CN108038568A - 一种基于粒子群算法的变权组合电力负荷短期预测方法 - Google Patents
一种基于粒子群算法的变权组合电力负荷短期预测方法 Download PDFInfo
- Publication number
- CN108038568A CN108038568A CN201711268909.5A CN201711268909A CN108038568A CN 108038568 A CN108038568 A CN 108038568A CN 201711268909 A CN201711268909 A CN 201711268909A CN 108038568 A CN108038568 A CN 108038568A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- msub
- load
- particle
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000013277 forecasting method Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群算法的变权组合电力负荷短期预测方法,针对传统单一负荷预测模型和固定权重组合预测模型预测准确度低的缺点,综合考虑电力负荷的时间相关性和其他相关因素对电力负荷的影响,将多种电力负荷预测模型相结合,建立了一种电力负荷短期预测的变权组合预测模型。同时,针对粒子群优化变权参数组合预测法容易陷入局部最优解的缺点,建立了一种参数动态调整粒子群算法,实现了对变权组合预测模型的权重参数的优化求解,最终实现了电力负荷的短期预测。本发明中的组合预测模型优于传统负荷预测法、固定权重组合预测法以及粒子群优化变权参数组合预测法,具有较高的预测准确度。
Description
技术领域
本发明属于电力系统负荷预测领域,具体涉及一种基于粒子群算法的变权组合电力负荷短期预测方法。
背景技术
电力系统调度是保证电力系统可靠和安全的关键,电力负荷短期预测是电力系统调度的基础。对短期电力负荷进行有效而准确的预测,可以有效提高电网的安全性和经济性。
短期和超短期负荷预测一般针对小时及以下的预测,主要用于电力系统调度。由于其预测周期较短,就要求预测方法具有较快的预测时间。此外,短期预测和超短期预测还需要较高的准确度。
随着我国经济的快速发展,全社会的电力需求越来越大,同时各类用户对电能质量的要求也越来越高。这两方面因素导致全社会对电力系统调度提出了更高的要求。为了实现电力系统调度的可靠性和安全性,就必须对电力负荷实现准确而快速的预测,特别是随着国家节能减排政策的逐步实施,短时间电力负荷预测具有越来越重要的作用。
当前电力负荷短期预测的方法主要包括经典预测方法、统计学方法和机器学习方法。经典预测方法主要包括负荷求导法、相似点法等等,其预测误差较大。统计方法包括时间序列分析法、趋势分析法、回归分析法等,根据一个地区过去时间大量的负荷统计数据,建立预测模型,实现电力负荷的预测。机器学习方法主要包括支持向量机和人工神经网络,根据历史数据,通过不断训练,建立影响因素和电力负荷之间的隐含数学模型,实现对负荷的预测。
目前的电力短期负荷预测在实际的电力调度系统中一般只起到一个参考作用,还需要与人工干预相结合,实现电力系统的调度。主要原因在于无论哪种预测方法,单一的预测模型都不能完全反映电力负荷的变化规律,故当前电力负荷预测的准确性还存在问题。
针对单一预测方法的缺点,组合预测法逐渐发展起来。组合预测法将不同类型的预测方法相结合,将若干类预测效果一般的预测模型结合,可以得到较好的预测效果,因此负荷预测方法越来越受到电力公司的重视。组合预测方法中的组合包含两类含义。第一是根据各种方法的优缺点,分任务进行预测,从而起到互补的作用。第二是多个预测模型分别进行预测,然后进行加权求和并得到最终预测结果。
对于多模型加权组合预测法,其技术关键在于选取各个方法的权重,使得预测精度最高。目前的组合预测法多采用固定权重,根据每一种方法的学习误差,设置每一种方法的固定权重,一般情况下哪种方法的误差高,则该方法的权重就小。固定权重存在着显著的缺点,因为随着训练样本的更新,该方法不能动态的调整每一种方法的权值,最终使得预测精度下降。
发明内容
本发明的目的在于提供一种基于粒子群算法的变权组合电力负荷短期预测方法,以克服现有技术的缺陷,本发明预测结果优于固定权重组合预测法和粒子群优化变权参数组合预测法,具有较高的预测精度。
为达到上述目的,本发明采用如下技术方案:
一种基于粒子群算法的变权组合电力负荷短期预测方法,包括以下步骤:
步骤1:根据ARIMA模型的基本原理,对电力负荷数据作平稳化处理,根据已知平稳信号,建立相应的ARIMA模型,得到ARIMA模型的预测结果yA(t);
步骤2:读取电力部门所提供的短期负荷数据,构成负荷时间序列矩阵:
其中,矩阵同一行的数据表示一个电力负荷周期内的数据,矩阵同一列的数据表示不同电力负荷周期的相似点数据;采用相似点电力负荷预测模型进行短期负荷预测,得到相似点电力负荷的预测结果yB(t);
步骤3:将气温、湿度、节假日、雨雪天气因素离散化定量处理,设置隐层神经元个数、隐层函数、输出层函数的相关参数,采用Elman神经网络模型对电力负荷进行预测,得到预测结果yC(t);
步骤4:建立组合预测模型:
y(t)=α(t)yA(t)+β(t)yB(t)+γ(t)yC(t)
其中,α(t)、β(t)和γ(t)分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数,且满足α(t)+β(t)+γ(t)=1;
步骤5:采用动态参数粒子群算法进行权重参数的优化;
步骤6:综合步骤4中的组合预测模型和步骤5中得到的权重参数,进行组合预测。
进一步地,步骤1的平稳化处理具体为:
步骤101:假设电力负荷时间序列为x1,x2,…,xi,…,将非平稳序列进行差分化处理,则处理后的数据为y1,y2,…,yi,…,其中yi=xi+1-xi;判断序列y1,y2,…,yi,…是否为平稳序列,以自相关序列和偏相关序列是否显著性归于零,来判断平稳性,当显著性归于零时即平稳;经过d次差分,最终即得到平稳序列;
步骤102:根据已知平稳信号,建立相应的ARMA模型(p,q)。
进一步地,步骤101中差分次数d取1或2。
进一步地,步骤5具体为:假设总的训练样本个数为N,yi为第i训练样本的真实值,和分别表示第i个训练样本的ARIMA模型预测结果、相似点负荷预测结果以及基于Elman神经网络的预测结果,则第i个训练样本的预测误差为:
其中,α、β和γ分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数;
对于变权参数优化问题,选取的目标函数也就是粒子群算法的适应度值定义为:
约束条件为:
进一步地,步骤5中采用动态参数粒子群算法求解权重参数的具体步骤为:
步骤501:设置粒子群的数目、粒子的初始速度、惯性权重的最大和最小值;
步骤502:计算粒子的适应度值,计算粒子的局部最优位置和全局最优位置;
步骤503:参数更新,更新粒子的速度和位置;
步骤504:判断是否满足终止条件,若满足约束条件,则输出权重系数;否则转至步骤502继续寻优。
进一步地,步骤503中的动态参数粒子群算法参数更新策略为:
假设变异概率的初始值为C,则第n次的变异概率为:
并不是每一次迭代都需要粒子的变异,为此设置一个随机数来判断是否需要粒子的变异;假设R(n)为第n次迭代过程中服从区间[0,1]均匀分布的随机数,如果R(n)<C(n),则此时对粒子进行变异;
计算每一个粒子的适应度值f,适应度值越大,则该粒子当前的位置越差,因而选取适应度值最大的粒子进行变异;局部跟踪权重系数c1、全局跟踪权重系数c2决定算法的收敛性能;随着迭代的持续,特别是在迭代后期,粒子追踪全局最优解,局部跟踪权重系数c1减小而全局跟踪权重系数c2增大;
第n次迭代过程中第i个粒子的局部追踪权重系数以及全局跟踪权重系数更新策略为:
其中,N为最大迭代次数。
与现有技术相比,本发明具有以下有益的技术效果:
本发明方法较之传统负荷预测方法有更高的准确度,应用于电力公司,可以提升电力公司的负荷预测水平,减轻电力调度压力,提高电力系统的可靠性;运用本发明方法,可以在满足用户需求的基础上,尽可能节约能源,这既符合低碳社会的发展需要,也提高了电力系统的总体经济效益。
附图说明
图1为基于变权组合预测法的电力负荷预测流程图;
图2为运用本发明中方法对陕西省进行春季电力负荷预测的结果及其与传统负荷预测方法结果的对比。
具体实施方式
下面对本发明作进一步详细描述:
本发明在分析了传统预测方法以及固定权重组合预测方法的基础上,综合考虑电力负荷的时间相关性和相关因素对电力负荷的影响,将时间序列分析法和Elman神经网络相结合,建立一种电力负荷短期预测的变权组合预测模型。通过建立一种参数动态调整的粒子群算法,实现了对变权组合预测模型的权重参数的优化求解,最终实现了电力负荷的短期预测。在短期电力负荷预测中采用本方法,预测结果优于固定权重组合预测法和粒子群优化变权参数组合预测法,具有较高的预测精度。
步骤1:根据ARIMA模型的基本原理,对电力负荷数据作平稳化处理,根据已知平稳信号,建立相应的ARIMA模型,得到ARIMA模型的预测结果yA(t);
步骤2:读取电力部门所提供的短期负荷数据,构成负荷时间序列矩阵:
其中,矩阵同一行的数据表示一个电力负荷周期内的数据,矩阵同一列的数据表示不同电力负荷周期的相似点数据;
设置窗口宽度等参数,采用相似点电力负荷预测模型进行短期负荷预测,得到相似点电力负荷的预测结果yB(t);
步骤3:将气温、湿度、节假日、雨雪天气等因素定量化表示,考虑这些因素,设置隐层神经元个数、隐层函数、输出层函数等相关参数,采用Elman神经网络模型对电力负荷进行预测,得到预测结果yC(t);
步骤4:建立组合预测模型:
y(t)=α(t)yA(t)+β(t)yB(t)+γ(t)yC(t)
其中,α(t)、β(t)和γ(t)分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数,且满足α(t)+β(t)+γ(t)=1;
步骤5:采用动态参数粒子群算法进行权重参数的优化,
假设总的训练样本个数为N,yi为第i训练样本的真实值,和分别表示第i个训练样本的ARIMA模型预测结果、相似点负荷预测结果以及基于Elman神经网络的预测结果,则第i个训练样本的预测误差为:
其中,α、β和γ分别表示这几种方法的权重系数;
对于变权参数优化问题,选取的目标函数也就是粒子群算法的适应度值定义为:
约束条件为:
步骤6:综合步骤4中的组合预测模型和步骤5中得到的权重参数,进行组合预测。
上述步骤1中,具体步骤为:
步骤101:对电力负荷的平稳性进行分析,由于一般的电力负荷序列为非平稳序列,所以该步骤可以省略;
步骤102:平稳化处理;假设电力负荷时间序列为x1,x2,…,xi,…,将非平稳序列进行差分化处理,则处理后的数据为y1,y2,…,yi,…,yi=xi+1-xi;判断序列y1,y2,…,yi,…是否为平稳序列,以自相关序列和偏相关序列是否显著性归于零,来判断平稳性;经过d次差分,最终可得到平稳序列,一般差分次数d取1或2即可;
步骤103:根据已知平稳信号,建立相应的ARMA模型(p,q)。
上述步骤3中所述的需要定量化表示的因素包括气温、相对湿度、风力大小、节假日、雨雪天气,对这些因素均做离散化定量处理。
上述步骤5中,采用动态参数粒子群算法求解变权参数的具体步骤为:
步骤501设置粒子群的数目、粒子的初始速度、惯性权重的最大和最小值;
步骤502计算粒子的适应度值,计算粒子的局部最优位置和全局最优位置;
步骤503参数更新,更新粒子的速度和位置;
步骤504判断是否满足终止条件。若满足约束条件,则输出权重系数;否则转至步骤502继续寻优。
步骤5中的动态参数粒子群算法参数更新策略为:
假设变异概率的初始值为C,则第n次的变异概率为:
并不是每一次迭代都需要粒子的变异,为此设置一个随机数来判断是否需要粒子的变异。假设R(n)为第n次迭代过程中服从区间[0,1]均匀分布的随机数,如果R(n)<C(n),则此时对粒子进行变异。最后还需要决定对那些粒子进行变异。
计算每一个粒子的适应度值f,很显然,适应度值越大,则该粒子当前的位置越差,因而选取适应度值最大的粒子进行变异。局部跟踪权重系数c1、全局跟踪权重系数c2决定了算法的收敛性能。随着迭代的持续,特别是在迭代后期,粒子更应该追踪全局最优解,c1应该减小而c2应该增大。
第n次迭代过程中第i个粒子的局部追踪权重系数以及全局跟踪权重系数更新策略为:
其中,N为最大迭代次数。
可将动态参数粒子群算法运用于对不同负荷预测模型在变权组合预测模型中的权重参数的优化求解,所述的“不同负荷预测模型”包括但不仅限于ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种模型。
下面对本发明的实施过程作进一步描述:
如图1所示,本发明的一种基于粒子群算法的变权组合电力负荷短期预测方法,按如下步骤实现:
步骤1:读取2015年4月份陕西省电力负荷的实测数据,选取连续240个数据作为训练样本,数据作平稳化处理,根据已知平稳信号,ARIMA模型中的窗口宽度取10,建立相应的ARIMA模型,得到ARIMA模型的预测结果yA(t);
步骤2:构建负荷时间序列矩阵:
其中,矩阵同一行的数据表示一个电力负荷周期内的数据,矩阵同一列的数据表示不同电力负荷周期的相似点数据;
设置相关参数,相似点负荷预测的窗口宽度取10,采用相似点电力负荷预测模型进行短期负荷预测,得到相似点电力负荷的预测结果yB(t);
步骤3:将气温、相对湿度、风力大小、节假日、雨雪天气等因素做离散化定量处理,考虑这些因素,设置Elman神经网络模型的相关参数,隐层神经元个数为10,隐层函数和输出层函数分别为tansig函数logsig函数,对电力负荷进行预测,得到预测结果yC(t);
步骤4:建立组合预测模型:
y(t)=α(t)yA(t)+β(t)yB(t)+γ(t)yC(t)
其中,α(t)、β(t)和γ(t)分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数,且满足α(t)+β(t)+γ(t)=1;
步骤5:采用动态参数粒子群算法进行权重参数的优化,粒子群算法中粒子的个数为10,最大迭代次数为100。
假设总的训练样本个数为N,yi为第i训练样本的真实值,和分别表示第i个训练样本的ARIMA模型预测结果、相似点负荷预测结果以及基于Elman神经网络的预测结果,则第i个训练样本的预测误差为:
其中,α、β和γ分别表示这几种方法的权重系数;
对于变权参数优化问题,选取的目标函数也就是粒子群算法的适应度值定义为:
约束条件为:
动态参数粒子群算法参数更新策略为:
假设fi(n)表示第i个粒子的适应度值;favg(n)和fmin(n)分别表示所有粒子的平均适应度值和最小适应度值,则第i个粒子在第n次迭代过程中的惯性权重调整策略为:
其中,ωmax和ωmin分别为惯性权重的最小值和最大值;
第n次迭代过程中第i个粒子的局部追踪权重系数以及全局跟踪权重系数更新策略为:
其中,N为最大迭代次数。
所述步骤5的具体包括:
步骤501设置粒子群的数目、粒子的初始速度、惯性权重的最大和最小值;
步骤502计算粒子的适应度值,计算粒子的局部最优位置和全局最优位置;
503参数更新,更新粒子的速度和位置;
步骤504判断是否满足终止条件。若满足约束条件,则输出权重系数;否则转至步骤502继续寻优。
步骤6:综合步骤4中的组合预测模型和步骤5中得到的权重参数,进行组合预测。预测结果和预测误差如图2及表1所示。
表1本发明方法预测结果
可以看出,每种方法的权重在每一次预测时是不一样的,具有动态调节的作用;如图2所示,在16点钟由于负荷突然增大,因而此时出现最大相对误差7.130%。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本发明所在技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化和替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于粒子群算法的变权组合电力负荷短期预测方法,其特征在于,包括以下步骤:
步骤1:根据ARIMA模型的基本原理,对电力负荷数据作平稳化处理,根据已知平稳信号,建立相应的ARIMA模型,得到ARIMA模型的预测结果yA(t);
步骤2:读取电力部门所提供的短期负荷数据,构成负荷时间序列矩阵:
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,矩阵同一行的数据表示一个电力负荷周期内的数据,矩阵同一列的数据表示不同电力负荷周期的相似点数据;采用相似点电力负荷预测模型进行短期负荷预测,得到相似点电力负荷的预测结果yB(t);
步骤3:将气温、湿度、节假日、雨雪天气因素离散化定量处理,设置隐层神经元个数、隐层函数、输出层函数的相关参数,采用Elman神经网络模型对电力负荷进行预测,得到预测结果yC(t);
步骤4:建立组合预测模型:
y(t)=α(t)yA(t)+β(t)yB(t)+γ(t)yC(t)
其中,α(t)、β(t)和γ(t)分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数,且满足α(t)+β(t)+γ(t)=1;
步骤5:采用动态参数粒子群算法进行权重参数的优化;
步骤6:综合步骤4中的组合预测模型和步骤5中得到的权重参数,进行组合预测。
2.根据权利要求1所述的一种基于粒子群算法的变权组合电力负荷短期预测方法,其特征在于,步骤1的平稳化处理具体为:
步骤101:假设电力负荷时间序列为x1,x2,…,xi,…,将非平稳序列进行差分化处理,则处理后的数据为y1,y2,…,yi,…,其中yi=xi+1-xi;判断序列y1,y2,…,yi,…是否为平稳序列,以自相关序列和偏相关序列是否显著性归于零,来判断平稳性,当显著性归于零时即平稳;经过d次差分,最终即得到平稳序列;
步骤102:根据已知平稳信号,建立相应的ARMA模型(p,q)。
3.根据权利要求2所述的一种基于粒子群算法的变权组合电力负荷短期预测方法,其特征在于,步骤101中差分次数d取1或2。
4.根据权利要求1所述的一种基于粒子群算法的变权组合电力负荷短期预测方法,其特征在于,步骤5具体为:假设总的训练样本个数为N,yi为第i训练样本的真实值,和分别表示第i个训练样本的ARIMA模型预测结果、相似点负荷预测结果以及基于Elman神经网络的预测结果,则第i个训练样本的预测误差为:
<mrow>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mrow>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>A</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>C</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>3</mn>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
其中,α、β和γ分别表示ARIMA负荷预测、相似点负荷预测、Elman神经网络负荷预测三种方法的权重系数;
对于变权参数优化问题,选取的目标函数也就是粒子群算法的适应度值定义为:
<mrow>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>e</mi>
<mi>s</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
</mrow>
约束条件为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>&alpha;</mi>
<mo>+</mo>
<mi>&beta;</mi>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>=</mo>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>,</mo>
<mi>&gamma;</mi>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的一种基于粒子群算法的变权组合电力负荷短期预测方法,其特征在于,步骤5中采用动态参数粒子群算法求解权重参数的具体步骤为:
步骤501:设置粒子群的数目、粒子的初始速度、惯性权重的最大和最小值;
步骤502:计算粒子的适应度值,计算粒子的局部最优位置和全局最优位置;
步骤503:参数更新,更新粒子的速度和位置;
步骤504:判断是否满足终止条件,若满足约束条件,则输出权重系数;否则转至步骤502继续寻优。
6.根据权利要求5所述的一种基于粒子群算法的变权组合电力负荷短期预测方法,其特征在于,步骤503中的动态参数粒子群算法参数更新策略为:
假设变异概率的初始值为C,则第n次的变异概率为:
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mi>C</mi>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
</mrow>
并不是每一次迭代都需要粒子的变异,为此设置一个随机数来判断是否需要粒子的变异;假设R(n)为第n次迭代过程中服从区间[0,1]均匀分布的随机数,如果R(n)<C(n),则此时对粒子进行变异;
计算每一个粒子的适应度值f,适应度值越大,则该粒子当前的位置越差,因而选取适应度值最大的粒子进行变异;局部跟踪权重系数c1、全局跟踪权重系数c2决定算法的收敛性能;随着迭代的持续,特别是在迭代后期,粒子追踪全局最优解,局部跟踪权重系数c1减小而全局跟踪权重系数c2增大;
第n次迭代过程中第i个粒子的局部追踪权重系数以及全局跟踪权重系数更新策略为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>=</mo>
<mn>2.5</mn>
<mo>-</mo>
<mn>0.5</mn>
<mfrac>
<mi>n</mi>
<mi>N</mi>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>=</mo>
<mn>0.5</mn>
<mo>+</mo>
<mn>2.5</mn>
<mfrac>
<mi>n</mi>
<mi>N</mi>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,N为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268909.5A CN108038568A (zh) | 2017-12-05 | 2017-12-05 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268909.5A CN108038568A (zh) | 2017-12-05 | 2017-12-05 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038568A true CN108038568A (zh) | 2018-05-15 |
Family
ID=62095606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711268909.5A Pending CN108038568A (zh) | 2017-12-05 | 2017-12-05 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038568A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
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 |
CN110633532A (zh) * | 2019-09-19 | 2019-12-31 | 中国水利水电科学研究院 | 一种swmm模型参数的高精度率定方法 |
CN110648021A (zh) * | 2019-09-12 | 2020-01-03 | 广东电网有限责任公司电力调度控制中心 | 一种两级电力负荷预测结果协调方法、装置及设备 |
CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
CN110837915A (zh) * | 2019-09-29 | 2020-02-25 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN113468794A (zh) * | 2020-12-29 | 2021-10-01 | 重庆大学 | 一种小型密闭空间温湿度预测及反向优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105243446A (zh) * | 2015-10-14 | 2016-01-13 | 国网天津市电力公司 | 一种基于粒子群算法的电量组合预测方法 |
CN105303250A (zh) * | 2015-09-23 | 2016-02-03 | 国家电网公司 | 一种基于最优权系数的风电功率组合预测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
-
2017
- 2017-12-05 CN CN201711268909.5A patent/CN108038568A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105303250A (zh) * | 2015-09-23 | 2016-02-03 | 国家电网公司 | 一种基于最优权系数的风电功率组合预测方法 |
CN105243446A (zh) * | 2015-10-14 | 2016-01-13 | 国网天津市电力公司 | 一种基于粒子群算法的电量组合预测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
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 |
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 |
CN110648021A (zh) * | 2019-09-12 | 2020-01-03 | 广东电网有限责任公司电力调度控制中心 | 一种两级电力负荷预测结果协调方法、装置及设备 |
CN110633532A (zh) * | 2019-09-19 | 2019-12-31 | 中国水利水电科学研究院 | 一种swmm模型参数的高精度率定方法 |
CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
CN110705763B (zh) * | 2019-09-23 | 2022-06-14 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
CN110837915A (zh) * | 2019-09-29 | 2020-02-25 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN110837915B (zh) * | 2019-09-29 | 2022-06-17 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN113468794A (zh) * | 2020-12-29 | 2021-10-01 | 重庆大学 | 一种小型密闭空间温湿度预测及反向优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038568A (zh) | 一种基于粒子群算法的变权组合电力负荷短期预测方法 | |
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
Li et al. | Long-term system load forecasting based on data-driven linear clustering method | |
CN108280551A (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN102184337B (zh) | 一种受气象信息影响的新能源发电能力动态组合分析方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN107590562A (zh) | 一种基于变权组合预测法的电力负荷短期预测方法 | |
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 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN104239964A (zh) | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN110276472A (zh) | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
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: 20180515 |