CN104408529A - 电网短期负荷预测方法 - Google Patents

Abstract

本发明涉及一种电网短期负荷预测方法，步骤1、获取历史数据并对数据作预处理；步骤2、利用小波分解将历史负荷样本数据分解成多个不同频率的子序列；步骤3、对各子序列进行单支重构；步骤4、动态选择训练样本，建立纵横交叉算法优化的神经网络预测模型；步骤5、对各子序列均用优化的神经网络模型进行提前24h预测；步骤6、叠加各子序列的预测值，获得完整预测结果。本发明使用全新的群智能算法——纵横交叉算法而非传统算法优化BP神经网络参数，能克服神经网络固有的缺陷；处理冲击负荷引起的毛刺问题采用小波分解，解决了对毛刺进行预处理把有效负荷去除而导致精度下降的问题，混合算法的预测值更接近实测负荷值。

Description

电网短期负荷预测方法

技术领域

    本发明涉及地区电网短期负荷预测方法，特别涉及一种利用混合小波变换和纵横交叉算法优化神经网络的电网短期负荷预测方法。

背景技术

目前，负荷预测中使用最为广泛的方法是人工神经网络预测。其中，BP神经网络由于具有自组织、自学习能力，可以实现从输入到输出的任意非线性映射，因而在预测领域得到了广泛应用。然而，BP算法采用梯度下降法调整权值和阈值，导致收敛速度慢，容易陷入局部最优。随着更多的影响因素和学习样本考虑在内，神经网络的计算量和权值数将急剧增加。此外，当大量冲击性负荷接入电网，该地区的负荷曲线会产生较多毛刺，但冲击负荷引起的毛刺并非坏值，利用滤波或其它技术手段对冲击负荷引起毛刺进行预处理会把有效负荷去除而导致精度下降。常规的神经网络模型几乎无法捕捉这些毛刺的变化规律，所以需要寻求一种新的预测方法。

随着人们不断对短期负荷预测的深入研究，各种进化算法被广泛应用于优化神经网络参数，例如遗传算法（GA）、模拟退火法（SA）、粒子群算法（PSO）和蚁群算法（ACO）等等。其中，使用PSO优化BP神经网络参数，虽然收敛速度快，但当考虑负荷因素增多，决策变量规模将会急速增长，而PSO在求解大规模优化问题时容易出现早熟现象；使用ACO对BP神经网络进行优化，同样没有解决早熟问题，虽然ACO改善了神经网络的泛化能力，但为保持种群的多样性，蚁群算法采用了复杂的算法结构和较多的控制参数，从而影响了其实用性。

以上算法各有优缺点，在一定程度上改善了神经网络的性能，但是它们通常要共同面对的挑战是过早收敛问题。到目前为止，大规模神经网络优化问题仍然是启发式算法解决大规模多峰优化问题的一大挑战。因此，寻找一种能解决大规模神经网络参数优化问题，使优化后的神经网络能有效捕捉冲击负荷引起的毛刺，以提高负荷预测精度是解决含大量冲击负荷的同类地区亟待解决的技术难题。

发明内容

本发明的主要目的在于，针对上述现有技术中的不足，提供一种电网短期负荷预测方法，完整保留冲击负荷信息，提高了预测模型的准确性和稳定性。

本发明解决现有技术问题所采用的技术方案是：一种电网短期负荷预测方法，包括以下步骤：

S1、获取历史数据并对数据作预处理；

S2、利用小波分解将历史负荷样本数据分解成多个不同频率的子序列；

S3、对各子序列进行单支重构；

S4、动态选择训练样本，建立纵横交叉算法优化的神经网络预测模型；

S5、对各子序列均用优化的神经网络模型进行提前24h预测；

S6、叠加各子序列的预测值，获得完整预测结果。

优选地，在所述步骤S4中，建立纵横交叉算法优化的神经网络预测模型，具体包括以下步骤：    

S41、根据给定的训练样本，确定神经网络拓扑结构和各层的节点数，并确定横向交叉概率                                                、纵向交叉概率、种群规模、最大迭代次数和粒子维数，其中每个粒子维数为所要优化的连接权值和阈值的总数量；

S42、对所要优化的连接权值和阈值进行粒子编码，并随机产生初始种群，其中第粒子为：，，，分别是输入层，隐含层和输出层的节点数，表示输入层第个节点到隐含层第个节点的权值，表示隐含层第个节点到输出层第个节点的权值，表示隐含层第个节点的阈值、表示输出层第个节点的阈值；

S43、将每个粒子转换为神经网络各层对应的权值和阈值，根据BP网络的前向算法，隐含层第个节点输出值为：

    

输出层第个节点输出值为：

  

激活函数选定为Sigmoid函数，如下：

                        

S44、根据下式计算初始种群中每个个体的适应值；

            

式中：、分别是神经网络的实际输出和目标输出，为训练样本数。

 

S45、执行横向交叉，产生的中庸解保存在矩阵中，然后计算中每个解的适应值，与其父代种群（即，第一代除外）进行比较，只有适应度更好的粒子才能保留在中；

S46、执行纵向交叉并将产生的解保存在矩阵中，然后计算中每个解的适应值，与其父代种群（即）进行比较，择优保留在中；

S47、判断终止条件是否满足，如果迭代次数大于设定的最大值时，则迭代终止并将中适应值最好的一组解转换为神经网络对应的权值和阈值，否则，转到步骤5进行新一轮迭代。

优选地，在所述步骤S1中，历史数据包括过去两年的负荷数据和天气数据。其中，负荷数据的时间分辨率均为5min，即一天拥有288个数据样本。对样本数据进行预处理，数据的时间分辨率转为1h，以每小时平均功率为该时刻的功率。天气数据包括过去两年的最高温度、最低温度和降雨量。

优选地，在所述步骤S2和步骤S3中，对历史负荷数据进行小波分解和重构具体公式为：

小波分解公式为：

 

式中，为原信号，，并且，为母小波；

小波重构公式为：

式中，为相容性条件，且

在Matlab平台中实行小波分解与重构的函数是‘wavedec’和‘wrcoef’，本发明中小波分解把历史负荷数据分解成3个层次，得到4个子序列，分别是低频分量，高频分量、、。

优选地，在所述步骤S4中，所述动态选择训练样本为预测日前90天数据样本。

优选地，在所述步骤S5中，执行横向交叉的具体步骤为：

S51、获取父代种群（即纵向交叉的占优解，第一代除外）；

S52、对父代种群中的所有个体进行两两不重复配对（共有对），并按编号；

S53、按顺序依次取出每一对，设粒子和被取出；

S54、在横向交叉概率下对粒子和的第维执行横线交叉，公式如下：

式中，;,为[0,1]上的均匀分布随机数；,为[-1,1]之间的均匀分布随机数；和分别为粒子和的第维；和分别为横向交叉后的中庸解；

S55、重复步骤（3）和步骤（4）次；

S56、执行竞争算子，获得横向交叉后的占优解。 

优选地，所述步骤S6执行纵向交叉的具体步骤为：

（1）获取父代种群（即横向交叉的占优解）；

（2）对父代个体的每一维进行归一化处理，公式如下：

式中，,；和分别为第维控制变量的上、下限；为当前代数。

   （3）对种群中所有维进行两两不重复配对（共有对），并按编号；

（4）按顺序依次取出每一对，设，两维被选中；

（5）在纵向交叉率下，粒子的第和维执行纵向交叉，公式如下：

式中，为[0,1]上的均匀分布随机数；为粒子的第维子代；

（6）重复步骤（4）和步骤（5）次；

（7）对进行反归一化，得到中庸解，公式如下：

（8）执行竞争算子，获得纵向交叉后的占优解。

本发明的有益效果是：

1、本发明利用纵横交叉算法优化神经网络的连接权值和阈值，有效加快网络的收敛速度，并且避免陷入局部最优，因此，本发明能提高神经网络的泛化能力。

    2、本发明在处理负荷曲线毛刺的过程中，采用小波分解对负荷样本进行分解，得到多个不同频率的子序列，每个子序列具有较简单的变换规律，利用纵横交叉算法优化的神经网络对每个子序列进行提前24h预测，从而避免把毛刺当坏值滤掉造成预测精度不高的问题，因此，本发明能够提高冲击负荷的预测精度。

3、本发明控制参数少且易于操作实施，对提高同类地区负荷预测精度具有重要的应用价值。

附图说明

图1是本发明方法的流程框图；

图2是3层小波分解结构图；

图3是神经网络的结构示意图；

图4是纵横交叉算法优化神经网络的流程框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

以下将结合附图及具体实施例详细说明本发明的技术方案，以便更清楚、直观地理解本发明的发明实质。

如图1所示，对本发明所提出的电网短期负荷预测方法，包括以下步骤：

步骤1，获取历史数据并对数据作预处理；

在所述步骤S1中，历史数据包括过去两年的负荷数据和天气数据。其中，负荷数据的时间分辨率均为5min，即一天拥有288个数据样本。对样本数据进行预处理，数据的时间分辨率转为1h，以每小时平均功率为该时刻的功率。天气数据包括过去两年的最高温度、最低温度和降雨量。

步骤2，利用小波分解将历史负荷样本数据分解成多个不同频率的子序列；

在所述步骤2中，对历史负荷数据进行小波分解和重构具体公式为：

小波分解公式为：

 

式中，为原信号，，并且，为母小波。

步骤3，对各子序列进行单支重构；

在步骤3中，小波重构公式为：

式中，为相容性条件，且

在Matlab平台中实行小波分解与重构的函数是‘wavedec’和‘wrcoef’，本发明中小波分解把历史负荷数据分解成3个层次，得到4个子序列，分别是低频分量，高频分量、、。

步骤4，动态选择训练样本，建立纵横交叉算法优化的神经网络预测模型；

在所述步骤4中，所述动态选择训练样本为预测日前90天数据样本。

步骤5，对各子序列均用优化的神经网络模型进行提前24h预测；

步骤6，叠加各子序列的预测值，获得完整预测结果。

如图2所示，是本发明对历史负荷数据进行小波分解的过程。小波分解把原始负荷数据分解成3个层次，得到4个子序列，分别是低频分量，高频分量、、。

如图3所示，本发明所述的神经网络根据数据样本确定网络结构，包括输入层、隐含层和输出层。输入量除了前一天负荷数据外，还包含预测当天和前一天的最高温度、最低温度、降雨量和日类型，因此输入层，隐含层和输出层的节点数分别为32，6，24，则变量维数。

 

如图4所示，是本发明纵横交叉算法优化神经网络的流程框图，也就是，在所述步骤4中，建立纵横交叉算法优化的神经网络预测模型，具体包括以下步骤：

S1.根据给定的训练样本，确定神经网络拓扑结构和各层的节点数，并确定横向交叉概率、纵向交叉概率、种群规模、最大迭代次数和粒子维数，其中每个粒子维数为所要优化的连接权值和阈值的总数量；

S2.对所要优化的连接权值和阈值进行粒子编码，并随机产生初始种群，其中第粒子为：，，，分别是输入层，隐含层和输出层的节点数，表示输入层第个节点到隐含层第个节点的权值，表示隐含层第个节点到输出层第个节点的权值，表示隐含层第个节点的阈值、表示输出层第个节点的阈值；

S3.将每个粒子转换为神经网络各层对应的权值和阈值，根据BP网络的前向算法，隐含层第个节点输出值为：

    

输出层第个节点输出值为：

  

激活函数选定为Sigmoid函数，如下：

                        

S4.根据下式计算初始种群中每个个体的适应值；

            

式中：、分别是神经网络的实际输出和目标输出，为训练样本数。

S5.执行横向交叉，产生的中庸解保存在矩阵中，然后计算中每个解的适应值，与其父代种群（即，第一代除外）进行比较，只有适应度更好的粒子才能保留在中；

S6.执行纵向交叉并将产生的解保存在矩阵中，然后计算中每个解的适应值，与其父代种群（即）进行比较，择优保留在中；

S7.判断终止条件是否满足。如果迭代次数大于设定的最大值时，则迭代终止并将中适应值最好的一组解转换为神经网络对应的权值和阈值。否则，转到步骤5进行新一轮迭代。

 

具体的，在所述步骤5中，执行横向交叉的具体步骤为：

(1)获取父代种群（即纵向交叉的占优解，第一代除外）；

(2)对种群中的所有个体进行两两不重复配对（共有对），并按编号；

(3)按顺序依次取出每一对，设粒子和被取出；

(4)在横向交叉概率下对粒子和的第维执行横线交叉，公式如下：

式中，;,为[0,1]上的均匀分布随机数；,为[-1,1]之间的均匀分布随机数；和分别为粒子和的第维；和分别为横向交叉后的中庸解；

(5)重复步骤（3）和步骤（4）次；

(6)执行竞争算子，获得横向交叉后的占优解。  

在所述步骤6中，执行纵向交叉的具体步骤为：

(1)获取父代种群（即横向交叉的占优解）；

(2)对父代个体的每一维进行归一化处理，公式如下：

式中，,；和分别为第维控制变量的上、下限；为当前代数。

(3)对种群中所有维进行两两不重复配对（共有对），并按编号；

(4)按顺序依次取出每一对，设，两维被选中；

(5)在纵向交叉率下，粒子的第和维执行纵向交叉，公式如下：

式中，为[0,1]上的均匀分布随机数；为粒子的第维子代；

(6)重复步骤（4）和步骤（5）次；

(7)对进行反归一化，得到中庸解，公式如下：

(8)执行竞争算子，获得纵向交叉后的占优解。

综上所述，本发明利用纵横交叉算法优化神经网络的连接权值和阈值，有效加快网络的收敛速度，并且避免陷入局部最优，因此，本发明能提高神经网络的泛化能力。同时，本发明在处理负荷曲线毛刺的过程中，采用小波分解对负荷样本进行分解，得到多个不同频率的子序列，每个子序列具有较简单的变换规律，利用纵横交叉算法优化的神经网络对每个子序列进行提前24h预测，从而避免把毛刺当坏值滤掉造成预测精度不高的问题，因此，本发明能够提高冲击负荷的预测精度。此外，本发明控制参数少且易于操作实施，对提高同类地区负荷预测精度具有重要的应用价值。

以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种电网短期负荷预测方法，其特征在于，包括以下步骤：

S1、获取历史数据并对数据作预处理；

S2、利用小波分解将历史负荷样本数据分解成多个不同频率的子序列；

S3、对各子序列进行单支重构；

S4、动态选择训练样本，建立纵横交叉算法优化的神经网络预测模型；

S5、对各子序列均用优化的神经网络模型进行提前24h预测；

S6、叠加各子序列的预测值，获得完整预测结果。

2.根据权利要求1所述的电网短期负荷预测方法，其特征在于，在所述步骤S4中，建立纵横交叉算法优化的神经网络预测模型，具体包括以下步骤：    

S41、根据给定的训练样本，确定神经网络拓扑结构和各层的节点数，并确定横向交叉概率                                                、纵向交叉概率、种群规模、最大迭代次数和粒子维数，其中每个粒子维数为所要优化的连接权值和阈值的总数量；

S42、对所要优化的连接权值和阈值进行粒子编码，并随机产生初始种群，其中第粒子为：，，，分别是输入层，隐含层和输出层的节点数，表示输入层第个节点到隐含层第个节点的权值，表示隐含层第个节点到输出层第个节点的权值，表示隐含层第个节点的阈值、表示输出层第个节点的阈值；

S43、将每个粒子转换为神经网络各层对应的权值和阈值，根据BP网络的前向算法，隐含层第个节点输出值为：

    

输出层第个节点输出值为：

  

激活函数选定为Sigmoid函数，如下：

                       

S44、根据下式计算初始种群中每个个体的适应值；

            

式中：、分别是神经网络的实际输出和目标输出，为训练样本数；

S45、执行横向交叉，产生的中庸解保存在矩阵中，然后计算中每个解的适应值，与其父代种群（即，第一代除外）进行比较，只有适应度更好的粒子才能保留在中；

S46、执行纵向交叉并将产生的解保存在矩阵中，然后计算中每个解的适应值，与其父代种群（即）进行比较，择优保留在中；

S47、判断终止条件是否满足，如果迭代次数大于设定的最大值时，则迭代终止并将中适应值最好的一组解转换为神经网络对应的权值和阈值，否则，转到步骤5进行新一轮迭代。

3.根据权利要求1所述的电网短期负荷预测方法，其特征在于，在所述步骤S1中，历史数据包括过去两年的负荷数据和天气数据；其中，负荷数据的时间分辨率均为5min，即一天拥有288个数据样本；对样本数据进行预处理，数据的时间分辨率转为1h，以每小时平均功率为该时刻的功率，天气数据包括过去两年的最高温度、最低温度和降雨量。

4.根据权利要求1所述的电网短期负荷预测方法，其特征在于，在所述步骤S2和步骤S3中，对历史负荷数据进行小波分解和重构具体公式为：

小波分解公式为：

 

式中，为原信号，，并且，为母小波；

小波重构公式为：

式中，为相容性条件，且

在Matlab平台中实行小波分解与重构的函数是‘wavedec’和‘wrcoef’，本发明中小波分解把历史负荷数据分解成3个层次，得到4个子序列，分别是低频分量，高频分量、、。

5.根据权利要求1所述的电网短期负荷预测方法，其特征在于，在所述步骤S4中，所述动态选择训练样本为预测日前90天数据样本。

6.根据权利要求1所述的电网短期负荷预测方法，其特征在于，在所述步骤S5中，执行横向交叉的具体步骤为：

S51、获取父代种群（即纵向交叉的占优解，第一代除外）；

S52、对父代种群中的所有个体进行两两不重复配对（共有对），并按编号；

S53、按顺序依次取出每一对，设粒子和被取出；

S54、在横向交叉概率下对粒子和的第维执行横线交叉，公式如下：

式中，;,为[0,1]上的均匀分布随机数；,为[-1,1]之间的均匀分布随机数；和分别为粒子和的第维；和分别为横向交叉后的中庸解；

S55、重复步骤（3）和步骤（4）次；

S56、执行竞争算子，获得横向交叉后的占优解。

7.根据权利要求1所述的电网短期负荷预测方法，其特征在于，所述步骤S6执行纵向交叉的具体步骤为：

（1）获取父代种群（即横向交叉的占优解）；

（2）对父代个体的每一维进行归一化处理，公式如下：

式中，,；和分别为第维控制变量的上、下限；为当前代数；

（3）对种群中所有维进行两两不重复配对（共有对），并按编号；

（4）按顺序依次取出每一对，设，两维被选中；

（5）在纵向交叉率下，粒子的第和维执行纵向交叉，公式如下：

式中，为[0,1]上的均匀分布随机数；为粒子的第维子代；

（6）重复步骤（4）和步骤（5）次；

（7）对进行反归一化，得到中庸解，公式如下：

（8）执行竞争算子，获得纵向交叉后的占优解。