CN108074004A - 一种基于网格法的地理信息系统短期负荷预测方法 - Google Patents
一种基于网格法的地理信息系统短期负荷预测方法 Download PDFInfo
- Publication number
- CN108074004A CN108074004A CN201610996981.9A CN201610996981A CN108074004A CN 108074004 A CN108074004 A CN 108074004A CN 201610996981 A CN201610996981 A CN 201610996981A CN 108074004 A CN108074004 A CN 108074004A
- Authority
- CN
- China
- Prior art keywords
- mrow
- load
- msub
- grid
- munderover
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于网格法的地理信息系统短期负荷预测方法。本发明在电力系统中将短期负荷预测与地理信息系统相结合，根据地理信息系统提供的数据将区域负荷初步划分为网格负荷；按照负荷用途和负荷密度的划分原则，对网格负荷进行进一步划分；然后采用谱多流形聚类方法和简单模糊聚类方法，根据给定的负荷影响因素及负荷波形变化进行网格负荷合并；在此基础上，运用BP、RBF神经网络的短期预测方法，得到短期负荷预测结果。本发明采用改进多级网格划分法，通过网格负荷的合并得到总负荷预测结果，不但满足了预测的精度，还减少了负荷预测的工作量，还方便快捷地得到各类负荷的波形及总负荷波形的变化，为电网的调度等工作提供合理有效的依据。
Description
技术领域
本发明涉及电力系统的负荷预测领域，具体涉及一种基于网格法的地理信息系统短期负荷预测方法。
背景技术
负荷预测是电力系统的一项基本工作，电力负荷的准确预测对于电力生产和调度、电网安全运行以及国民经济具有重要意义。随着能源互联网的发展、新能源的接入、负荷之间信息的加强，电网对负荷预测中数据处理的实时性提出了更高的要求。地理信息系统(GIS)是融合了地理学、计算机科学等多门学科的技术，在电力系统的电网规划、生产运行维护管理和经营管理等方面发挥了重要作用，且随着计算机的迅速发展，地理信息系统提供的数据，具有安全、可靠、时效等特点。因此，开展地理信息系统与负荷预测相结合的研究成为未来的发展趋势。电力系统中负荷的类型具有多样性和复杂性的特点，使得准确预测负荷的难度日益增加。近年来，国内外专家和学者进行了大量短期负荷预测的研究。其中，短期负荷预测提出了很多负荷分类方法，负荷分类的研究分为2个方面：针对聚类算法的负荷分类和根据负荷波形变化的负荷分类。其中，运用模糊聚类的算法，将负荷根据特征向量及负荷特性进行合理有效分类。虽然是基于负荷特性指标的负荷分类，但都一样，都是根据负荷波形的变化规律进行分类。然而，上述的分类并没有考虑负荷预测过程的简化。地理信息系统在短期负荷预测方法方面已有大量研究，然而短期负荷预测与地理信息系统相结合进行网格划分、合并的研究还相对较少。
发明内容
本发明所要解决的技术问题是将短期负荷预测与地理信息系统相结合，根据地理信息系统提供的数据，将某地区划分为网格负荷，进行网格负荷的划分和合并。通过划分网格负荷，可以快捷清楚地了解每块网格负荷的预测结果，一旦预测的数值远离正常值，需要重点观察相应地方的负荷，并及时作出调整以防负荷出现一些突发状况对负荷预测产生影响。同时，合并网格负荷，将相同类型的负荷进行合并，以此来简化一个地区的总负荷预测过程。
为解决上述技术问题，本发明所采取的技术方案是：一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：在电力系统中将短期负荷预测与地理信息系统相结合，根据地理信息系统提供的数据将区域负荷初步划分为网格负荷；按照负荷用途和负荷密度的划分原则，对网格负荷进行进一步划分；然后采用谱多流形聚类方法和简单模糊聚类方法，根据给定的负荷影响因素及负荷波形变化进行网格负荷合并；在此基础上，运用BP、RBF神经网络的短期预测方法，得到短期负荷预测结果。
进一步的技术方案在于，其网格负荷划分的具体步骤如下：
1)供电地区根据地理信息系统提供的地理外貌及城市建设规划边界，形成一级网格；
2)根据地区街道的不同，一级网格划分成二级网格；
3)将根据网格负荷的分类方法，二级网格划分为三级网格；
4)三级网格负荷考虑负荷密度的影响进行相应变化。把负荷密度较大、负荷比较集中的地区进一步分解；负荷密度正常的地区，按照第三级网格来进一步划分；负荷密度较小的地区，同相邻的具有相同类别的网格负荷进行合并。
进一步的技术方案在于，所述步骤3)中的网格负荷的分类方法为按负荷用途不同来对网格负荷进行划分。
进一步的技术方案在于，其根据负荷影响因素进行网格负荷合并的具体步骤如下：将网格负荷在传统分类的基础上，根据负荷用途的不同进行划分成各类负荷，运用谱多流形聚类的方法进行网格负荷的合并。
进一步的技术方案在于，其根据负荷波形变化进行网格负荷合并的具体步骤为：
将网格负荷在传统分类的基础上，根据负荷用途的不同进行划分成各类负荷，利用每类负荷的三个波形因素：负荷波形中最大负荷出现的时间段、最小负荷出现的时间段以及负荷全天波形变化范围的大小，建立原始数据矩阵；然后进行标准差变换、建立模糊相似矩阵，根据预测者的经验或相关的专业知识所确定得阀值，得到相似等价矩阵，接着根据相似等价矩阵的结果来进行合并。
进一步的技术方案在于，其基于网格法和BP、RBF神经网络的负荷预测方法具体步骤为：将遗传算法引入到网络初始权值的确定中，进行遗传算法和BP神经网络相结合的遗传BP神经网络的模型，然后再结合BP、RBF神经网络模型，进行RBF神经网络预测，得到负荷预测的结果。
进一步的技术方案在于，所述多流形聚类合并的步骤如下：输入原始数据、聚类数与其他参数，利用MPPCA训练M个d维局部线性模型近似潜在的流行数据，确定每个点的局部切空间，然后计算两个局部切空间之间的机构相似性；接着计算相似性矩阵W与对角矩阵D；在计算广义特征矩阵(D-W)u＝λDu最小k个特征值对应的特征向量u1，u2，......uk；利用K-means将U＝[u1，u2，......uk]的行向量分组为k个聚类；输出原始数据集的聚类结果。
进一步的技术方案在于，其根据负荷波形变化进行网格负荷合并的具体步骤为：
(1)建立数据矩阵
用X＝{x1,x2,…,xn}表示学校、医院、银行、商场、工业负荷、居民负荷等负荷。三个波形因素：负荷波形中最大负荷出现的时间段、最小负荷出现的时间段以及负荷全天波形变化范围的大小，分别表示为：xi＝{xi1,xi2,xi3}，其中i是不同负荷个数。原始数据矩阵为：
(2)数据变换。
1)进行标准差变换：
式中，x’ik为标准差变换的结果，i取值为1到n的自然数，k取值为1到m自然数。
2)采用极差变换：
式中：x”ik为标准差变换的结果，x”ik取值为0到1之间的数。
(3)建立模糊相似矩阵
论域U＝{x1,x2,…,xn},xi＝{xi1,xi2,…xim}，建立模糊相似矩阵R(xi,xj)。
式中：rij为xi与xj的相似程度，rij取值为0到1之间的数，越接近于1，相似度越高。
(4)聚类
根据经验或相关的专业知识来确定的阈值λ，在此基础上，得到相似等价矩阵。最后，网格负荷根据相似等价矩阵的结果来进行合并。
还进一步提供了一种短期负荷预测网络性能评价方法，其特征在于：将如上述所述方法所测的预测值与真实值进行决定系数计算；
其定义决定系数：
根据决定系数在[0,1]范围内最靠近0和1中那个端点，判断模型的性能；
其中，判断决定系数越接近1，表明模型的性能越好；越接近0，表明模型的性能越差。
采用上述技术方案所产生的有益效果在于：从本申请基于地理信息系统的短期负荷预测中，可以得到如下结论：
1)在网格的划分中，本申请采用改进多级网格划分法，将一个地区的网格负荷进行更加详细的划分，从而提高了各类负荷短期预测的准确性。
2)本申请通过网格负荷的合并得到总负荷预测结果，不但满足了预测的精度同时还减少了负荷预测的工作量。
3)根据各类短期负荷预测结果和总短期负荷预测结果，可以方便快捷地得到各类负荷的波形及总负荷波形的变化，为电网的调度等工作提供合理有效的依据。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是SMMC聚类步骤流程图；
图2是负荷预测的模型；
图3是实施例某地区部分负荷的划分图；
图4是实施例网格负荷合并与不合并的负荷预测图；
图5是实施例模糊聚类分类情况图；
图6是实施例合并负荷图；
图7是实施例短期负荷预测的相对误差图；
图8是实施例各类型负荷预测的截过图；
图9是实施例总负荷预测的结果。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本申请将短期负荷预测与地理信息系统相结合，根据地理信息系统提供的数据，将某地区划分为网格负荷，进行网格负荷的划分和合并。通过划分网格负荷，可以快捷清楚地了解每块网格负荷的预测结果，一旦预测的数值远离正常值，需要重点观察相应地方的负荷，并及时作出调整以防负荷出现一些突发状况对负荷预测产生影响。同时，合并网格负荷，将相同类型的负荷进行合并，以此来简化一个地区的总负荷预测过程。
在电力系统中传统负荷的分类，不同的侧重点有着不同的负荷分类方法。例如，按产业类型、电力负荷能量转换方式、供电可靠性要求等不同方面进行分类。
然而，上述分类方法存在3点不足：(1)负荷的具体分类方式不够明确，如某一负荷可能同时属于多个种类。(2)同一类别的负荷可能存在影响因素所占权重不同的情况，在此分类的基础上进行预测，会影响负荷预测的精度。(3)相同类别负荷的波形变化可能存在不同，以此分类进行负荷预测，会存在较大误差。
本申请的短期负荷预测结合地理信息系统，将地区负荷按照改进多级网格划分的方法，分成一个个网格负荷。网格负荷在传统分类的基础上，根据负荷用途的不同分为：学校、医院、银行、商场、水泥厂、公园、超市、居民区等负荷。上述网格负荷的分类方法，不仅有效地解决了传统负荷分类存在的不足，同时减少了传统负荷中因粗略划分而产生的负荷预测误差。在此分类基础上，将一个地区进行有效的网格划分，可以提高各类负荷预测的准确性。
改进多级网格划分法是在考虑负荷密度的影响因素下，对多级网格划分法进行改进的，所形成的四级网格分别为：
一级网格：供电地区根据地理信息系统提供的地理外貌及城市建设规划边界，形成一级网格。
二级网格：根据地区街道的不同，一级网格划分成二级网格。
三级网格：根据本申请的网格负荷的分类方法(按负荷用途不同来对网格负荷进行划分)，二级网格划分为三级网格。
四级网格：三级网格负荷考虑负荷密度的影响进行相应变化。把负荷密度较大、负荷比较集中的地区进一步分解；负荷密度正常的地区，按照第三级网格来划分；负荷密度较小的地区，同相邻的具有相同类别的网格负荷进行合并。
改进多级网格划分法，不局限于负荷的形状，根据划分原则来进行网格划分，具有均一网格划分法和不规则网格划分法的优点，同时克服了上述传统分类方法的缺点。
对于网格负荷的合并，负荷预测的面积越大，所需负荷预测的网格负荷越多，负荷预测的过程也就越繁琐。在满足负荷预测准确性的基础上，将网格负荷进行合理的合并，不但减少负荷预测的工作量，而且使得负荷预测简单化。本申请采用谱多流形聚类算法和简单模糊聚类方法，将不同用途的网格负荷按照负荷影响因素和负荷波形变化两方面进行负荷合并。
根据负荷影响因素进行网格负荷合并：
学校、居民、超市、医院、银行、商业大厦等各类负荷，用X＝{x1,x2,…,xn}来表示，运用谱多流形聚类的方法进行网格负荷的合并。流形学习方法是一种新型高效的数据分析和处理工具，通过对离散数据集合的分析来探求嵌入在高维数据空间中本征低维流形的不同表现形式，寻求事物产生的内在规律性，得到数据数据的内在规律性和数据的分布形式。谱聚类方法是基于谱分析技术的聚类算法的统称，该类方法通过构造近邻图和相似性图矩阵来刻画数据点之间的局部近邻关系或相似性程度，然后在相似性图的框架下对数据进行聚类。谱多流形聚类方法(SpectralMulti-Manifold Clustering，SMMC)是用来实现混合流形聚类的一种方法。它的基本思想是：从相似性矩阵的角度出发，充分利用流形采样点所内含的自然的局部几何结构信息来辅助构造更合适的相似性矩阵并进而发现正确的流形聚类；其步骤如图1所示。
根据负荷波形变化进行网格负荷合并：
在根据影响因素进行负荷合并的基础上，再运用模糊聚类方法对负荷波形变化进行负荷合并，最终确定负荷合并情况。其步骤如下：
1、建立数据矩阵
用X＝{x1,x2,…,xn}表示学校、医院、银行、商场、工业负荷、居民负荷等负荷。三个波形因素：负荷波形中最大负荷出现的时间段、最小负荷出现的时间段以及负荷全天波形变化范围的大小，分别表示为：xi＝{xi1,xi2,xi3}，其中i是不同负荷个数。原始数据矩阵为：
2、数据变换。
1)进行标准差变换：
式中，x’ik为标准差变换的结果，i取值为1到n的自然数，k取值为1到m自然数。
3)采用极差变换：
式中：x”ik为标准差变换的结果，x”ik取值为0到1之间的数。
3、建立模糊相似矩阵
论域U＝{x1,x2,…,xn},xi＝{xi1,xi2,…xim}，建立模糊相似矩阵R(xi,xj)。
式中：rij为xi与xj的相似程度，rij取值为0到1之间的数，越接近于1，相似度越高。
4、聚类
根据经验或相关的专业知识来确定的阈值λ，在此基础上，得到相似等价矩阵。最后，网格负荷根据相似等价矩阵的结果来进行合并。
上述步骤完成后，根据负荷波形变化进行网格负荷合并也就想用的结束，进而进行基于网格法和BP、RBF神经网络的负荷预测，其具体的负荷预测模型如图2所示。
如图2所示，BP网络的输入变量为随机因素、日负荷类型和历史峰谷电荷量，输出变量为预测日的峰谷电荷量，即BP网络大致给出预测日的负荷水平。针对BP神经网络由于初始权值选取不当容易陷入局部极小点，本申请将遗传算法引入到网络初始权值的确定中，进行遗传算法和BP神经网络相结合遗传BP神经网络的模型，再结合BP、RBF神经网络模型，进行RBF神经网络预测，得到负荷预测的结果。
在上述负荷预测结果得出后可以进行相关网络性能评价，其通过计算预测值和真实值的偏差情况，本申请选择决定系数对网络的预测性能进行评价。定义决定系数：
式中：是第i天的负荷预测值；yi是第i天的负荷真实值；l为预测周期的天数。决定系数范围在[0,1]内，越接近1，表明模型的性能越好；越接近0，表明模型的性能越差。
实施例
本实施例选取某地区的部分区域，根据地理信息系统提供的数据，运用本申请的网格负荷划分、合并模型及智能算法进行短期负荷预测。
第一步、网格负荷的划分
首先，由地理信息提供的数据，根据街道布局某地区初步划分为9个正方形网格负荷。其次，网格负荷根据负荷用途不同进行分类，形成不同名字的网格负荷。最后，网格负荷考虑负荷密度的影响。负荷密度较大、负荷集中的地区，进一步划分；负荷密度较小的地区，与相邻同类型的负荷划分在一起。最终得到网格划分的结果如图3所示。
第二步、网格负荷的合并
对合并的网格负荷与未合并的网格负荷分别进行负荷预测，负荷预测的结果如图4所示。
如图4所示，合并与未合并的网格负荷短期预测的误差较为接近。又因合并的网格负荷短期负荷预测在满足负荷预测精度的基础上，简化了负荷预测的过程，故选择聚类的方法进行网格合并。
根据气象、假期类型这两个影响因素，将某地区负荷进行网格负荷合并。两类影响因素对各类负荷影响程度可以依次划分为5类：小影响、较小影响、一般影响、较大影响，大影响，用从1到5来表示。影响因素对各类负荷影响的数值如表1：
表1影响因素对负荷影响
运用谱聚类方法进行分类，聚类的数目不宜过多，分类值从最小值开始，直到负荷分类的预测结果满足各类负荷预测精度为止。随着负荷类别的增加，负荷预测的工作量也随之增加。如图5所示，当类别数目为3时，各类负荷已满足精度的要求，且过程也已得到简化，故此时将网格划分为三类。
如图5所示，三角形代表聚类中心，不同线条的形状及粗细代表不同类别。由图5可得三类负荷：银行、医院、大型水泥厂；公园超市、商场大厦；学校、居民。
根据负荷的波形变化情况，将网格进行下一步的负荷合并。负荷峰谷值的出现分为4个时间段：0-6时、6-12时、12-18时、18-24时，用1,2,3,4来表示。负荷曲线根据变化范围分为小、中、大三类，用1,2,3来表示。各类负荷的波形数据如下表：
表2波形对负荷影响
运用模糊聚类方法，根据经验和统计量的计算，设定λ为0.975，由式(1)，(2)，(3)，得到相似等价矩阵：
最终得到负荷合并的情况：超市、公园、商业大厦；银行、医院；工厂；学校；居民五类负荷，以此进行网格合并，如图6所示。
第3步、网格负荷的预测
本文采用BP、RBF神经网络预测方法，对新划分方法的各类负荷与根据负荷产业分类的负荷传统模型的各类负荷进行30天的短期负荷预测，得到两种模型的最大相对误差如图7所示。
挑选其中具有代表性的一天，进行新模型负荷预测，不同类型的预测结果，如图8所示。
将新旧模型的总负荷预测结果与总负荷真实值进行比较，结果如图9所示。
由图9可得，新模型的负荷预测值与真实值更加接近，新模型总负荷预测的R2为0.726，最大绝对误差值为3.84％，最小绝对误差值为0。同时根据图7，可以得到一个月的短期负荷预测中新划分模型的各类负荷预测值比传统预测值的最大误差要小，且新模型基本满足负荷预测精度要求。
从实施例基于地理信息系统的短期负荷预测中，可以得到如下结论：
1)在网格的划分中，本申请采用改进多级网格划分法，将一个地区的网格负荷进行更加详细的划分，从而提高了各类负荷短期预测的准确性。
2)本申请通过网格负荷的合并得到总负荷预测结果，不但满足了预测的精度同时还减少了负荷预测的工作量。
3)根据各类短期负荷预测结果和总短期负荷预测结果，可以方便快捷地得到各类负荷的波形及总负荷波形的变化，为电网的调度等工作提供合理有效的依据。
Claims (9)
1.一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：在电力系统中将短期负荷预测与地理信息系统相结合，根据地理信息系统提供的数据将区域负荷初步划分为网格负荷；按照负荷用途和负荷密度的划分原则，对网格负荷进行进一步划分；然后采用谱多流形聚类方法和简单模糊聚类方法，根据给定的负荷影响因素及负荷波形变化进行网格负荷合并；在此基础上，运用BP、RBF神经网络的短期预测方法，得到短期负荷预测结果。
2.根据权利要求1所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于，其网格负荷划分的具体步骤如下：
1)供电地区根据地理信息系统提供的地理外貌及城市建设规划边界，形成一级网格；
2)根据地区街道的不同，一级网格划分成二级网格；
3)将根据网格负荷的分类方法，二级网格划分为三级网格；
4)三级网格负荷考虑负荷密度的影响进行相应变化。把负荷密度较大、负荷比较集中的地区进一步分解；负荷密度正常的地区，按照第三级网格来进一步划分；负荷密度较小的地区，同相邻的具有相同类别的网格负荷进行合并。
3.根据权利要求2所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：所述步骤3)中的网格负荷的分类方法为按负荷用途不同来对网格负荷进行划分。
4.根据权利要求1所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：其根据负荷影响因素进行网格负荷合并的具体步骤如下：将网格负荷在传统分类的基础上，根据负荷用途的不同进行划分成各类负荷，运用谱多流形聚类的方法进行网格负荷的合并。
5.根据权利要求1所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：其根据负荷波形变化进行网格负荷合并的具体步骤为：
将网格负荷在传统分类的基础上，根据负荷用途的不同进行划分成各类负荷，利用每类负荷的三个波形因素：负荷波形中最大负荷出现的时间段、最小负荷出现的时间段以及负荷全天波形变化范围的大小，建立原始数据矩阵；然后进行标准差变换、建立模糊相似矩阵，根据预测者的经验或相关的专业知识所确定得阀值，得到相似等价矩阵，接着根据相似等价矩阵的结果来进行合并。
6.根据权利要求1所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：其基于网格法和BP、RBF神经网络的负荷预测方法具体步骤为：将遗传算法引入到网络初始权值的确定中，进行遗传算法和BP神经网络相结合的遗传BP神经网络的模型，然后再结合BP、RBF神经网络模型，进行RBF神经网络预测，得到负荷预测的结果。
7.根据权利要求4所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：所述多流形聚类合并的步骤如下：输入原始数据、聚类数与其他参数，利用MPPCA训练M个d维局部线性模型近似潜在的流行数据，确定每个点的局部切空间，然后计算两个局部切空间之间的机构相似性；接着计算相似性矩阵W与对角矩阵D；在计算广义特征矩阵(D-W)u＝λDu最小k个特征值对应的特征向量u1，u2，......uk；利用K-means将U＝[u1，u2，......uk]的行向量分组为k个聚类；输出原始数据集的聚类结果。
8.根据权利要求5所述的一种基于网格法的地理信息系统短期负荷预测方法，其特征在于：其根据负荷波形变化进行网格负荷合并的具体步骤为：
(1)建立数据矩阵
用X＝{x1,x2,…,xn}表示学校、医院、银行、商场、工业负荷、居民负荷等负荷。三个波形因素：负荷波形中最大负荷出现的时间段、最小负荷出现的时间段以及负荷全天波形变化范围的大小，分别表示为：xi＝{xi1,xi2,xi3}，其中i是不同负荷个数。原始数据矩阵为：
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>13</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>23</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>3</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
(2)数据变换。
1)进行标准差变换：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，x’ik为标准差变换的结果，i取值为1到n的自然数，k取值为1到m自然数。
2)采用极差变换：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>}</mo>
</mrow>
</mrow>
<mrow>
<mi>max</mi>
<mrow>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>}</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>}</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：x”ik为标准差变换的结果，x”ik取值为0到1之间的数。
(3)建立模糊相似矩阵
论域U＝{x1,x2,…,xn},xi＝{xi1,xi2,…xim}，建立模糊相似矩阵R(xi,xj)。
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：rij为xi与xj的相似程度，rij取值为0到1之间的数，越接近于1，相似度越高。
(4)聚类
根据经验或相关的专业知识来确定的阈值λ，在此基础上，得到相似等价矩阵。最后，网格负荷根据相似等价矩阵的结果来进行合并。
9.一种短期负荷预测网络性能评价方法，其特征在于：将如权利要求1所述方法所测的预测值与真实值进行决定系数计算；
其定义决定系数：
<mrow>
<msup>
<mi>R</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msup>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mo>(</mo>
<mi>l</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
根据决定系数在[0,1]范围内最靠近0和1中那个端点，判断模型的性能；
其中，判断决定系数越接近1，表明模型的性能越好；越接近0，表明模型的性能越差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610996981.9A CN108074004A (zh) | 2016-11-12 | 2016-11-12 | 一种基于网格法的地理信息系统短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610996981.9A CN108074004A (zh) | 2016-11-12 | 2016-11-12 | 一种基于网格法的地理信息系统短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108074004A true CN108074004A (zh) | 2018-05-25 |
Family
ID=62154958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610996981.9A Pending CN108074004A (zh) | 2016-11-12 | 2016-11-12 | 一种基于网格法的地理信息系统短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108074004A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109309382A (zh) * | 2018-09-13 | 2019-02-05 | 广东工业大学 | 一种短期电力负荷预测方法 |
| CN109741007A (zh) * | 2018-12-12 | 2019-05-10 | 北京航空航天大学 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
| CN109784562A (zh) * | 2019-01-17 | 2019-05-21 | 中南大学 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
| CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
| CN111160475A (zh) * | 2019-12-31 | 2020-05-15 | 国网江苏省电力有限公司电力科学研究院 | 基于网格重拆分小波聚类的柔性负荷聚类方法和装置 |
| CN111917113A (zh) * | 2020-08-19 | 2020-11-10 | 合肥博软电子科技有限公司 | 一种电网负载余量计算系统和方法及充电桩接入配电方法 |
| CN112070247A (zh) * | 2020-09-01 | 2020-12-11 | 上海钧正网络科技有限公司 | 一种运维网格的管理方法、装置、介质及电子设备 |
| CN112529268A (zh) * | 2020-11-28 | 2021-03-19 | 广西大学 | 一种基于流形学习的中短期负荷预测方法及装置 |
| CN112852666A (zh) * | 2021-01-19 | 2021-05-28 | 新疆河润水业有限责任公司 | 一种微生物菌剂的制备方法及采用微生物菌剂制备的微生物肥料 |
| CN113077148A (zh) * | 2021-04-01 | 2021-07-06 | 四川中电启明星信息技术有限公司 | 一种计及通信人流数据的居民台区可开放容量评估方法 |
| CN113537844A (zh) * | 2021-09-15 | 2021-10-22 | 山东大学 | 基于随机矩阵的区域能源互联网负荷行为分析方法及系统 |
-
2016
- 2016-11-12 CN CN201610996981.9A patent/CN108074004A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 胡志亮: "公变负荷预测方法研究", 《优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109309382A (zh) * | 2018-09-13 | 2019-02-05 | 广东工业大学 | 一种短期电力负荷预测方法 |
| CN109741007A (zh) * | 2018-12-12 | 2019-05-10 | 北京航空航天大学 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
| CN109784562A (zh) * | 2019-01-17 | 2019-05-21 | 中南大学 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
| CN109784562B (zh) * | 2019-01-17 | 2020-08-25 | 中南大学 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
| CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
| CN111160475B (zh) * | 2019-12-31 | 2022-10-04 | 国网江苏省电力有限公司电力科学研究院 | 基于网格重拆分小波聚类的柔性负荷聚类方法和装置 |
| CN111160475A (zh) * | 2019-12-31 | 2020-05-15 | 国网江苏省电力有限公司电力科学研究院 | 基于网格重拆分小波聚类的柔性负荷聚类方法和装置 |
| CN111917113A (zh) * | 2020-08-19 | 2020-11-10 | 合肥博软电子科技有限公司 | 一种电网负载余量计算系统和方法及充电桩接入配电方法 |
| CN111917113B (zh) * | 2020-08-19 | 2022-05-13 | 合肥博软电子科技有限公司 | 一种电网负载余量计算系统和方法及充电桩接入配电方法 |
| CN112070247A (zh) * | 2020-09-01 | 2020-12-11 | 上海钧正网络科技有限公司 | 一种运维网格的管理方法、装置、介质及电子设备 |
| CN112529268A (zh) * | 2020-11-28 | 2021-03-19 | 广西大学 | 一种基于流形学习的中短期负荷预测方法及装置 |
| CN112852666A (zh) * | 2021-01-19 | 2021-05-28 | 新疆河润水业有限责任公司 | 一种微生物菌剂的制备方法及采用微生物菌剂制备的微生物肥料 |
| CN113077148A (zh) * | 2021-04-01 | 2021-07-06 | 四川中电启明星信息技术有限公司 | 一种计及通信人流数据的居民台区可开放容量评估方法 |
| CN113077148B (zh) * | 2021-04-01 | 2023-06-02 | 四川中电启明星信息技术有限公司 | 一种计及通信人流数据的居民台区可开放容量评估方法 |
| CN113537844A (zh) * | 2021-09-15 | 2021-10-22 | 山东大学 | 基于随机矩阵的区域能源互联网负荷行为分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
| CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
| Xu et al. | A research on coordination between economy, society and environment in China: A case study of Jiangsu | |
| CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
| CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
| CN105701571A (zh) | 一种基于神经网络组合模型的短时交通流量预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| Márquez et al. | Multi‐objective crop planning using pareto‐based evolutionary algorithms | |
| CN108304978A (zh) | 一种基于数据聚类理论的中期地区电力负荷预测方法 | |
| He et al. | A fuzzy clustering iterative model using chaotic differential evolution algorithm for evaluating flood disaster | |
| CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
| CN106600959A (zh) | 一种交通拥堵指数的预测方法 | |
| CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
| Khan et al. | Evaluating the performance of several data mining methods for predicting irrigation water requirement | |
| CN107748940A (zh) | 一种节电潜力量化预测方法 | |
| CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
| Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
| CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
| CN105005942A (zh) | 一种智能配电网差异化建设模式选择方法 | |
| CN114492233B (zh) | 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法 | |
| CN114723283A (zh) | 一种面向城市群的生态承载力遥感评估方法及装置 | |
| Sheng et al. | An optimized prediction algorithm based on XGBoost | |
| CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
| Xuesen et al. | Consideration of trends in evaluating inter-basin water transfer alternatives within a fuzzy decision making framework | |
| Wang | Application of fuzzy linear programming model in agricultural economic management |
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: 20180525 |
|
| RJ01 | Rejection of invention patent application after publication |