CN107609671A - 一种基于综合因素评价模型的短期电力负荷预测方法 - Google Patents
一种基于综合因素评价模型的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN107609671A CN107609671A CN201710682252.0A CN201710682252A CN107609671A CN 107609671 A CN107609671 A CN 107609671A CN 201710682252 A CN201710682252 A CN 201710682252A CN 107609671 A CN107609671 A CN 107609671A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- imf
- munderover
- index
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于综合因素评价模型的短期电力负荷预测方法，所述方法包括：首先运用AHP‑熵权法建立人体舒适度模型，然后运用掩蔽经验模式分解(MEMD)将原始电力负荷数据序列分解成若干不同频率的固有模态分量(IMF)和剩余分量，之后对能反映负荷序列内在特性的各IMF分量与人体舒适度指数进行相关性分析，根据相关性系数的大小来确定经粒子群(POS)优化后的Elman神经网络子模型的输入向量并进行预测，最后将各子模型的预测值相叠加得到最终预测结果。本发明方法明显提高了短期电力负荷的预测精度，更具实用性。
Description
技术领域
本发明涉及电力负荷预测技术领域，特别是涉及一种基于综合因素评价模型的短期电力负荷预测方法。
背景技术
电力负荷预测是供电部门的重要工作之一，是保证电力系统可靠供电和安全运行的前提。准确的负荷预测可以经济合理地安排电网内部发电机组的启停，做到提高经济效益和社会效益。然而电力负荷不是单独存在的，其受到多种因素影响和制约，因此为了提高预测的准确性和稳定性，需要考虑不同因素对于负荷的影响，然而如果考虑因素过多不仅会增加算法复杂度，而且还有可能使原本对负荷无影响的因素参与负荷预测而造成模型的不稳定。如何做到高效准确的预测此特点的电力负荷成为现在解决的关键问题。目前的短期电力负荷预测中，大多是建立单一气象因素模型，然而此方法受地域差异影响极大，使得预测结果的准确率大大降低，即面对各地电力负荷受不同气象因素影响的特点，当前的短期负荷预测方法已不能完全满足电网的需求。因此，我们提出了一种基于综合因素评价模型的短期电力负荷预测方法。
发明内容
本发明目的在于提供一种明显提高短期电力负荷的预测精度和速度的基于综合因素评价模型的短期电力负荷预测方法。
为实现上述目的，采用了以下技术方案，本发明所述方法包括以下步骤：
步骤1，建立人体舒适度模型，运用综合权重给各指标舒适感评级从而得出综合人体舒适度指数；
步骤2，运用掩蔽经验模式分解MEMD将原始电力负荷数据序列分解成不同频率的固有模态分量IMF和剩余分量r，其中固有模态分量分为6层；
步骤3，对能反映负荷序列内在特性的各固有模态分量IMF与人体舒适度指数进行相关性分析，根据相关性系数的大小来确定经改进的粒子群POS优化后的Elman神经网络子模型的输入向量并进行预测；
步骤4，将各子模型的预测值相叠加得到负荷序列的最终预测结果。
进一步的，步骤1中，所述人体舒适度模型的模型结构分为三个层次，目标层是人体舒适度；准则层包含温度、湿度、风力、气压；指标层包含最高温度、最低温度、白天和夜间湿度指标、风力强度以及气压状况；
根据三层次的人体舒适度模型结构，采用AHP-熵权法对模型中各个因素进行权重解析，最终得到综合因素影响系数；
层次分析法AHP是将与决策总是有关的元素分解成目标、准则、方案层次，在此基础上进行定性和定量分析的决策方法，具体计算步骤为：建立递阶层次结构、构造两两比较判断矩阵、判断矩阵的一致性检验、计算各层指标对目标的合成权重；
设判断矩阵为A，计算各因素对目标层的权重步骤：
1)将A的每一列向量归一化得：
其中表示列向量的归一化结果，aij表示元素i和元素j的重要性之比；
2)对归一化后的矩阵按行求和得：
其中表示归一化后的列向量按行求和得到的结果；
3)式(2)的结果归一化：
w＝(w1,w2,…wn)T即为权向量；
其中wi,i＝1,2,...,n,表示各因素对目标的权重；
熵权法的计算步骤为：
1)数据标准化，将各个指标的数据进行标准化处理；以人体舒适度模型为例，假设给定了n个指标x1,x2,x3,…xn，其中xi＝(x1,x2,...xk)；经标准化处理后的值为Y1,Y2,Y3,...Yn，其中
其中xij为人体舒适度每个指标的评价值，Yij表示对各指标数据标准化后的结果；
2)求各指标信息熵，根据信息论中信息熵的定义，计算第i个指标的熵值：
其中Pij表示第i个指标下第j个样本指标值所占的比重；
3)计算第i项指标的差异性系数：
4)计算第i项指标的熵权Wi：
最后按照人体感觉的标准对各项指标进行评级，然后将各项指标评级和相应的权重作乘法，最后求和得到当天的综合人体舒适度指数。
进一步的，步骤2中，将原始电力负荷数据序列去噪后进行MEMD分解，得到反映负荷序列内在特性的IMF分量和显示趋势分量的余量r；
在EMD分解算法的基础上，MEMD分解的算法如下：
为了便于分析，设信号x(t)如(8)式所示，a1，a2表示信号幅值，fi(i＝1,2...n)为信号频率，且采样频率fs远远大于信号频率
x(t)＝a1sin(2πf1t)+a2sin(2πf2t) (8)
确定时间序列x(t)的局部最大值点和局部最小值点；
利用3次样条线把所有局部极大值点连接起来形成上包络线emax1(t),再利用3次样条线把所有局部极小值点连接起来形成下包络线emax2(t)；
由极大值包络线与极小值包络线取平均得到均值包络线，记为:
v1(t)＝(emax1(t)+emax2(t))/2 (9)
引入一个掩蔽信号如(10)式所示，算式的确定关键在于幅值am和频率fm的求取：
m(t)＝am sin(2πfmt) (10)
计算掩蔽信号的幅值am和频率fm，求取掩蔽信号：首先对原始信号x(t)进行一次EMD分解，对得到的第一阶IMF分量进行Hilbert变换，得到n个瞬时幅值aIMF1(i)和瞬时频率fIMF1(i),i＝1,2,…n，n为采样点数，则掩蔽信号的幅值和频率可分别由(11)式和(12)式求得：
将求得的掩蔽信号m(t)添加到原始信号中，得到两个新的时间序列
x+(t)＝x(t)+m(t) (13)
x-(t)＝x(t)-m(t) (14)
计算新序列与v(t)之差，，记为d(t)：
d+(t)＝x+(t)-v(t) (15)
d-(t)＝x-(t)-v(t) (16)
判断d(t)是否满足IMF的条件，如果满足条件，则d(t)＝(d+(t)+d-(t))/2为第一个IMF；如果不满足条件，则将d1(t)当作原始序列，得到d1(t)的极大值极小值和均值包络线，再判断m11(t)，再判断d11(t)＝d1(t)-m11(t)是否满足IMF的条件，如不满足，则重复循环k次，得到d1k(t)＝d1(k-1)(t)-m1k(t)，使d1k(t)满足IMF的条件；记c1(t)＝d1k(t),则c1(t)＝d1k(t)c1(t)为x(t)的第一个IMF；
将c1(t)从x(t)中分离出来，将余数r1(t)＝x(t)-c(t)当作原始数列，重复步骤，得到m个IMF，当余项r(t)变成常数或单调函数，不能再从中提取满足IMF的分量时，分解过程结束；原始数列可被表示为IMF和最终余项的和：
再次利用EMD分别对这两个时间序列x+(t)和x-(t)进行分解，分别得到IMF分量d+(t)和d-(t)；
定义最后所取的IMF分量为：
d(t)＝(d+(t)+d-(t))/2 (18)。
进一步的，步骤3中，首先分析当日的舒适度指数和与之对应的各IMF分量之间的关系，根据其相关系数的大小得出人体舒适度对各IMF分量的影响程度，最终确定出经过改进粒子群算法优化后的Elman预测模型的输入量并进行预测；其中，粒子群优化神经网络的步骤如下：
3-1)根据训练样本设计Elman神经网络结构，确定神经网络的输入层、隐含层和输出层的神经元个数；
3-2)初始化粒子群，确定粒子群规模；设定粒子初始位置、速度和最值；每个粒子的维数为各层神经元的权值和阈值的总数；设定学习因子c1、c2和惯性权重的范围；
3-3)计算每个粒子的适应度值；Elman神经网络的隐含层使用Sigmoid函数，输出层使用线性Pureline函数；
3-4)通过比较粒子的适应度计算当前各粒子的最优位置pbest与全局最优值gbest；
3-5)更新惯性权重和学习因子，使它们分别处于各自的设定范围内，更新粒子速度和位置，检查更新后的速度和位置是否位于设定范围之内；
3-6)检查更新次数是否达到迭代次数给定的最大值或适应度的值是否满足精度要求，若指标达到则表示算法收敛，输出优化后神经网络的权值和阈值，否则返回步骤3-3)继续算法迭代。
进一步的，步骤3中，改进的粒子群算法PSO首先初始化一个随机产生一个种群，设定每个粒子初始随机位置和速度；假设在一个D维搜索空间中，种群包括K个粒子，记为y＝[y1,y2…yK]；则yi＝[yi1,yi2…yiD]T表示粒子i的位置，粒子i的飞行速度由vi＝[vi1,vi2…viD]T表示，其中i＝1,2,…K；粒子i到当前时刻为止搜索到的最优位置pbest为pi＝[pi1,pi2…piD]T，到当前时刻为止整个粒子群搜索到的最优位置gbest为：
vid(t+1)＝ωvid(t)+c1e1[pid-yid(t)]+c2e2[pgd-yid(t)] (19)
yid(t+1)＝yid(t)+vid(t+1) (20)
其中，ω是惯性权重；t是迭代次数；c1、c2是学习因子，分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长；e1、e2是[0,1]之间的随机数；yid和vid是粒子i当前位置和速度；pid是粒子i个体最优位置；pgd是粒子i发现的全局最优位置。基本粒子群算法采用常数学习因子c1和c2及常数惯性权重ω；
在PSO算法的初级阶段，惯性权重ω较大算法不易陷入局部最优，算法进行到后期时，较小的惯性因子ω可以加快收敛速度，因此动态的减小惯性因子有利于使得算法更加稳定。现如今，用的最多的方法是线性递减法，然而这种方法同样存在诸多问题：假如在算法开始的初期探测到较优点，则希望能快速收敛于此刻的最优点，但是由于惯性权重因子的线性递减减缓了算法的收敛速度；在算法运行的后期由于ω的减小导致了全局搜索能力下降，容易陷入局部极小值。为了解决这一问题，本发明对惯性权重的修正采用指数函数来克服线性权重的不足，使ω(t)在一定区间内单调递减，在算法初期依靠各个粒子自身的经验进行全局寻优，而在算法后期则利用粒子间的信息共享使得粒子达到新的搜索空间。为了进一步提高算法的收敛能力，引入压缩因子λ改进PSO算法模型，λ控制粒子的飞行速度使算法达到全局探测和局部开采的有效平衡；其速度更新公式为：
vid(t+1)＝λ{vid(t)+c1e1[pid-yid(t)]+c2e2[pgd-yid(t)]} (21)
将指数函数和压缩因子结合，对PSO算法进行了优化，该算法既具有良好的收敛能力，又避免了陷入局部最优，有效改善了线性权重的不足。
所述改进算法模型为：
vid(t+1)＝λ{ω(t)vid(t)+c1e1[pid-yid(t)]+c2e2[pgd-yid(t)]} (23)
w(t)＝exp(-t/maxDT) (24)
其中t为当前迭代次数，maxDT为最大迭代次数。
yid(t+1)＝yid(t)+vid(t+1) (25)。
与现有技术相比，本发明方法具有如下优点：
1、引入综合人体舒适度的预测模型，而不是建立单一气象因素模型，可有效排除受地域差异影响大致使预测模型有局限性的特点；
2、将负荷数据进行IMF分量分解，对各个分解量引入人体舒适度指数作为补充输入变量完成神经网络的运算，而后叠加各分量的预测结果得出最终的预测结果，即把人体舒适度引入到负荷预测中，明显提高短期电力负荷的预测精度。
3、经过改进的粒子群算法完善了基本粒子群算法的收敛能力以及算法的全局搜索和局部寻优能力，具有较好的可操作性。
附图说明
图1是本发明方法的流程示意图。
图2是本发明方法的人体舒适度模型。
图3是本发明方法的Elman神经网络结构图。
图4是某一地区2014年4月11日～4月18日的电力负荷的原始负荷序列。
图5是MEMD负荷序列分解结果图。
图6是BP算法和PSO-Elman算法对比图。
图7是不同方法下的预测负荷曲线与实际负荷曲线的对比图。
图8是不同方法下的预测误差对比图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示，本发明提供一种基于综合因素评价模型的短期电力负荷预测方法，包括以下步骤：
步骤1，建立人体舒适度模型，运用综合权重给各指标舒适感评级从而得出每日的综合人体舒适度指数；
步骤2，运用掩蔽经验模式分解(MEMD)将原始电力负荷数据序列分解成若干不同频率的固有模态分量(IMF)和剩余分量(r)，其中固有模态分量分为6层；
步骤3，对能反映负荷序列内在特性的各分量与人体舒适度指数进行相关性分析，根据相关性系数的大小来确定经粒子群(POS)优化后的Elman神经网络子模型的输入向量并进行预测，
步骤4，将各子模型的预测值相叠加得到负荷序列的最终预测结果。
如图2所示，人体舒适度模型，其结构分为三个层次，具体包括：目标层为人体舒适度；准则层包含温度、湿度、风力、气压等；指标层包含最高温度、最低温度、白天和夜间湿度指标、风力强度以及气压状况。
如图3所示，Elman神经网络一般分为4层：输入层，中间层(隐含层)，承接层和输出层。输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层用于记忆隐层的过去态，并在下一时刻联同网络输入一起作为隐含层单元的输入，使得网络具有动态记忆功能，从而达到了动态建模的目的。
实施例：
选取某一地区2014年4月11日～4月18日的电力负荷数据，其中每15分钟采样一个负荷数据总共768个点，再对这些点进行MEMD分解，得到各IMF分量和余量r；根据预测日信息，通过熵权法得到该地区2014年4月11日～4月18日的人体舒适度指数；在此基础上对负荷各分量与人体舒适度指数进行相关性分析，随后根据人体舒适度对负荷波动的影响情况，来确定对各IMF分量进行预测时的输入向量。最终将预测出的第8天的负荷数据与真实负荷数据作对比，验证预测模型的准确度。
预测过程按照图1所述流程图进行。先将原始电力负荷数据序列运用MEMD分解成若干不同频率的固有模态分量(IMF)和剩余分量(r)，建立人体舒适度模型如图2所示，运用综合权重给各指标舒适感评级从而得出每日的综合人体舒适度指数，对能反映负荷序列内在特性的各分量与人体舒适度指数进行相关性分析，其中当日各时刻负荷分量对应当日日均人体舒适度指数，根据相关性系数的大小来确定经粒子群(POS)优化后的Elman神经网络子模型的输入向量并进行预测，将各子模型的预测值相叠加得到负荷序列的最终预测结果。Elman神经网络结构图如图3所示。
图4为去噪后的原始负荷序列，图5为原始负荷序列经过MEMD分解后的各IMF分量以及剩余余量r图，可以明显看出imf1和imf2频率很高，并且也不具有明显的周期性，它们被看作是负荷序列中的高频分量；imf3和imf4呈现出一定的周期性并且幅值很大，因此认为它们属于原负荷序列的周期性分量；imf5和imf6被看成原负荷序列的趋势分量；最后的r为趋势分量的余量。
表1是通过人体舒适度指数计算原理得到的预测地区2014年4月11日～4月18日的人体舒适度指数表。
表1
通过表1指数与经MEMD分解后的各分量进行Kendall秩相关系数相关性分析，得到二者的相关性系数表如表2所示。
表2
从相关性分析的结果可以看出人体舒适度对imf5、imf6和r有显著影响，因此预测模型需要考虑对负荷序列有影响的因子；人体舒适度对其它项的影响较小，即可减少预测模型输入量，提高预测速度，各层次的输入因子如表3所示。
表3
本发明采用改进的PSO优化Elman权值和阈值，设定粒子数为100，最大迭代步数为1000，wmax＝0.9，wmin＝0.4，c1＝c2＝2，同时训练神经网络，采用试错法决定神经元数目，训练步数为1000。根据上述相关性系数分析结果，选择不同输入向量对这些序列建立Elman子模型，从而增加预测模型的泛化性，将经过处理的数据输入由子序列训练好的各Elman神经网络，得到相应的预测值，再将各分量的预测值相叠加就可以得到最终的预测结果。运用传统的BP神经网络和改进的PSO-Elman神经网络分别进行预测，得到BP算法和PSO-Elman算法对比图(如图6)，不同方法下的预测负荷曲线与实际负荷曲线的对比图(如图7)，特选取的上述某地区4月18日24个整点时刻的预测误差对比图(如图8)，可看出利用PSO-Elman神经网络算法比BP神经网络算法的收敛速度快，预测值更加贴近真实值，且预测值的波动也较小。
如上所述，该方法首先运用AHP-熵权法建立人体舒适度模型，然后运用掩蔽经验模式分解(MEMD)将原始电力负荷数据序列分解成若干不同频率的固有模态分量(IMF)和剩余分量，之后对能反映负荷序列内在特性的各IMF分量与人体舒适度指数进行相关性分析，根据相关性系数的大小来确定经粒子群(POS)优化后的Elman神经网络子模型的输入向量并进行预测，最后将各子模型的预测值相叠加得到最终得到与之前预测方法相比较为快速又准确的预测结果。该方法的提出为电力系统短期负荷预测提供了一种新思路。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于综合因素评价模型的短期电力负荷预测方法，其特征在于，所述方法包括以下步骤：
步骤1，建立人体舒适度模型，运用综合权重给各指标舒适感评级从而得出综合人体舒适度指数；
步骤2，运用掩蔽经验模式分解MEMD将原始电力负荷数据序列分解成不同频率的固有模态分量IMF和剩余分量r，其中固有模态分量分为6层；
步骤3，对能反映负荷序列内在特性的各固有模态分量IMF与人体舒适度指数进行相关性分析，根据相关性系数的大小来确定经改进的粒子群POS优化后的Elman神经网络子模型的输入向量并进行预测；
步骤4，将各子模型的预测值相叠加得到负荷序列的最终预测结果。
2.根据权利要求1所述的一种基于综合因素评价模型的短期电力负荷预测方法，其特征在于：步骤1中，所述人体舒适度模型的模型结构分为三个层次，目标层是人体舒适度；准则层包含温度、湿度、风力、气压；指标层包含最高温度、最低温度、白天和夜间湿度指标、风力强度以及气压状况；
根据三层次的人体舒适度模型结构，采用AHP-熵权法对模型中各个因素进行权重解析，最终得到综合因素影响系数；
层次分析法AHP是将与决策总是有关的元素分解成目标、准则、方案层次，在此基础上进行定性和定量分析的决策方法，具体计算步骤为：建立递阶层次结构、构造两两比较判断矩阵、判断矩阵的一致性检验、计算各层指标对目标的合成权重；
设判断矩阵为A，计算各因素对目标层的权重步骤：
1)将A的每一列向量归一化得：
<mrow>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，表示列向量的归一化结果，aij表示元素i和元素j的重要性之比；
2)对归一化后的矩阵按行求和得：
<mrow>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，表示归一化后的列向量按行求和得到的结果；
3)式(2)的结果归一化：
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
w＝(w1,w2,…wn)T即为权向量；
其中，wi,i＝1,2,...,n,表示各因素对目标的权重；
熵权法的计算步骤为：
1)数据标准化，将各个指标的数据进行标准化处理；假设给定了n个指标x1,x2,x3,...xn，其中xi＝(x1,x2,...xk)；经标准化处理后的值为Y1,Y2,Y3,...Yn，其中
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，xij为人体舒适度每个指标的评价值，Yij表示对各指标数据标准化后的结果；
2)求各指标信息熵，根据信息论中信息熵的定义，计算第i个指标的熵值：
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>ln</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Pij表示第i个指标下第j个样本指标值所占的比重；
3)计算第i项指标的差异性系数：
<mrow>
<msub>
<mo>&part;</mo>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
4)计算第i项指标的熵权Wi：
<mrow>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mo>&part;</mo>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mo>&part;</mo>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
最后按照人体感觉的标准对各项指标进行评级，然后将各项指标评级和相应的权重作乘法，最后求和得到当天的综合人体舒适度指数。
3.根据权利要求1所述的一种基于综合因素评价模型的短期电力负荷预测方法，其特征在于：步骤2中，将原始电力负荷数据序列去噪后进行MEMD分解，得到反映负荷序列内在特性的IMF分量和显示趋势分量的余量r；
在EMD分解算法的基础上，MEMD分解的算法如下：
为了便于分析，设信号x(t)如(8)式所示，a1，a2表示信号幅值，fi,i＝1,2...n为信号频率，且采样频率fs远远大于信号频率：
x(t)＝a1sin(2πf1t)+a2sin(2πf2t) (8)
确定时间序列x(t)的局部最大值点和局部最小值点；
利用3次样条线把所有局部极大值点连接起来形成上包络线emax1(t),再利用3次样条线把所有局部极小值点连接起来形成下包络线emax2(t)；
由极大值包络线与极小值包络线取平均得到均值包络线，记为:
v1(t)＝(emax1(t)+emax2(t))/2 (9)
引入一个掩蔽信号如(10)式所示，算式的确定关键在于幅值am和频率fm的求取：
m(t)＝amsin(2πfmt) (10)
计算掩蔽信号的幅值am和频率fm，求取掩蔽信号：首先对原始信号x(t)进行一次EMD分解，对得到的第一阶IMF分量进行Hilbert变换，得到n个瞬时幅值aIMF1(i)和瞬时频率fIMF1(i),i＝1,2,…n，n为采样点数，则掩蔽信号的幅值和频率可分别由(11)式和(12)式求得：
<mrow>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mn>1.6</mn>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>I</mi>
<mi>M</mi>
<mi>F</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>I</mi>
<mi>M</mi>
<mi>F</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>f</mi>
<mrow>
<mi>I</mi>
<mi>M</mi>
<mi>F</mi>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>I</mi>
<mi>M</mi>
<mi>F</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>I</mi>
<mi>M</mi>
<mi>F</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
将求得的掩蔽信号m(t)添加到原始信号中，得到两个新的时间序列
x+(t)＝x(t)+m(t) (13)
x-(t)＝x(t)-m(t) (14)
计算新序列与v(t)之差，，记为d(t)：
d+(t)＝x+(t)-v(t) (15)
d-(t)＝x-(t)-v(t) (16)
判断d(t)是否满足IMF的条件，如果满足条件，则d(t)＝(d+(t)+d-(t))/2为第一个IMF；如果不满足条件，则将d1(t)当作原始序列，得到d1(t)的极大值极小值和均值包络线，再判断m11(t)，再判断d11(t)＝d1(t)-m11(t)是否满足IMF的条件，如不满足，则重复循环k次，得到d1k(t)＝d1(k-1)(t)-m1k(t)，使d1k(t)满足IMF的条件；记c1(t)＝d1k(t),则c1(t)＝d1k(t)c1(t)为x(t)的第一个IMF；
将c1(t)从x(t)中分离出来，将余数r1(t)＝x(t)-c(t)当作原始数列，重复步骤，得到m个IMF，当余项r(t)变成常数或单调函数，不能再从中提取满足IMF的分量时，分解过程结束；原始数列可被表示为IMF和最终余项的和：
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
再次利用EMD分别对这两个时间序列x+(t)和x-(t)进行分解，分别得到IMF分量d+(t)和d-(t)；
定义最后所取的IMF分量为：
d(t)＝(d+(t)+d-(t))/2 (18)。
4.根据权利要求1所述的一种基于综合因素评价模型的短期电力负荷预测方法，其特征在于：步骤3中，首先分析当日的舒适度指数和与之对应的各IMF分量之间的关系，根据其相关系数的大小得出人体舒适度对各IMF分量的影响程度，最终确定出经过改进粒子群算法优化后的Elman预测模型的输入量并进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710682252.0A CN107609671A (zh) | 2017-08-10 | 2017-08-10 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710682252.0A CN107609671A (zh) | 2017-08-10 | 2017-08-10 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107609671A true CN107609671A (zh) | 2018-01-19 |
Family
ID=61065276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710682252.0A Pending CN107609671A (zh) | 2017-08-10 | 2017-08-10 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107609671A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595803A (zh) * | 2018-04-13 | 2018-09-28 | 重庆科技学院 | 基于递归神经网络的页岩气井生产压力预测方法 |
| CN108694470A (zh) * | 2018-06-12 | 2018-10-23 | 天津大学 | 一种基于人工智能的数据预测方法及装置 |
| CN109409541A (zh) * | 2018-10-29 | 2019-03-01 | 上海第二工业大学 | 实现报废汽车蓄电池逆向物流可行性评价的方法 |
| CN109980638A (zh) * | 2019-04-03 | 2019-07-05 | 燕山大学 | 一种温控负荷舒适度与频率调节协同优化方法及系统 |
| CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
| CN112766078A (zh) * | 2020-12-31 | 2021-05-07 | 辽宁工程技术大学 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
| CN113093728A (zh) * | 2021-03-08 | 2021-07-09 | 唐山钢铁集团有限责任公司 | 一种基于粒子群算法的无人天车摆角控制方法 |
| CN114114896A (zh) * | 2021-11-08 | 2022-03-01 | 北京机电工程研究所 | 一种基于路径积分的pid参数设计方法 |
| CN117691631A (zh) * | 2024-02-04 | 2024-03-12 | 西安热工研究院有限公司 | 一种基于混合储能装置的电力调频方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156322A1 (en) * | 2012-08-10 | 2014-06-05 | Itron, Inc. | Unified Framework for Electrical Load Forecasting |
| CN105243461A (zh) * | 2015-11-20 | 2016-01-13 | 江苏省电力公司 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
-
2017
- 2017-08-10 CN CN201710682252.0A patent/CN107609671A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156322A1 (en) * | 2012-08-10 | 2014-06-05 | Itron, Inc. | Unified Framework for Electrical Load Forecasting |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN105243461A (zh) * | 2015-11-20 | 2016-01-13 | 江苏省电力公司 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YUANCHENG LI等: "A Short Term Load Forecasting Model Using Core Vector Regression Optimized by Memetic Algorithm", 《INTERNATIONAL JOURNAL OF CONTROL AND AUTOMATION》 * |
| 张伟: "基于人体舒适度指数的配电网短期负荷预测方法", 《电力系统保护与控制》 * |
| 陈艳平 等: "基于EEMD-样本熵和Elman神经网络的短期电力负荷预测", 《电力系统及其自动化学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595803B (zh) * | 2018-04-13 | 2021-04-23 | 中国石油化工股份有限公司 | 基于递归神经网络的页岩气井生产压力预测方法 |
| CN108595803A (zh) * | 2018-04-13 | 2018-09-28 | 重庆科技学院 | 基于递归神经网络的页岩气井生产压力预测方法 |
| CN108694470B (zh) * | 2018-06-12 | 2022-02-22 | 天津大学 | 一种基于人工智能的数据预测方法及装置 |
| CN108694470A (zh) * | 2018-06-12 | 2018-10-23 | 天津大学 | 一种基于人工智能的数据预测方法及装置 |
| CN109409541A (zh) * | 2018-10-29 | 2019-03-01 | 上海第二工业大学 | 实现报废汽车蓄电池逆向物流可行性评价的方法 |
| CN109980638A (zh) * | 2019-04-03 | 2019-07-05 | 燕山大学 | 一种温控负荷舒适度与频率调节协同优化方法及系统 |
| CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
| CN111008726B (zh) * | 2019-10-28 | 2023-08-29 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
| CN112766078A (zh) * | 2020-12-31 | 2021-05-07 | 辽宁工程技术大学 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
| CN112766078B (zh) * | 2020-12-31 | 2024-04-16 | 辽宁工程技术大学 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
| CN113093728A (zh) * | 2021-03-08 | 2021-07-09 | 唐山钢铁集团有限责任公司 | 一种基于粒子群算法的无人天车摆角控制方法 |
| CN114114896A (zh) * | 2021-11-08 | 2022-03-01 | 北京机电工程研究所 | 一种基于路径积分的pid参数设计方法 |
| CN114114896B (zh) * | 2021-11-08 | 2024-01-05 | 北京机电工程研究所 | 一种基于路径积分的pid参数设计方法 |
| CN117691631A (zh) * | 2024-02-04 | 2024-03-12 | 西安热工研究院有限公司 | 一种基于混合储能装置的电力调频方法和系统 |
| CN117691631B (zh) * | 2024-02-04 | 2024-04-30 | 西安热工研究院有限公司 | 一种基于混合储能装置的电力调频方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609671A (zh) | 一种基于综合因素评价模型的短期电力负荷预测方法 | |
| CN109558975A (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
| CN106295874A (zh) | 基于深信度网络的交通流参数预测方法 | |
| CN104463349A (zh) | 一种基于多时段综合相似日的光伏发电功率预测方法 | |
| CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
| CN102185735A (zh) | 一种网络安全态势预测方法 | |
| CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
| CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
| CN105005708B (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
| CN107292446A (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN110222844A (zh) | 一种基于人工神经网络的压缩机性能预测方法 | |
| CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
| Supatmi et al. | Study of hybrid neurofuzzy inference system for forecasting flood event vulnerability in Indonesia | |
| 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 | |
| Bian et al. | Load forecasting of hybrid deep learning model considering accumulated temperature effect | |
| CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
| Cui | Study of traffic flow prediction based on BP neural network | |
| Madhavi et al. | Multivariate deep causal network for time series forecasting in interdependent networks | |
| Li et al. | A multi-factor combination prediction model of carbon emissions based on improved CEEMDAN | |
| CN106339357A (zh) | 寻优参数化的网络信息安全检测系统和方法 | |
| CN106910010A (zh) | 一种主动配电网不确定性潮流分析方法及装置 | |
| CN115965119A (zh) | 一种分布式储能系统功率预测优化的方法 | |
| Lin et al. | A Novel Multi-Model Stacking Ensemble Learning Method for Metro Traction Energy Prediction |
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: 20180119 |