CN106570250A - 面向电力大数据的微电网短期负荷预测方法 - Google Patents
面向电力大数据的微电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN106570250A CN106570250A CN201610948445.1A CN201610948445A CN106570250A CN 106570250 A CN106570250 A CN 106570250A CN 201610948445 A CN201610948445 A CN 201610948445A CN 106570250 A CN106570250 A CN 106570250A
- Authority
- CN
- China
- Prior art keywords
- kelm
- subgroup
- rana nigromaculata
- isfla
- micro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 241000270959 Pelophylax nigromaculatus Species 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000013277 forecasting method Methods 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 5
- 241000269435 Rana <genus> Species 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 7
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/14—District level solutions, i.e. local energy networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
一种面向电力大数据的微电网短期负荷预测方法,用于提高微电网短期负荷的预测精度,其技术方案是,所述方法首先建立基于核函数极限学习机(KELM)的微电网短期负荷预测模型;然后采用改进的混合蛙跳算法(ISFLA)对核函数极限学习机的组合参数(C,σ)进行优化,得到ISFLA_KELM预测模型;最后利用ISFLA_KELM预测模型对微电网短期负荷进行预测。本发明利用ISFLA_KELM预测模型对微电网短期负荷进行预测,实验表明,KELM具有较强的回归预测能力,而ISFLA算法寻优能力强,可对KELM的参数进行优化,大大提高了微电网短期负荷的预测精度。
Description
技术领域
本发明涉及一种能够对微电网的短期负荷进行准确预测的方法,属于发电技术领域。
背景技术
微电网是一种将分布式电源、负荷、储能装置、变流器以及监控保护装置有机整合在一起的小型发配电系统,短期负荷预测是微电网经济调度的重要组成部分,预测误差的大小将直接影响电网运行的经济性。相对于大电网环境,对用户侧微电网实施短期负荷预测的难度更高。为了提高负荷预测精度,许多学者进行了大量研究,提出了一系列预测方法,如基于稀疏式异方差高斯过程的负荷预测方法;采用两层结构进行微电网负荷预测的方法;采用遗传算法与k均值-RBF神经网络实现微电网负荷预测的方法;基于EMD-EKF-KELM的适用于用户侧小容量微电网的组合预测方法;基于核函数极限学习机的,包含离线参数寻优与在线负荷预测的微电网短期负荷预测方法等。但这些方法仍然存在预测精度不够高的问题,而且都是单机环境下在matlab上运行,难以面对电力大数据带来的挑战。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种面向电力大数据的微电网短期负荷预测方法,以提高微电网短期负荷的预测精度。
本发明所述问题是以下述技术方案实现的:
一种面向电力大数据的微电网短期负荷预测方法,所述方法首先建立基于核函数极限学习机(KELM)的微电网短期负荷预测模型;然后采用改进的混合蛙跳算法(ISFLA)对核函数极限学习机的组合参数(C,σ)进行优化(C为正常数,σ为RBF核参数),得到ISFLA_KELM预测模型;最后利用ISFLA_KELM预测模型对微电网短期负荷进行预测。
上述面向电力大数据的微电网短期负荷预测方法,对核函数极限学习机的组合参数(C,σ)进行优化的具体步骤如下:
a.随机产生F只青蛙组成初始种群P={X1,X2,…,XF},其中的第k只青蛙Xk={Ck,σk}表示核函数极限学习机(KELM)的第k个组合参数,将每个组合参数代入KELM中,计算出预测负荷值T',设T'对应的实际负荷值为Tr,利用适应度函数:
计算每只青蛙的适应度,其中N为预测样本个数;
b.将所有青蛙按照适应度的大小升序排列,标记最优青蛙Xg,然后将排序后的青蛙分配到m个子群中,每个子群包含n只青蛙,则有F=m×n,设第i个子群的青蛙集合为Fi,分配过程表达式为:
Fi={Xi+m(l-1)∈P|1≤l≤n},1≤i≤m;
c.在每一个子群中,分别标记出最优的青蛙Xb和最差的青蛙Xw,执行子群内局部搜索,即对子群中Xw进行更新操作,更新规则为:
Xw'=Xw+D',(Dmax≥D'≥-Dmax);
其中,t是子群内当前迭代次数,T是子群总的迭代次数,D是青蛙上次移动距离,D'是本次移动距离,Dmax是青蛙移动最大步长,Xw'是对最差青蛙执行更新后的位置,θt是移动因子,w是惯性权重系数,wmin和wmax分别是权重系数的初始值和结束值,经过一次更新后,若Xw'优于原来的Xw,则取代原子群中的蛙,否则,按下式计算移动距离:
D'=rand(0,1)×(Xg-Xw);
然后结合式Xw'=Xw+D',(Dmax≥D'≥-Dmax)对Xw进行更新,若更新后的位置仍然不优于原来的Xw,则随机产生一个新的青蛙取代Xw;
d.重复步骤b和步骤c,直至达到子群内的总迭代次数;
e.将所有的青蛙进行混合,重新排序和划分子群,重复步骤b、步骤c和步骤d,进行新一轮搜索,反复进行搜索直至达到最终终止条件,最终终止条件一般设定为寻优误差小于设定的某一个值或者迭代次数达到设定的最大次数,即可得到核函数极限学习机的最优组合参数。
上述面向电力大数据的微电网短期负荷预测方法,为了提高整个模型的执行效率,应将KELM算法和ISFLA算法进行并行化。
本发明利用ISFLA_KELM预测模型对微电网短期负荷进行预测,实验表明,KELM具有较强的回归预测能力,而ISFLA算法寻优能力强,可对KELM的参数进行优化,大大提高了微电网短期负荷的预测精度。本次实验通过比较Spark_SFLA_KELM、GA_KELM和FOA_SVM三种算法,其误差分别为6.125%、7.465%和8.323%,执行时间分别为236s、623s和985s,可看出本文提出的算法在进行负荷预测时精度较高且执行时间较短。
本发明对ISFLA_KELM算法进行了并行化改进,极大地提高了整个模型的执行效率,解决了传统方法难以处理电力大数据的难题。
附图说明
图1是ISFLA_KELM预测模型流程图;
图2是分块矩阵乘法C=BA;
图3是4月7号真实负荷值与ISFLA_KELM算法预测值比较;
图4是4月7号真实负荷值与GA_KELM算法预测值比较;
图5是4月7号真实负荷值与FOA_SVM算法预测值比较;
图6是ISFLA_KELM加速比。
文中各符号表示为:P为初始种群,Xk为第k只青蛙,T'为预测负荷值,Tr为T'对应的实际负荷值,ffit(x)为适应度函数,Xg为最优青蛙,Fi为第i个子群的青蛙集合,Xb为子群的最优青蛙,Xw为子群的最差青蛙,t是子群内当前迭代次数,T是子群总的迭代次数,D是青蛙上次移动距离,D'是本次移动距离,Dmax是青蛙移动最大步长,Xw'是对最差青蛙执行更新后的位置,θt是移动因子,w是惯性权重系数,wmin和wmax分别是权重系数的初始值和结束值,MAPE是平均相对误差,yi为真实值;y′i为预测值,Speedup为加速比,Ts为算法的单机执行耗时,Tc为算法的云集群执行耗时。
具体实施方式
下面结合附图对本发明作进一步说明。
1基于ISFLA_KELM的负荷预测模型设计
1.1 ISFLA_KELM预测模型设计思想
相对于传统电力负荷,微电网负荷基数小、各时段用电特性差异较大、负荷序列随机波动性大,由于传统电力系统短期负荷预测方法通常不能充分考虑影响负荷变化的外界因素,在应用于微电网短期负荷预测时表现出明显不足,预测效果欠佳。核函数极限学习机具有较强的回归预测能力,已被应用到微电网短期负荷预测中,但KELM的组合参数仍需进一步优化,混合蛙跳算法在求解大规模优化问题时表现出较强的全局寻优能力和快速的收敛速度,可以解决此优化问题,而经典蛙跳算法具有解更新大小及方向随机性强的缺点,本发明利用改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithem,ISFLA),对KELM的参数进行优化,从而构建出ISFLA_KELM微电网负荷预测模型。
1.2 ISFLA_KELM预测模型描述
在ISFLA_KELM微电网负荷预测模型中,青蛙种群的适应度取自KELM预测结果误差,误差越小,表明青蛙适应度越高,ISFLA_KELM算法步骤如下:
2)随机产生F只青蛙组成初始种群P={X1,X2,…,XF},第k只青蛙表示问题的解为Xk={Ck,σk},本发明中Xk即KELM的第k个组合参数,将每个解代入KELM中,计算出预测负荷值T',该时刻实际负荷值为Tr,预测样本个数为N,利用适应度函数:
计算每只青蛙的适应度;
2)将所有青蛙按照适应度函数的大小升序排列,标记最优青蛙Xg,然后将排序后的青蛙分配到m个子群中,每个子群包含n只青蛙,则有F=m×n,设第i个子群的青蛙集合为Fi,分配过程表达式为:
Fi={Xi+m(l-1)∈P|1≤l≤n},1≤i≤m (2)
3)在每一个子群中,分别标记出最优的青蛙Xb和最差的青蛙Xw,执行子群内局部搜索,即对子群中Xw进行更新操作,更新规则为:
Xw'=Xw+D',(Dmax≥D'≥-Dmax) (4)
其中t是子群内当前迭代次数,T是子群总的迭代次数,D是青蛙上次移动距离,D'是本次移动距离,Dmax是青蛙移动最大步长,Xw'是对最差青蛙执行更新后的位置,θt是移动因子,w是惯性权重系数,大小决定了对青蛙上次移动距离继承的多少,wmin和wmax是权重系数的初始值和结束值。经过一次更新后,若Xw'优于原来的Xw,则取代原子群中的蛙,否则,按下式计算移动距离:
D'=rand(0,1)×(Xg-Xw) (5)
然后结合式(4)更新。若更新后的位置仍然没有改进,则随机产生一个新的解取代Xw。
4)重复步骤2)3)直到达到子群内总迭代次数。
5)将所有的青蛙进行混合,重新排序和划分子群,重复步骤2)3)4),进行新一轮搜索,反复进行搜索,直到达到最终终止条件,即可得到最优解,最优解将作为最终KELM的参数,进行微电网负荷预测。
1.3 ISFLA_KELM负荷预测模型实现
基于一定时间段的历史数据,可通过模型预测即将发生时间点的负荷值。在进行微电网负荷预测过程中,ISFLA_KELM预测模型的输入样本由训练样本和预测样本构成,其中训练样本用于确定KELM的最优组合参数(C,σ),然后将训练得到的最优参数代入KELM中,并输入预测样本得到预测值。ISFLA_KELM预测模型实现流程图如图1所示。
在ISFLA_KELM算法中,每个青蛙的位置值代表一组(C,σ)参数。依据初始参数,根据微电网样本数据由KELM算法计算出平均误差作为适应度值,由此进行蛙群迭代更新。将最终得到的最优参数代入KELM,计算预测值。
2基于Spark的ISFLA_KELM模型并行化设计
通过ISFLA_KELM模型进行微电网负荷预测时,随着输入样本的增加,核函数矩阵训练时间呈平方量级增长。而为了满足微电网负荷预测的准确性,训练数据集又必须达到一定的数量。综上两点,单机下ISFLA_KELM预测算法显得很乏力,于是,本发明对ISFLA_KELM算法进行并行化设计,以便能够在云平台环境下进行微电网负荷预测。
从ISFLA_KELM模型执行过程可看出,适应度的计算和最终进行预测都需要进行KELM的运算,而求解最优参数时执行了多次ISFLA算法,且KELM算法单机执行训练时间会随着样本规模的增大而大规模增加,因此,若将KELM算法和ISFLA算法进行并行化将大大提高整个模型的执行效率。本发明基于Spark内存计算平台,分别对KELM算法和ISFLA算法进行并行化。
2.1基于spark的并行的KELM
2.1.1并行KELM设计思想
微电网负荷预测结果值是通过计算KELM的输出值来得到的,KELM并不需要像传统bp神经网络循环迭代来更新权值和阈值,其中费时的计算主要来源于矩阵乘法及矩阵求逆,特别是当出现大数据时,单机计算大矩阵乘法往往会出现宕机,为此,将KELM算法在spark平台上进行并行化将大大减少计算时间。
Spark的mlib库中提供了分布式矩阵,为并行操作提供了便利,本发明选用BlockMatrix来计算核函数矩阵,对于N个n维的输入样本Xi=[xi1,xi2,…,xin]T∈Rn,i=1,…,N,(N>>n)由于样本维数远远小于样本个数,将样本的每一条记录看做矩阵的每一行,因此可以将其按行分为K个块,每个块的列数均为n,行数可以不相同,创建块矩阵后,即可调用其方法如add()、multiply()等实现并行运算。运算过程如图2。
2.1.2并行KELM算法的实现
首先将微电网训练样本数据创建为RDD,然后创建分布式块矩阵,从而进行运算,部分运算伪代码如下:
rdd=sc.textFile(“hdfs://…”).map(parseVector())
coordinateMatrix=newCoordinateMatrix(rdd)
blockMatrix=coordinateMatrix.toBlockMatrix().cache()//缓存至内存
omg_temp=blockMatrix.multiply(blockMatrix.transpose)
矩阵的逆运算可通过奇异值分解来简化运算,
如式(6),首先将块矩阵转化为Rowmatrix,然后调用computeSVD()方法计算得到V、∑、U,∑的逆计算很方便,然后又转化为矩阵乘法,从而得到其逆矩阵。
2.2基于spark的并行ISFLA_KELM算法
2.2.1并行ISFLA_KELM算法设计
进行微电网负荷预测之前,需要对预测模型进行参数寻优,通过分析ISFLA算法执行过程,可以发现青蛙在子群内部进行深度搜索更新时是相互独立的,在传统串行的计算模式下,每个子群的迭代更新操作都是依次进行的,前一个子群达到迭代次数后,下一个子群才能进行迭代更新操作,这样就大大增加了算法的时间开销。当面临大数据集时,子群的数量可能成千上百,在单一节点上运行该算法,受制于计算机内存和计算效率,会出现时间不能容忍或根本不可行的情况。并行ISFLA_KELM算法的主要步骤如下:
1)初始化蛙群。包括子群数m,子群中的个体数n,种群总进化代数MAXGEN,子群内迭代数Ne,最大步长Dmax,组合参数(C,σ)的取值范围Cmax、Cmin、σmax、σmin,终止迭代误差ε,惯性因子wmax、wmin,初始步长D0,在取值范围内随机初始化F=m×n只蛙群个体(Ci,σi),0≤i≤F。
2)根据适应度对蛙群排序,进而划分子群。对排序好的蛙群通过parallelize(data,m)方法将其划分为m个并行集合,每个子群是一个partition,data的每一条记录是key-value键值对,key是ffit值,value是(Ci,σi)向量。
3)调用mapPartitions算子对每个partition并行执行ISFLA更新算法,具体参照1.2章节的步骤3),循环执行达到子群内总迭代次数。
4)sortByKey(),根据key对蛙群进行排序,默认为升序,调用first()方法取出第一条记录(ffgb,(Cgb,σgb)),即为全局第一次迭代结束后最好的解。
5)循环执行步骤3)4)直至最终终止条件。
2.2.2并行ISFLA_KELM算法的实现
并行ISFLA_KELM算法伪代码如下:
输入 原始微电网训练样本数据(X,T)
输出 全局最优解GlobalVector=(Cgb,σgb)
def fitness(p:Vector,X,T):Double//定义适应度函数
def generateData():Array[Vector]//随机产生N个D维向量(D=2)
def update(tuple):Array//子群更新方法
def allocateFrog(Array):Array//分配子群方法
data=sc.parallelize(generateData,m)//创建rdd
labeledData=data.map(p=>(fitness(p),p))//转换为以适应度值为key,2维向量(Ci,σi)为值的rdd SortedData=labeledData.sortByKey().collect().allocateFrog()//按适应度排序,默认升序,然后shuffle到Driver节点,返回一个Array,调整次序
GlobalFitBest=sortedData(0)._1
GlobalVector=sortedData(0)._2//获得当前全局最优适应度值和最优解
while(i<MAXGEN&&GlobalFitBest>ε){
updatedData=sc.parallelize(SortedData).mapPartitions(fun:update()).sortByKey().collect//子群更新,更新完成后进行shuffle
GlobalFitBest=updatedData(0)._1
GlobalVector=updatedData(0)._2//更新全局最优适应值、全局最优解
SortedData=updatedData.allocateFrog()//更新分配子群数组
}
3、本发明的优点
采用本发明提出的算法对某微电网进行负荷预测,结果表明预测准确率更高,执行时间更短,且算法并行性能良好。具体分析如下:
预测准确率分析
本发明采用平均相对误差(MAPE)作为评价预测算法的指标,如式(8)所示。
其中,yi为真实值;y′i为预测值;n为预测值个数。MAPE越小,说明预测结果越精确。
本发明选取基于果蝇优化的支持向量机(FOA_SVM)算法和基于遗传算法优化的核极限学习机(GA_KELM)的算法与本发明算法进行比较,测试所提出算法的负荷预测性能。
本发明ISFLA算法初始化蛙群种群大小为800,分为16个子群,每个子群50只青蛙,子群内迭代次数Ne为50次,种群总进化代数MAXGEN为100,最大步长Dmax取215,青蛙位置的取值范围为σ∈(2-10,225),C∈(2-10,225)惯性因子wmax、wmin分别取0.9和0.4,终止迭代误差ε取10-15。选择10年12月至11年3月样本数据进行训练,来预测11年4月负荷值,并通过真实负荷值对比分析预测准确率。为保证实验的客观性,执行50次预测计算4月份MAPE的平均值作为最终结果。3个算法电力负荷预测的MAPE及平均执行时间如表3所示。从表3可以看出:本发明提出的基于Spark的ISFLA_KELM算法获得了最小的负荷预测MAPE值和最小的执行时间,即该算法进行负荷预测精度较高且执行时间较短,预测性能优于FOA_SVM算法和GA_KELM算法。
表3实验结果MAPE值、执行时间对比
另外,FOA_SVM算法和GA_KELM算法由于是在单机环境上运行,运行效率会受限于单机内存限制,而基于Spark的ISFLA_KELM不会受此限制。图3、图4和图5分别为ISFLA_KELM算法、GA_KELM和FOA_SVM算法在4月7号的96时刻预测值与真实值比较图。
从图3、图4、图5中可看出微电网负荷波动性较强,3种算法的最大误差都出现在波峰波谷处,这主要是由于微电网的日负荷差异大引起的,而ISFLA_KELM算法相对其余两个算法取得了更小的误差,且预测结果与真实负荷曲线贴近度最好。
3.2.2算法并行性能分析
加速比Speedup是衡量并行系统或程序并行化的性能和效果的指标,如式(9)所示,其中Ts为算法的单机执行耗时,Tc为算法的云集群执行耗时。
Speedup=Ts/Tc (9)
为了体现ISFLA_KELM算法的并行性能,将原负荷数据人为扩充为原数据集的1000倍、2000倍、4000倍不同大小的数据集,分别在集群节点个数为4、8、16的云平台上运行,来计算加速比,如图5所示。
当云集群节点数量达到一定数量时,因算法执行时间很多消耗在了节点间网络传输等额外消耗上,所以加速比将随着云集群节点的增加而变差。但从有限的节点可看出,随着数据量的增加,ISFLA_KELM算法的加速比依然几乎线性增加,且与较小数据集的加速比折线相差不大,说明算法的并行性能较好。
Claims (3)
1.一种面向电力大数据的微电网短期负荷预测方法,其特征是,所述方法首先建立基于核函数极限学习机(KELM)的微电网短期负荷预测模型;然后采用改进的混合蛙跳算法(ISFLA)对核函数极限学习机的组合参数(C,σ)进行优化,得到ISFLA_KELM预测模型;最后利用ISFLA_KELM预测模型对微电网短期负荷进行预测。
2.根据权利要求1所述的一种面向电力大数据的微电网短期负荷预测方法,其特征是,对核函数极限学习机的组合参数(C,σ)进行优化的具体步骤如下:
a.随机产生F只青蛙组成初始种群P={X1,X2,…,XF},其中的第k只青蛙Xk={Ck,σk}表示核函数极限学习机(KELM)的第k个组合参数,将每个组合参数代入KELM中,计算出预测负荷值T',设T'对应的实际负荷值为Tr,利用适应度函数:
计算每只青蛙的适应度,其中N为预测样本个数;
b.将所有青蛙按照适应度的大小升序排列,标记最优青蛙Xg,然后将排序后的青蛙分配到m个子群中,每个子群包含n只青蛙,则有F=m×n,设第i个子群的青蛙集合为Fi,分配过程表达式为:
Fi={Xi+m(l-1)∈P|1≤l≤n},1≤i≤m;
c.在每一个子群中,分别标记出最优的青蛙Xb和最差的青蛙Xw,执行子群内局部搜索,即对子群中Xw进行更新操作,更新规则为:
Xw'=Xw+D',(Dmax≥D'≥-Dmax)
其中t是子群内当前迭代次数,T是子群总的迭代次数,D是青蛙上次移动距离,D'是本次移动距离,Dmax是青蛙移动最大步长,Xw'是对最差青蛙执行更新后的位置,θt是移动因子,w是惯性权重系数,wmin和wmax分别是权重系数的初始值和结束值,经过一次更新后,若Xw'优于原来的Xw,则取代原子群中的蛙,否则,按下式计算移动距离:
D'=rand(0,1)×(Xg-Xw)
然后结合式Xw'=Xw+D',(Dmax≥D'≥-Dmax)对Xw进行更新,若更新后的位置仍然不优于原来的Xw,则随机产生一个新的青蛙取代Xw;
d.重复步骤b和步骤c,直至达到子群内的总迭代次数;
e.将所有的青蛙进行混合,重新排序和划分子群,重复步骤b、步骤c和步骤d,进行新一轮搜索,反复进行搜索直至达到最终终止条件,最终终止条件一般设定为寻优误差小于设定的某一个值或者迭代次数达到设定的最大次数,即可得到核函数极限学习机的最优组合参数。
3.根据权利要求2所述的一种面向电力大数据的微电网短期负荷预测方法,其特征是,为了提高整个模型的执行效率,应将KELM算法和ISFLA算法进行并行化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610948445.1A CN106570250A (zh) | 2016-11-02 | 2016-11-02 | 面向电力大数据的微电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610948445.1A CN106570250A (zh) | 2016-11-02 | 2016-11-02 | 面向电力大数据的微电网短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106570250A true CN106570250A (zh) | 2017-04-19 |
Family
ID=58534939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610948445.1A Pending CN106570250A (zh) | 2016-11-02 | 2016-11-02 | 面向电力大数据的微电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570250A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346459A (zh) * | 2017-05-22 | 2017-11-14 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
CN107944594A (zh) * | 2017-09-30 | 2018-04-20 | 华南理工大学 | 一种基于spss与rkelm微网短期负荷预测方法 |
CN108197759A (zh) * | 2018-01-30 | 2018-06-22 | 西南石油大学 | 用于海上油田群微电网短期电力负荷预测的方法和系统 |
CN108256694A (zh) * | 2018-03-02 | 2018-07-06 | 我知盘中餐(厦门)电子商务有限公司 | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 |
CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
CN111372260A (zh) * | 2020-03-09 | 2020-07-03 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN113591378A (zh) * | 2021-07-27 | 2021-11-02 | 上海电机学院 | 基于改进混合蛙跳算法的混合储能容量配置方法及设备 |
CN114154679A (zh) * | 2021-10-22 | 2022-03-08 | 南京华盾电力信息安全测评有限公司 | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 |
CN116799832A (zh) * | 2023-04-14 | 2023-09-22 | 淮阴工学院 | 一种基于大数据的智能调控混合储能电力系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982992A (zh) * | 2010-10-30 | 2011-03-02 | 鲁东大学 | 认知无线电网络中基于改进粒子群的功率控制最优化算法 |
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
-
2016
- 2016-11-02 CN CN201610948445.1A patent/CN106570250A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982992A (zh) * | 2010-10-30 | 2011-03-02 | 鲁东大学 | 认知无线电网络中基于改进粒子群的功率控制最优化算法 |
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
张清鑫: "分布式光伏接入的用户侧微电网功率预测方法", 《中国优秀硕士学位论文全文数据库》 * |
毛力等: "基于改进极限学习机的短期电力负荷预测方法", 《电力系统保护与控制》 * |
邱静: "基于改进的混合蛙跳算法的短期燃气负荷预测模型研究", 《万方数据知识服务平台》 * |
马平莉: "混合蛙跳算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346459B (zh) * | 2017-05-22 | 2020-09-18 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
CN107346459A (zh) * | 2017-05-22 | 2017-11-14 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
CN107944594B (zh) * | 2017-09-30 | 2021-11-23 | 华南理工大学 | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 |
CN107944594A (zh) * | 2017-09-30 | 2018-04-20 | 华南理工大学 | 一种基于spss与rkelm微网短期负荷预测方法 |
CN108197759A (zh) * | 2018-01-30 | 2018-06-22 | 西南石油大学 | 用于海上油田群微电网短期电力负荷预测的方法和系统 |
CN108256694A (zh) * | 2018-03-02 | 2018-07-06 | 我知盘中餐(厦门)电子商务有限公司 | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 |
CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
CN111372260A (zh) * | 2020-03-09 | 2020-07-03 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN112085285B (zh) * | 2020-09-14 | 2023-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN113591378A (zh) * | 2021-07-27 | 2021-11-02 | 上海电机学院 | 基于改进混合蛙跳算法的混合储能容量配置方法及设备 |
CN114154679A (zh) * | 2021-10-22 | 2022-03-08 | 南京华盾电力信息安全测评有限公司 | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 |
CN114154679B (zh) * | 2021-10-22 | 2024-01-26 | 南京华盾电力信息安全测评有限公司 | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 |
CN116799832A (zh) * | 2023-04-14 | 2023-09-22 | 淮阴工学院 | 一种基于大数据的智能调控混合储能电力系统 |
CN116799832B (zh) * | 2023-04-14 | 2024-04-19 | 淮阴工学院 | 一种基于大数据的智能调控混合储能电力系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
Hao et al. | A novel two-stage forecasting model based on error factor and ensemble method for multi-step wind power forecasting | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN107480815A (zh) | 一种电力系统台区负荷预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN103440370A (zh) | 一种输变电工程造价评估方法及装置 | |
CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
CN111416797A (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
CN105447510A (zh) | 基于人工蜂群优化lssvm的脉动风速预测方法 | |
Wang et al. | A novel two-step job runtime estimation method based on input parameters in HPC system | |
Guo et al. | Applying gated recurrent units pproaches for workload prediction | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
Liu et al. | Analysis of memory capacity for deep echo state networks | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
Zhang et al. | Model of gradient boosting random forest prediction | |
CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170419 |