统对前一天数据再进行一次采集并进行校核，数据经过以上三次采集校核后确认正确。

在数据采集的基础上进行输入数据清理。电力负荷数据经过三次采集校核后，系统依然存在数据缺值情况。系统采取标准差不变法对系统缺值进行填充，填充后的数据标准差将保持不变。对于系统采集的异常或噪声数据，系统采用聚类法进行清除。聚类是基于距离的，其标准是类间的距离最大，而类内的距离最小。很小的聚类具有到其他类较大的距离，很有可能是异常点。本系统采用k值聚类方法。

以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (3)

1.一种极限学习机超短期负荷预测方法，其特征在于，步骤如下：

1)采集目标日负荷数据；

2)将目标日负荷数据作为输入层参数带入建立好的极限学习机模型，通过训练确定模型中的参数；

3)把数据输入到经过训练的极限学习机模型进行预测。

2.根据权利要求1所述的一种极限学习机超短期负荷预测方法，其特征在于，极限学习机模型由输入层，隐含层和输出层三层组成，设训练数据组的样本个数为n，SLFN有l层隐含节点，用sigmoid函数作为激活函数，则其

输出函数为： $f_l\left(x_i\right)=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f(w_j{x}_i+b)=t_i,i=\mathrm{1,2}...,n$ (9)，即Hβ＝T(10)。

3.根据权利要求2所述的一种极限学习机超短期负荷预测方法，其特征在于，对一个训练数据集合，给定激活函数和隐含层节点数，主要包括：随机产生输入权值向量w_j和b_j,1≤j≤l；计算隐含层输出矩阵H；计算输出权值矩阵β＝H⁺T；H+是H的广义逆矩阵；采用奇异值分解的方法H。