CN107016469A - 电力负荷预测方法 - Google Patents
电力负荷预测方法 Download PDFInfo
- Publication number
- CN107016469A CN107016469A CN201710240575.4A CN201710240575A CN107016469A CN 107016469 A CN107016469 A CN 107016469A CN 201710240575 A CN201710240575 A CN 201710240575A CN 107016469 A CN107016469 A CN 107016469A
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- index
- day
- evaluation
- 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 33
- 238000011156 evaluation Methods 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 238000010606 normalization Methods 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷预测方法，该方法包括以下步骤：获取历史日数据，形成评价矩阵Mnm，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值；将评价矩阵Mnm进行线性变换归一化处理，得到归一化矩阵Snm；计算矩阵Snm中每个指标的相似日特征权值；计算预测日与历史日之间的关联度；对评价对象按照关联度由大到小进行排序，选取前W组评价对象作为预测算法的训练样本；利用遗传算法对预测算法进行改进，对预测算法的权值和阈值进行寻优，计算出最优的权值和阈值进行训练；将预测日信息输入优化预测算法中，将输出值经过反归一化后获得预测日的电力负荷值。本发明能够根据历史日相关数据预测下一天的电力负荷。
Description
技术领域
本发明涉及一种电力调配技术领域，特别是涉及一种电力负荷预测方法。
背景技术
伴随着我国电力行业的不断发展和人民生活水平的不断提高，各行各业对电能的需求越来越大。由于电能的生产和消费同时性，且消耗是一个随机过程，电网存储成本高，准确且合理的电能配送才能满足各类用户的不同需求，使发电机组及输电线路以最长寿命安全运行。短期用电负荷预测是电力调度部门的日常工作，包括预测日负荷预测(最大负荷预测、平均负荷预测)、预测日96点(5分钟记录)用电负荷预测，96点中的预测日负荷最大值在线路安全和用户使用中有较重要的意义，保证高准确度的预测结果才能制定合理的电网调度策略。
现有的技术中，短期负荷预测大多基于历史负荷数据做数学统计对电力负荷预测影响因素的利用不足；部分算法考虑了温度等气象因素没有全面的分析考虑各影响因素也没有选择合适的预测模型；现代人工智能算法中使用的较多的是BP神经网络也存在初始权值等选择的不确定性会出现过拟合等缺点，预测精度和实用性方面无法同时满足要求。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了电力负荷预测方法。
为了实现本发明的上述目的，本发明提供了一种电力负荷预测方法，该预测方法包括以下步骤：
S1，获取历史日和预测日数据，形成评价矩阵Mnm，所述n为自然数，m为正整数，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值，m0j表示在评价矩阵Mnm中待评价对象第j项指标的指标值，所述i为不大于n的正整数，j为不大于m的正整数；
S2，对评价矩阵Mnm进行线性变换归一化处理，得到矩阵Snm；
S3，计算矩阵Snm中每项指标的相似日特征权值；
S4，计算预测日与历史日之间的关联度；
S5，对评价对象按照关联度由大到小进行排序，选取前W组评价对象作为预测算法的训练样本，所述W为不大于n的正整数；
S6，利用遗传算法对预测算法进行改进，对预测算法的权值和阈值进行寻优，计算出最优的权值和阈值进行训练；
S7，将预测日信息输入优化预测算法中，将输出值经过反归一化后获得预测日的电力负荷值；
S8，将预测出的电力负荷值，显示在预测页面，供电力系统电力调度部门查看，作为下一天电力负荷调整的依据。
本发明使用气象部门获取的气象数据作为寻找与预测日相似的相似日的基础，利用灰色相关法计算预测日与历史日期的相似度，用相似度较高的相似日数据作为预测数据，最后使用改进的算法来对日最大负荷进行预测。本发明综合考虑了电力负荷的影响因素，对预测算法中初始值选取的不确定性使用遗传算法进行改进，提高了短期电力负荷预测的准确性。
在本发明的一种优选实施方式中，在步骤S2中，线性变换归一化处理的计算方法为：
其中，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值，minmij表示在评价矩阵Mnm中最小的指标值，maxmij表示在评价矩阵Mnm中最大的指标值，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值。
数据标准化(归一化，是对原始数据的线性变换，使结果映射到[0,1]之间)处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
在本发明的一种优选实施方式中，在步骤S3中，相似日特征权值的计算方法为：
其中，n为评价矩阵Mnm中评价对象的个数，m为评价矩阵Mnm中指标的项数，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，ωj为相似日特征权值，所述i为不大于n的正整数，j为不大于m的正整数；
当fij＝0时，fijlnfij＝0；
当0≤ωj≤1，
计算相似日特征权值是得到各个指标的权重，体现出不同的指标对记录的影响程度，得到每条历史记录与待预测日记录之间的相关性。
在本发明的一种优选实施方式中，在步骤S4中，关联度的计算方法为：
在步骤S4中，关联度的计算方法为：
首先逐个计算每个评价对象指标与待评价对象指标对应元素的绝对差值，其计算公式为：vij＝|Si-S0|＝|sij-s0j|，形成矩阵Vnm，i为不大于n的正整数，j为不大于m的正整数；
其中，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，s0j为待评价对象第j项指标进行线性变换归一化处理后的归一化值，S0为与矩阵Snm第0行，Si为矩阵Snm的第i行；
再计算每项指标的相似度系数Cij：
minvij是矩阵Vnm中的最小值，maxvij是矩阵Vnm中的最大值，ρ为分辨率系数；
根据计算得到的相似度系数Cij和相似日特征权值ωj，计算得到待评价对象与评价对象的关联度：
通过计算关联度得到每条历史记录与待预测日记录之间的相关性(相似性)，对关联度进行排序，得到关联度最大的前20条数据，用于后面做预测的输入数据。
在本发明的一种优选实施方式中，在步骤S6中，遗传算法对预测算法进行改进包括以下步骤：
S61，确定BP神经网络隐含层层数及所包含神经元的个数，并初始化神经网络的权值和阈值；
S62，通过BP神经网络中输入数据的规模，确定权值和阈值编码长度；
S63，对BP神经网络的权值和阈值进行编码，种群规模设为K，产生初始种群，所述K为正整数；
S64，将BP神经网络的实际输出和期望输出的误差平方和的倒数作为遗传算法的适应度函数，并通过适应度函数确定每个个体的适应值；
S65，利用选择、交叉、变异循环操作，直到超过设定的遗传代数时停止，选择适应值最大的个体作为群体的最优个体；
S66，用当前群体的最优个体，分解为BP神经网络的连接权值和阈值。
神经网络算法存在权值和阈值初始化随机，容易陷入局部最优值的问题，使用遗传算法得到优化后的权值和阈值作为初始值，即优化了神经网络的初始权值和阈值，迭代的速度更快了，较优的初始值可以避免神经网络得到局部最优值。
在本发明的一种优选实施方式中，在步骤S62中，编码长度的计算方法为：
S＝R*S1+S1*S2+S1+S2，
其中，S为编码长度，S1为隐层神经元个数，S2为输出层神经元个数，R为输入神经元个数。
在本发明的一种优选实施方式中，在步骤S63中，权值和阈值编码的方法为：
对R*S1长度的编码为W1(i,j)，W1(i,j)＝x(R*(i-1)+j)，1≤i≤R，1≤j≤S1；
对S1*S2长度的编码为W2(i,j)，W2(i,j)＝x(S1*(i-1)+j+R*S1)，1≤i≤S2，1≤j≤S1；
对S1长度的编码B1(i,1)，B1(i,1)＝x((R*S1+S1*S2)+i)，1≤i≤S1；
对S2长度的编码B2(i,1)，B2(i,1)＝x((R*S1+S1*S2+S1)+i)，1≤i≤S2。
通过遗传算法来优化神经网络的权值和阈值，就要对权值和阈值编码成一条遗传算法中的“染色体”，通过在种群中的多次迭代后得到一条最优的“染色体”，就是要求优化好的权值和阈值，再对应赋值给神经网络的权值和阈值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明能够对电力负荷进行快速准确的预测。
附图说明
图1为本发明的流程示意图。
图2为本发明的遗传算法优化BP神经网络流程图。
图3为本发明的遗传算法适应度曲线图。
图4为本发明的遗传算法误差平方和曲线图。
图5为本发明的BP神经网络训练结果。
图6为本发明的遗传算法优化BP神经网络训练结果。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了本发明提供了一种电力负荷预测方法，如图1所示，该预测方法包括以下步骤：
第一步，获取历史日和预测日数据，形成评价矩阵Mnm，n为自然数，m为正整数，mij表示在评价矩阵Mnm中第i个评价对象(参考对象，即历史日的数据)第j项指标的指标值，m0j表示在评价矩阵Mnm中待评价对象(即预测日的数据)第j项指标的指标值，i为不大于n的正整数，j为不大于m的正整数。
其中，获取的历史日数据包括日期、节假日、温度数据以及电力负荷数值；获取的预测日数据包括日期、节假日和温度数据。
第二步，对评价矩阵Mnm进行线性变换归一化处理，得到矩阵Snm。在本实施方式中，线性变换归一化处理的计算方法为：其中，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值，minmij表示在评价矩阵Mnm中最小的指标值，maxmij表示在评价矩阵Mnm中最大的指标值，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值。
其中，矩阵Snm中包括s0j和sij，其s0j的计算方法为：s0j表示对评价矩阵Mnm中待评价对象第j项指标进行线性变换归一化处理后的归一化值。
第三步，计算矩阵Snm中每项指标的相似日特征权值。在本实施方式中，相似日特征权值的计算方法为：其中， n为评价矩阵Mnm中评价对象的个数，m为评价矩阵Mnm中指标的项数，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，ωj为相似日特征权值，i为不大于n的正整数，j为不大于m的正整数；当fij＝0时，fijlnfij＝0；当0≤ωj≤1，
应当注意，在矩阵Mnm、Snm、Pnm、Vnm中，矩阵Mnm和Snm包括评价对象和待评价对象，矩阵Pnm、Vnm只包括待评价对象。n是不同的。
第四步，计算预测日与历史日之间的关联度。在本实施方式中，关联度的计算方法为：首先逐个计算每个评价对象指标与待评价对象指标对应元素的绝对差值，其计算公式为：vij＝|Si-S0|＝|sij-s0j|，形成矩阵Vnm，i为不大于n的正整数，j为不大于m的正整数；其中，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，s0j为待评价对象第j项指标进行线性变换归一化处理后的归一化值，S0为与矩阵Snm第0行，Si为矩阵Snm的第i行；再计算每项指标的相似度系数Cij：minvij是矩阵Vnm中的最小值，maxvij是矩阵Vnm中的最大值，ρ为分辨率系数，一般情况下设为0.5；根据计算得到的相似度系数Cij和相似日特征权值ωj，计算得到待评价对象与评价对象的关联度：
第五步，对评价对象按照关联度由大到小进行排序，选取前W组评价对象作为预测算法的训练样本，W为不大于n的正整数。
第六步，利用遗传算法对预测算法进行改进，对预测算法的权值和阈值进行寻优，计算出最优的权值和阈值进行训练。在本实施方式中，遗传算法对预测算法进行改进包括以下步骤：
S61，确定BP神经网络隐含层层数及所包含神经元的个数，并初始化神经网络的权值和阈值；其中，隐含层层数和神经元个数是依据实验经验确定的，优选地，设置隐含层为1层，神经元为25个；将权值和阈值的范围设置为[-1,1]，取随机值。
S62，通过BP神经网络中输入数据的规模，确定权值和阈值编码长度；其中，编码长度的计算方法为：S＝R*S1+S1*S2+S1+S2，S为编码长度，S1为隐层神经元个数，S2为输出层神经元个数，R为输入神经元个数。
S63，对BP神经网络的权值和阈值进行编码，种群规模设为K，产生初始种群，K为正整数；其中，权值和阈值编码的方法为：对R*S1长度的编码为W1(i,j)，W1(i,j)＝x(R*(i-1)+j)，1≤i≤R，1≤j≤S1；对S1*S2长度的编码为W2(i,j)，W2(i,j)＝x(S1*(i-1)+j+R*S1)，1≤i≤S2，1≤j≤S1；对S1长度的编码B1(i,1)，B1(i,1)＝x((R*S1+S1*S2)+i)，1≤i≤S1；对S2长度的编码B2(i,1)，B2(i,1)＝x((R*S1+S1*S2+S1)+i)，1≤i≤S2。
S64，将BP神经网络的实际输出和期望输出的误差平方和的倒数作为遗传算法的适应度函数，并通过适应度函数确定每个个体的适应值；即适应度函数中的适应值的求法为：适应值val＝1/SE，SE＝∑(实际输出-预测输出)2。
S65，利用选择、交叉、变异循环操作，直到超过设定的遗传代数时停止，选择适应值最大的个体作为群体的最优个体；在本步骤中，使用的是Matble中GAOT工具箱中的遗传算法。具体操作如下：1、对初始种群和适应度值；2、选择，使用normGeomSelect函数选择决定哪些个体可以进入下一代；3、交叉，使用arithXover函数进行算术交叉，选取2个个体作为父代，产生出2个新的子代个体；4、变异，使用nonUnifMutation函数；判断是否满足终止条件，满足就退出，不满足就返回2继续执行。
S66，用当前群体的最优个体，分解为BP神经网络的连接权值和阈值。将总的编码长度S＝R*S1+S1*S2+S1+S2，即最后得到的最优个体，进分分解，R*S1即为输入层与隐含层的连接权值，S1*S2即为隐含层与输出层之间的连接权值，S1即为隐含层的阈值，S2即输出层的阈值。
第七步，将预测日信息输入优化预测算法中，将输出值经过反归一化后获得预测日的电力负荷值。其中，反归一化就是还原归一化后的数据，计算公式为：outij＝sij(maxmij-minmij)+minmij。
第八步，将预测出的电力负荷值，显示在预测页面，供电力系统电力调度部门查看，作为下一天电力负荷调整的依据。在本实施方式中，本发明预测出的数值就是下一天的负荷最大值，将下一天的负荷最大值设置为预测出的值。
下面给出一个具体的实施例：
本发明主要从天气因素(温度)、日期因素和历史电力负荷数据等三个方面提出一种短期电力负荷预测的方法，天气因素指标主要考虑的有最高温度、最低温度和平均温度，日期因素指标主要考虑的有年、月、日、星期(节假日)，以及历史电力负荷这七项评价指标。
现取得了重庆市某区2014年1月1日到2016年5月31日的日最大有功值数据，并从中国气象数据网获取了该区同期的天气数据如表1所示。
表1.样本数据
其中，星期一至星期天各天的量化值分别对应为0.1、0.2、0.3、0.4、0.5、0.6、0.7，节假日用量化值0.9来表示；若星期一至星期天中某一天为节假日，则该日量化值用节假日量化值代替；例如2016.1.1既为星期五，又为节假日，则2016.1.1的量化值为0.9。
根据2014年1月1日到2016年5月30日的日最大有功值、星期(节假日)和温度数据，并使用2016年5月31日的星期(节假日)和温度数据，来预测2016年5月31日的日最大有功值。
数据预处理，根据2014年1月1日到2016年5月30日的日最大有功值、星期(节假日)和温度数据，来计算2016年5月31日的相似日：
1)对于表1中的数据形成评价矩阵M8777(2014年1月1日到2016年5月31日共计882天，但是由于从中国气象数据网获取数据中有4天没有数据，故只有877天有数据)，有7项指标，877个评价对象，先用下式对数据进行归一化处理：
其中，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值，minmij表示在评价矩阵Mnm中最小的指标值，maxmij表示在评价矩阵Mnm中最大的指标值，sij表示对矩阵Snm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，将数据归一化到0,1之间，得到矩阵S8777。
2)计算矩阵S8777中的年、月、日、星期(节假日)、平均温度、最高温度、最低温度的相似日特征权值，依据如下式子计算各个指标相似日特征权值：
其中，n为评价矩阵Mnm中评价对象的个数，m为评价矩阵Mnm中指标的项数，ωj为相似日特征权值，i为不大于n的正整数，j为不大于m的正整数；当fij＝0时，fijlnfij＝0；
当0≤ωj≤1，计算结果如表2所示。
表2.各项指标的相似日特征权值
由表2可知，指标年份的权值为0.351988是权值最大的，接下来是月和星期，反应了各个指标对电力负荷变化的影响程度。
3)使用相似日特征来计算预测日与历史日之间的相似度：
a.关联系数计算
对于标准化后的矩阵S8777，S0为矩阵Snm第0行，sij表示第i个评价对象第j项指标的指标值，逐个计算每个评价对象指标与待评价对象指标对应元素的绝对差值：
vi＝|Si-S0|＝|sij-s0j|，i＝1,2,...,n，j＝1,2,...,m，
则关于该项指标的相似度系数Cij可由下式计算出：
minvij是矩阵Vnm中的最小值，maxvij是矩阵Vnm中的最大值，ρ为分辨率系数，设为0.5，得到关联系数矩阵C8777。
b.关联度计算
由得到的相似度系数Cij和相似日日特征权值可计算得到预测日与各历史日的关联度：
得到P8777的关联度矩阵。
由计算出的关联度，对评价对象按照关联度由大到小进行排序，选取前20组评价对象系列作为预测算法的训练数据，如表3所示。
表3.前20组训练数据
基于BP神经网络预测2016年5月31日的日最大负荷：
实验中采用20组与预测日相似度最大的数据作为训练样本，用于训练神经网络模型，网络拓扑结构为BP(7,25,1)，即输入层神经元个数为7是训练数据的日特征数量；隐含层1层，神经元个数为25；输出层神经元个数为1个，输出预测值。
利用20组训练样本数据训练神经网络，2016年5月31日的日最大负荷的期望输出值为20.90785，预测结果如表5所示。
表5.BP神经网络10组预测结果
结果证明BP神经网络具有一定的学习能力，但学习结果不稳定，效果没有达到要求，在隐含层层数、神经元数目和输入数据固定的情况下，考虑初始权值和阈值对网络训练效果的影响。
遗传算法优化BP神经网络：
使用遗传算法寻找全局最优个体作为BP神经网络的权值和阈值，BP神经网络中建立网络结构并初始化网络，用优化后的网络训练数据，输出2016年5月31日的日负荷最大值，具体包括以下步骤：
1)构造训练样本数据：训练样本数据，即为20组与预测日相似度最大的数据；
2)确定网络拓扑结构：网络拓扑结构为BP(7,25,1)，即输入层神经元个数为7是训练数据的日特征数量，隐含层1层，神经元个数为25，输出层神经元个数为1个；
3)权值和阈值优化：采用遗传算法寻找最优个体来优化BP神经网络的权值和阈值；
a.通过BP神经网络中输入数据的规模确定权值和阈值长度，由权值和阈值的长度确定编码的长度：
S＝R*S1+S1*S2+S1+S2
式中S为编码长度，S1为隐层神经元个数25，S2为输出层神经元个数1，R为输入神经元个数7。即编码长度为S＝7*25+25*1+25+1＝226。
b.对BP神经网络的权值和阈值进行编码，种群规模设为50，产生初始种群；
c.采用BP神经网络的实际输出和期望输出的误差平方和的倒数作为遗传算法的适应度函数，并通过适应度函数确定每个个体的适应值，适应值越大，误差越小；
d.利用选择、交叉、变异循环操作，直到超过设定的遗传代数时停止，选择适应值最大的个体作为群体的最优个体；
e.用当前群体的最优个体，分解为BP神经网络的连接权值和阈值。
4)训练及测试：使用20组与预测日相似度最大的数据对设置好的网络进行训练，并用未参与训练的数据进行测试；
5)预测日的日最大电力负荷预测：将2016年5月31日的日特征值输入训练好的神经网络，对输出值进行反归一化后得到电力负荷预测值，输入预测日的日特征值如表6所示。
表6.预测日的日特征值
得到的输出预测值为20.8457，与期望输出20.90785，预测误差百分比为0.0029，进行10次输出测试，得到的结果基本近似该值，遗传算法的适应度曲线与误差曲线如图3～4所示。
由该预测结果可知，遗传算法优化的BP神经网络的预测误差远小于BP神经网络的预测误差，且比BP神经网络稳定很多，由图5～6可以看出，实验中BP神经网络的训练最终得到的误差精度远大于优化后的误差精度，在运行时训练次数却少了很多，效果满足要求。在图3～6中，横坐标是迭代的次数，纵坐标是每次迭代后的误差。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种电力负荷预测方法，其特征在于，包括以下步骤：
S1，获取历史日和预测日数据，形成评价矩阵Mnm，所述n为自然数，m为正整数，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值，m0j表示在评价矩阵Mnm中待评价对象第j项指标的指标值，所述i为不大于n的正整数，j为不大于m的正整数；
S2，对评价矩阵Mnm进行线性变换归一化处理，得到矩阵Snm；
S3，计算矩阵Snm中每项指标的相似日特征权值；
S4，计算预测日与历史日之间的关联度；
S5，对评价对象按照关联度由大到小进行排序，选取前W组评价对象作为预测算法的训练样本，所述W为不大于n的正整数；
S6，利用遗传算法对预测算法进行改进，对预测算法的权值和阈值进行寻优，计算出最优的权值和阈值进行训练；
S7，将预测日信息输入优化预测算法中，将输出值经过反归一化后获得预测日的电力负荷值；
S8，将预测出的电力负荷值，显示在预测页面，供电力系统电力调度部门查看，作为下一天电力负荷调整的依据。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，在步骤S2中，线性变换归一化处理的计算方法为：
其中，mij表示在评价矩阵Mnm中第i个评价对象第j项指标的指标值，minmij表示在评价矩阵Mnm中最小的指标值，maxmij表示在评价矩阵Mnm中最大的指标值，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值。
3.根据权利要求1所述的电力负荷预测方法，其特征在于，在步骤S3中，相似日特征权值的计算方法为：
其中，n为评价矩阵Mnm中评价对象的个数，m为评价矩阵Mnm中指标的项数，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，ωj为相似日特征权值，所述i为不大于n的正整数，j为不大于m的正整数；
当fij＝0时，fijlnfij＝0；
当0≤ωj≤1，
4.根据权利要求1所述的电力负荷预测方法，其特征在于，在步骤S4中，关联度的计算方法为：
首先逐个计算每个评价对象指标与待评价对象指标对应元素的绝对差值，其计算公式为：vij＝|Si-S0|＝|sij-s0j|，形成矩阵Vnm，i为不大于n的正整数，j为不大于m的正整数；
其中，sij表示对评价矩阵Mnm中第i个评价对象第j项指标进行线性变换归一化处理后的归一化值，s0j为待评价对象第j项指标进行线性变换归一化处理后的归一化值，S0为与矩阵Snm第0行，Si为矩阵Snm的第i行；
再计算每项指标的相似度系数Cij：
minvij是矩阵Vnm中的最小值，maxvij是矩阵Vnm中的最大值，ρ为分辨率系数；
根据计算得到的相似度系数Cij和相似日特征权值ωj，计算得到待评价对象与评价对象的关联度：
5.根据权利要求1所述的电力负荷预测方法，其特征在于，在步骤S6中，遗传算法对预测算法进行改进包括以下步骤：
S61，确定BP神经网络隐含层层数及所包含神经元的个数，并初始化神经网络的权值和阈值；
S62，通过BP神经网络中输入数据的规模，确定权值和阈值编码长度；
S63，对BP神经网络的权值和阈值进行编码，种群规模设为K，产生初始种群，所述K为正整数；
S64，将BP神经网络的实际输出和期望输出的误差平方和的倒数作为遗传算法的适应度函数，并通过适应度函数确定每个个体的适应值；
S65，利用选择、交叉、变异循环操作，直到超过设定的遗传代数时停止，选择适应值最大的个体作为群体的最优个体；
S66，用当前群体的最优个体，分解为BP神经网络的连接权值和阈值。
6.根据权利要求5所述的电力负荷预测方法，其特征在于，在步骤S62中，编码长度的计算方法为：
S＝R*S1+S1*S2+S1+S2，
其中，S为编码长度，S1为隐层神经元个数，S2为输出层神经元个数，R为输入神经元个数。
7.根据权利要求5所述的电力负荷预测方法，其特征在于，在步骤S63中，权值和阈值编码的方法为：
对R*S1长度的编码为W1(i,j)，W1(i,j)＝x(R*(i-1)+j)，1≤i≤R，1≤j≤S1；
对S1*S2长度的编码为W2(i,j)，W2(i,j)＝x(S1*(i-1)+j+R*S1)，1≤i≤S2，1≤j≤S1；
对S1长度的编码B1(i,1)，B1(i,1)＝x((R*S1+S1*S2)+i)，1≤i≤S1；
对S2长度的编码B2(i,1)，B2(i,1)＝x((R*S1+S1*S2+S1)+i)，1≤i≤S2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710240575.4A CN107016469A (zh) | 2017-04-13 | 2017-04-13 | 电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710240575.4A CN107016469A (zh) | 2017-04-13 | 2017-04-13 | 电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107016469A true CN107016469A (zh) | 2017-08-04 |
Family
ID=59446732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710240575.4A Pending CN107016469A (zh) | 2017-04-13 | 2017-04-13 | 电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016469A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704967A (zh) * | 2017-10-17 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 一种基于改进模糊神经网络的短期电力负荷预测方法 |
| CN107784455A (zh) * | 2017-11-16 | 2018-03-09 | 鼎信信息科技有限责任公司 | 一种基于行业用电数据库和配变重过载预测的电网削峰填谷方法 |
| CN108062594A (zh) * | 2017-11-13 | 2018-05-22 | 国网山东省电力公司荣成市供电公司 | 一种电力系统网络的负荷的预测方法及其装置 |
| CN108062720A (zh) * | 2017-12-05 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
| CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
| CN109389238A (zh) * | 2017-08-14 | 2019-02-26 | 中国电力科学研究院 | 一种基于岭回归的短期负荷预测方法及装置 |
| CN109472407A (zh) * | 2018-11-02 | 2019-03-15 | 国网河北省电力有限公司雄安新区供电公司 | 能源设备的调度方法及终端设备 |
| CN109522093A (zh) * | 2018-11-16 | 2019-03-26 | 国家电网有限公司 | 电力云虚拟机负载预测方法 |
| CN109634715A (zh) * | 2018-11-16 | 2019-04-16 | 国家电网有限公司 | 虚拟机资源运行数据智能预测方法 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
| CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
| CN111160625A (zh) * | 2019-12-10 | 2020-05-15 | 中铁电气化局集团有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
| CN111695739A (zh) * | 2020-06-17 | 2020-09-22 | 广东电网有限责任公司计量中心 | 一种负荷预测方法、系统以及设备 |
| CN113537763A (zh) * | 2021-07-14 | 2021-10-22 | 黑龙江省电工仪器仪表工程技术研究中心有限公司 | 一种配电物联网智能配变终端响应能力评价方法 |
| CN114092274A (zh) * | 2021-10-18 | 2022-02-25 | 国网江苏省电力有限公司经济技术研究院 | 一种基于极端外部冲击的短期电力负荷预测方法 |
-
2017
- 2017-04-13 CN CN201710240575.4A patent/CN107016469A/zh active Pending
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389238A (zh) * | 2017-08-14 | 2019-02-26 | 中国电力科学研究院 | 一种基于岭回归的短期负荷预测方法及装置 |
| CN109389238B (zh) * | 2017-08-14 | 2022-08-09 | 中国电力科学研究院 | 一种基于岭回归的短期负荷预测方法及装置 |
| CN107704967A (zh) * | 2017-10-17 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 一种基于改进模糊神经网络的短期电力负荷预测方法 |
| CN108062594B (zh) * | 2017-11-13 | 2019-10-18 | 国网山东省电力公司荣成市供电公司 | 一种电力系统网络的负荷的预测方法及其装置 |
| CN108062594A (zh) * | 2017-11-13 | 2018-05-22 | 国网山东省电力公司荣成市供电公司 | 一种电力系统网络的负荷的预测方法及其装置 |
| CN107784455A (zh) * | 2017-11-16 | 2018-03-09 | 鼎信信息科技有限责任公司 | 一种基于行业用电数据库和配变重过载预测的电网削峰填谷方法 |
| CN108062720A (zh) * | 2017-12-05 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
| CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
| CN109472407A (zh) * | 2018-11-02 | 2019-03-15 | 国网河北省电力有限公司雄安新区供电公司 | 能源设备的调度方法及终端设备 |
| CN109634715A (zh) * | 2018-11-16 | 2019-04-16 | 国家电网有限公司 | 虚拟机资源运行数据智能预测方法 |
| CN109522093A (zh) * | 2018-11-16 | 2019-03-26 | 国家电网有限公司 | 电力云虚拟机负载预测方法 |
| CN110222727A (zh) * | 2019-05-15 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种基于深度神经网络的短期负荷预测方法及装置 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
| CN111160625A (zh) * | 2019-12-10 | 2020-05-15 | 中铁电气化局集团有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
| CN111695739A (zh) * | 2020-06-17 | 2020-09-22 | 广东电网有限责任公司计量中心 | 一种负荷预测方法、系统以及设备 |
| CN113537763A (zh) * | 2021-07-14 | 2021-10-22 | 黑龙江省电工仪器仪表工程技术研究中心有限公司 | 一种配电物联网智能配变终端响应能力评价方法 |
| CN114092274A (zh) * | 2021-10-18 | 2022-02-25 | 国网江苏省电力有限公司经济技术研究院 | 一种基于极端外部冲击的短期电力负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016469A (zh) | 电力负荷预测方法 | |
| CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
| CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN107730054B (zh) | 一种基于支持向量回归的燃气负荷组合预测方法 | |
| CN110222888A (zh) | 一种基于bp神经网络的日平均电力负荷预测方法 | |
| Piltan et al. | Energy demand forecasting in Iranian metal industry using linear and nonlinear models based on evolutionary algorithms | |
| CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN115660161A (zh) | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 | |
| CN114595873B (zh) | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 | |
| CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
| CN112990597B (zh) | 一种工业园区工厂用电负荷的超短期预测方法 | |
| CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
| Tormozov et al. | Optimization of neural network parameters based on a genetic algorithm for prediction of time series | |
| CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN113537539B (zh) | 一种基于注意力机制的多时间步供热用气量预测模型 | |
| CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
| CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 |
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 |
Application publication date: 20170804 |
|
| RJ01 | Rejection of invention patent application after publication |