CN106570250A - 面向电力大数据的微电网短期负荷预测方法 - Google Patents

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

面向电力大数据的微电网短期负荷预测方法

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,…,X_F}，其中的第k只青蛙X_k＝{C_k,σ_k}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T_r，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X_g，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F_i，分配过程表达式为：

F_i＝{X_i+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X_b和最差的青蛙X_w，执行子群内局部搜索，即对子群中X_w进行更新操作，更新规则为:

X_w'＝X_w+D',(D_max≥D'≥-D_max)；

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，D_max是青蛙移动最大步长，X_w'是对最差青蛙执行更新后的位置，θ_t是移动因子，w是惯性权重系数，w_min和w_max分别是权重系数的初始值和结束值，经过一次更新后，若X_w'优于原来的X_w，则取代原子群中的蛙，否则，按下式计算移动距离：

D'＝rand(0,1)×(X_g-X_w)；

然后结合式X_w'＝X_w+D',(D_max≥D'≥-D_max)对X_w进行更新，若更新后的位置仍然不优于原来的X_w，则随机产生一个新的青蛙取代X_w；

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，X_k为第k只青蛙，T'为预测负荷值，T_r为T'对应的实际负荷值，f_fit(x)为适应度函数，X_g为最优青蛙，F_i为第i个子群的青蛙集合，X_b为子群的最优青蛙，X_w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，D_max是青蛙移动最大步长，X_w'是对最差青蛙执行更新后的位置，θ_t是移动因子，w是惯性权重系数，w_min和w_max分别是权重系数的初始值和结束值，MAPE是平均相对误差，y_i为真实值；y′_i为预测值，S_peedup为加速比，T_s为算法的单机执行耗时，T_c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,…,X_F}，第k只青蛙表示问题的解为X_k＝{C_k,σ_k}，本发明中X_k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T_r，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X_g，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F_i，分配过程表达式为：

F_i＝{X_i+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X_b和最差的青蛙X_w，执行子群内局部搜索，即对子群中X_w进行更新操作，更新规则为:

X_w'＝X_w+D',(D_max≥D'≥-D_max) (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，D_max是青蛙移动最大步长，X_w'是对最差青蛙执行更新后的位置，θ_t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，w_min和w_max是权重系数的初始值和结束值。经过一次更新后，若X_w'优于原来的X_w，则取代原子群中的蛙，否则，按下式计算移动距离：

D'＝rand(0,1)×(X_g-X_w) (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X_w。

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X_i＝[x_i1,x_i2,…,x_in]^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D_max，组合参数(C,σ)的取值范围C_max、C_min、σ_max、σ_min，终止迭代误差ε，惯性因子w_max、w_min，初始步长D₀，在取值范围内随机初始化F＝m×n只蛙群个体(C_i,σ_i),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f_fit值，value是(C_i,σ_i)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(f_fgb,(C_gb,σ_gb))，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＝(C_gb,σ_gb)

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(C_i，σ_i)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，y_i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D_max取2¹⁵，青蛙位置的取值范围为σ∈(2^-10,2²⁵)，C∈(2^-10,2²⁵)惯性因子w_max、w_min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S_peedup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T_s为算法的单机执行耗时，T_c为算法的云集群执行耗时。

S_peedup＝T_s/T_c (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,…,X_F}，其中的第k只青蛙X_k＝{C_k,σ_k}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T_r，利用适应度函数：

$f_{fit}\left(x\right)=\frac{1}{N}\underset{1=1}{\overset{N}{\&Sigma;}}\left|\right|T_r-T^{,}|{|}^2$

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X_g，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F_i，分配过程表达式为：

F_i＝{X_i+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X_b和最差的青蛙X_w，执行子群内局部搜索，即对子群中X_w进行更新操作，更新规则为:

$\left\{\begin{array}{c}{D}^{,}=w\&times;D+rand(0,1)\&times;{\mathrm{\&theta;}}_t\&times;(X_b-X_w)\\ w=w_{min}+(w_{\max }-w_{max})\&times;\frac{T-t}{T}\\ {\mathrm{\&theta;}}_t={{\log }_{\mathrm{\&tau;}}}^t,(t=1,2,...,T)\end{array}\right.$

X_w'＝X_w+D',(D_max≥D'≥-D_max)

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，D_max是青蛙移动最大步长，X_w'是对最差青蛙执行更新后的位置，θ_t是移动因子，w是惯性权重系数，w_min和w_max分别是权重系数的初始值和结束值，经过一次更新后，若X_w'优于原来的X_w，则取代原子群中的蛙，否则，按下式计算移动距离：

D'＝rand(0,1)×(X_g-X_w)

然后结合式X_w'＝X_w+D',(D_max≥D'≥-D_max)对X_w进行更新，若更新后的位置仍然不优于原来的X_w，则随机产生一个新的青蛙取代X_w；

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。