CN108491982A - 一种基于回声状态网络的短期负荷预测方法及系统 - Google Patents
一种基于回声状态网络的短期负荷预测方法及系统 Download PDFInfo
- Publication number
- CN108491982A CN108491982A CN201810311345.7A CN201810311345A CN108491982A CN 108491982 A CN108491982 A CN 108491982A CN 201810311345 A CN201810311345 A CN 201810311345A CN 108491982 A CN108491982 A CN 108491982A
- Authority
- CN
- China
- Prior art keywords
- data
- state network
- echo state
- day
- load
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 134
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000000694 effects Effects 0.000 claims abstract description 52
- 238000007621 cluster analysis Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 21
- 230000002159 abnormal effect Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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
本发明提供了一种基于回声状态网络的短期负荷预测方法，包括收集历史负荷数据和负荷影响因素信息；对历史负荷数据进行预处理；基于负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；基于相似日的经过预处理后的历史负荷数据建立回声状态网络负荷预测模型；基于回声状态网络负荷预测模型对待测日进行负荷预测。本发明考虑了负荷影响因素，筛选出了历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度；同时采用L1/2范数正则化方法对预测模型进行训练，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。本发明还公开了一种基于回声状态网络的短期负荷预测系统。
Description
技术领域
本发明涉及电力负荷预测技术领域，尤其涉及一种基于回声状态网络的短期负荷预测方法及系统。
背景技术
电力负荷预测是能量管理系统的重要组成部分，短期负荷预测不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础。
短期负荷预测，通常指未来1年以内的预测，以月、周、日、小时为单位的负荷预测，包括未来一天24小时中的负荷预测。短期负荷在电力系统的日调度工作中起着至关重要的作用，它能够为系统的安全分析、计算机在线对电网的控制以及基本的发电计划提供重要的数据依据，有效地促进供电、运电、用电三方的协调。因此，有必要对其进行深入的研究。目前已经出现了很多不同的电力负荷预测方法，这些方法大致可被分为两类：传统预测方法和智能预测方法。传统预测方法主要是基于统计学原理的思想，有外推法、指数平滑法、相关分析法、回归分析法、时间序列法和灰色系统法等；智能预测方法是迅速发展的人工智能技术，典型的预测方法诸如：人工神经网络(Artificial Neural Network,ANN)，模糊逻辑以及小波分析方法等。传统预测方法很难满足对非线性的电力负荷曲线做出准确的预测，相对而言，智能预测方法可以有效的反映负荷序列与影响因素之间的非线性关系，可以有效的弥补传统预测方法的不足，同时，人工神经网络可以满足对任意函数的逼近，因此被广泛应用于非线性系统的建模中，其中，多层感知器网络和径向基函数(Radial BasisFunction,RBF)神经网络具有相对简单的网络结构和学习算法，但由于其前馈网络结构使得其动态记忆能力和时间嵌入能力有限，难以满足对复杂动态系统的建模。递归神经网络虽然可以弥补前馈神经网络记忆渐消的问题，但其学习算法复杂，进而使其学习效率低下。
电力负荷受到很多复杂因素的影响，例如突发事件、季节更替、天气情况、社会活动等，这些影响因素中有些非常重要的影响因素是定性的，如气象因素、日期类型等。普通的电力负荷预测方法没有办法考虑这些定性的影响因素，就将之忽略，预测精度必然会因预测方法考虑的不够全面而降低。
短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响，在时间序列上表现为非平稳的随机过程，但是影响系统负荷的各因素中大部分具有规律性，从而为实现有效的预测奠定了基础。电力负荷预测研究的核心问题是如何利用现有的历史数据，建立预测模型，对未来时刻或时间段内的负荷值进行预测，因此，历史数据信息的可靠性和预测模型是影响短期负荷预测精度的主要因素。随着现在电力系统管理信息系统的逐步建立，以及天气预测水平的提高，准确获取各种历史数据已不再困难。因此，短期负荷预测的核心问题是预测模型的水平高低。
现有的短期负荷预测方法主要有以下几种：
1.回归分析法
回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。
回归分析法的优点是计算原理和结构形式简单，预测速度快，外推性能好，对于历史上没有出现的情况有较好的预测。存在的不足是对历史数据要求较高，采用线性方法描述比较复杂的问题，结构形式过于简单，精度较低；该模型无法详细描述各种影响负荷的因素，模型初始化难度较大，需要丰富的经验和较高的技巧。
2.时间序列法
电力负荷的历史数据是按一定时间间隔进行采样和记录下来的有序集合，因此是一个时间序列，时间序列方法是目前电力系统短期负荷预测中发展较为成熟的算法，根据负荷的历史数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测。
时间序列方法优点是所需数据少，工作量小；计算速度较快；反映了负荷近期变化的连续性。时间序列方法存在的不足是建模过程比较复杂，需要较高的理论知识；该模型对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期预测；没有考虑影响负荷变化的因素，对不确定性因素(如天气、节假日等)考虑不足，当天气变化较大或遇到节假日时，该模型预测误差较大。
3.灰色预测法
灰色预测是一种对含有不确定因素的系统进行预测的方法，用灰色模型(GM)的微分方程作为电力系统单一指标(如负荷)的预测时，求解微分方程的时间响应函数表达式即为所求的灰色预测模型，对模型的精度和可信度进行校验并修正后，即可据此模型预测未来的负荷，适用于贫信息条件下的分析和预测，常用的灰色预测模型是GM(1,1)。
灰色系统理论的优点是在建模时不需要计算统计特征量，可以应用于任何非线性变化的负荷指标预测，要求负荷数据少，不考虑分布规律和变化趋势，运算方便，短期预测精度高，易于应用。不足之处是要求负荷变化规律具有指数变化趋势，当数据离散程度越大，即数据灰度越大，预测精度越差。
4.专家系统法
专家系统法是基于知识的程序设计方法建立起来的计算机系统，拥有某一领域内的专家知识和经验，并能像专家那样运用这些知识和经验，通过推理对未来进行预测。
专家系统的优点是能够综合考虑多个影响因素，该方法全过程程序化，具有建模简单和快速决断的优点；专家系统具有丰富的经验和知识，可以不断丰富和积累；以计算机为载体的专家系统可以准确无误地工作，可靠性好，工作效率高，可以避开复杂的数值计算并得到较准确的预测结果。专家系统的不足之处是预测过程中容易出现人为差错；把专家知识和经验等确定地表达并转化为一系列规则存在困难，因此，在构建数据库时存在困难；由于各地的负荷具有各自固有的特征，开发的专家系统都是针对某具体系统的，不能直接应用于其他系统。
5.支持向量机
支持向量机(SVM)方法是建立在统计学习理论上的一种预测方法，SVM的训练问题本质是一个经典的二次规划问题，因此可避免局部最优解，并有唯一的全局最优解，且可以利用最优化理论中许多成熟的算法。应用SVM方法进行短期负荷预测比传统方法有更高的计算精度，且充分考虑了影响负荷的各种因素；SVM方法具有坚实的数学理论基础，收敛速度相对较快，能找到全局最优解等特点。SVM方法的不足之处是由于存贮需求量大，编程困难，实际应用较难，而且不能确定数据中的知识是否冗余，以及作用大小；对于预测负荷曲线较平滑的系统，能够取得较理想的效果，但是，对于随机波动性较强的中小型电网，其预测效果相对较差。
发明内容
有鉴于此，本发明提供了一种基于回声状态网络的短期负荷预测方法及系统，在训练模型的过程中，本发明考虑了负荷影响因素，运用模糊聚类的方法筛选出了与预测日特征相似的历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度，同时在训练的目标函数中施加了L1/2范数惩罚项，并采用L1/2正则化方法求解，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。
本发明提供了一种基于回声状态网络的短期负荷预测方法，包括：
收集历史负荷数据和负荷影响因素信息；
对所述历史负荷数据进行预处理；
基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；
基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型；
基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测。
优选地，所述对所述历史负荷数据进行预处理包括：
基于所述历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对所述数据样本进行归一化处理。
优选地，所述基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日包括：
基于所述负荷影响因素信息确定用来进行模糊聚类分析的特征指标；
收集所有样本日期和待预测日期的所有被确定的所述特征指标；
按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对所述样本日期和待预测日期进行模糊聚类分析；
选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；
基于所述分类结果确定所述相似日。
优选地，所述基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型包括：
S1，选取所述相似日的所述历史负荷数据作为所述回声状态网络负荷预测模型的训练数据集，根据所述训练数据集中样本数据的特点确定所述回声状态网络负荷预测模型的输入和输出；
S2，对所述回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，所述储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；
S3，随机生成连接矩阵、输入连接和输出反馈权值，对所述回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵。
优选地，所述基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测包括：
按照步骤S1的方法确定所述待测日的新的输入序列，并将所述输入序列输入到训练好的所述回声状态网络负荷预测模型进行负荷预测，得到预测结果。
一种基于回声状态网络的短期负荷预测系统，包括：
数据收集模块：用于收集历史负荷数据和负荷影响因素信息；
第一处理模块：用于对所述历史负荷数据进行预处理；
第二处理模块：用于基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；
第三处理模块：用于基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型；
第四处理模块：用于基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测。
优选地，所述第一处理模块具体用于：
基于所述历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对所述数据样本进行归一化处理。
优选地，所述第二处理模块具体用于：
基于所述负荷影响因素信息确定用来进行模糊聚类分析的特征指标；
收集所有样本日期和待预测日期的所有被确定的所述特征指标；
按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对所述样本日期和待预测日期进行模糊聚类分析；
选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；
基于所述分类结果确定所述相似日。
优选地，所述第三处理模块具体用于：
S1，选取所述相似日的所述历史负荷数据作为所述回声状态网络负荷预测模型的训练数据集，根据所述训练数据集中样本数据的特点确定所述回声状态网络负荷预测模型的输入和输出；
S2，对所述回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，所述储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；
S3，随机生成连接矩阵、输入连接和输出反馈权值，对所述回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵。
优选地，所述第四处理模块具体用于：
按照步骤S1的方法确定所述待测日的新的输入序列，并将所述输入序列输入到训练好的所述回声状态网络负荷预测模型进行负荷预测，得到预测结果。
从上述技术方案可以看出，本发明提供了一种基于回声状态网络的短期负荷预测方法，包括收集历史负荷数据和负荷影响因素信息；对所述历史负荷数据进行预处理；基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型；基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测。在训练模型的过程中，本发明考虑了负荷影响因素，运用模糊聚类的方法筛选出了与预测日特征相似的历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度；同时在训练的目标函数中施加了L1/2范数惩罚项，并采用L1/2正则化方法求解，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种基于回声状态网络的短期负荷预测方法实施例1的方法流程图；
图2为本发明公开的一种基于回声状态网络的短期负荷预测方法实施例2的方法流程图；
图3为本发明公开的一种基于回声状态网络的短期负荷预测系统实施例1的结构示意图；
图4为本发明公开的一种基于回声状态网络的短期负荷预测系统实施例2的结构示意图。
具体实施方式
下面将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。
如图1所示，为本发明公开的一种基于回声状态网络的短期负荷预测方法实施例1的方法流程图，所述方法包括：
S101、收集历史负荷数据和负荷影响因素信息；
负荷预测就是首先明确需要预测对象，收集与预测对象相关的历史数据，大量准确的历史负荷数据是保证预测准确率的一个重要方面，另一方面，还需要考虑和收集负荷影响因素的相关信息。
S102、对历史负荷数据进行预处理；
收集好历史负荷数据后，需要对历史负荷数据中缺失或异常的数据进行相应处理，并对从历史负荷数据中挑选出来的作为训练后续模型的输入数据进行相应的处理。
S103、基于负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；
影响电力负荷的外界因素复杂繁多，对收集好的负荷影响因素信息做进一步处理，使用迷糊聚类分析的方法筛选出与待测日特征相似的相似日，其中，尤其需要考虑对电力需求量影响比较显著的负荷影响因素信息。
S104、基于相似日的经过预处理后的历史负荷数据建立回声状态网络负荷预测模型；
通过模糊聚类分析法筛选出来的与待测日特征相似的相似日后，并结合其进行特殊计算处理后的历史负荷数据，搭建并采用L1/2范数正则化方法训练用于进行负荷预测的回声状态网络负荷预测模型。
S105、基于回声状态网络负荷预测模型对待测日进行负荷预测。
搭建并训练好用于进行负荷预测的回声状态网络负荷预测模型之后，选择并确定好需要进行负荷预测的待测日，并使用回声状态网络负荷预测模型对待测日进行负荷预测。
综上所述，在上述实施例中，首先收集历史负荷数据和负荷影响因素信息；对历史负荷数据进行预处理；接着基于负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；然后基于相似日的经过预处理后的历史负荷数据建立回声状态网络负荷预测模型，采用L1/2范数正则化方法训练回声状态网络预测模型；最后基于回声状态网络负荷预测模型对待测日进行负荷预测。在训练模型的过程中，本发明考虑了负荷影响因素，运用模糊聚类的方法筛选出了与预测日特征相似的历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度；同时在训练的目标函数中施加了L1/2范数惩罚项，并采用L1/2正则化方法求解，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。
具体地，在上述实施例中，负荷预测就是首先明确需要预测对象，之后收集历史数据，最后应用模型对其规律进行学习，所以大量准确的负荷数据是保证预测准确率的一个重要方面。因此，想要提高预测的精度，不光需要收集历史负荷数据，对收集到的数据更要进行预处理。
对于缺失的数据，最简单的处理方法是将缺失数据摒弃，也可以采用插补法补全数据。
查找异常数据时，由于判断异常数据需要一定的标准，因此事先设定一个标准区间，通过观测会得到负荷值，之后将其与真值进行比较，计算两者之间的误差。当误差的绝对值在这个标准区间内时，就可以将这个数据留用；相反的，当误差的绝对值超出这个标准区间时，就可以将其判断为异常数据。同样也可以将异常数据视为缺失数据，应用处理缺失数据的方法来替换异常数据。
在进行电力负荷预测时，一个变量的输入值可能与另一个输入值相差较大，对于模型的训练，较大的值掩盖了较小的值对输出的影响，使训练过程饱和。因此通常对输入数据进行归一化处理，使其在0至1间变化。对于历史负荷数据，可以采用如下归一化的处理方法：
式中：为归一化以后的数据序列；Xmax、Xmin分别为数据样本的最大值和最小值。
具体地，在上述实施例中，由于影响电力负荷的外界因素复杂繁多，若每一个都考虑又太麻烦。在这些因素中气象、日期类型对电力需求量影响比较显著，可将它们作为被分类对象的特征指标。气象因素主要考虑温度、湿度和天气情况，其中温度和湿度都可以直接用数据表示。天气情况和日期类型不好直接用数据区表示，需要分别建立映射与数值对应。
如图2所示，为本发明公开的一种基于回声状态网络的短期负荷预测方法实施例2的方法流程图，所述方法包括：
S201、收集历史负荷数据和负荷影响因素信息；
负荷预测就是首先明确需要预测对象，收集与预测对象相关的历史数据，大量准确的历史负荷数据是保证预测准确率的一个重要方面，另一方面，还需要考虑和收集负荷影响因素的相关信息。
S202、基于历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对数据样本进行归一化处理；
收集好历史负荷数据后，需要对历史负荷数据中缺失或异常的数据进行相应处理，并从历史负荷数据中挑选出来的作为训练后续模型的数据样本，将该数据样本进行归一化处理，并将归一化处理后的数据样本作为训练后续模型输入数据。
S203、基于负荷影响因素信息确定用来进行模糊聚类分析的特征指标；
在使用模糊聚类分析法来选取相似日时，首先要根据收集好的负荷影响因素信息确定用来进行聚类的特征指标。
S204、收集所有样本日期和待预测日期的所有被确定的特征指标；
确定好用来进行聚类的特征指标后，还需要收集所有样本日期和待预测日期的所有被确定的特征指标，并将能够用数据表示的特征指标直接用数据表示出来，不能用数据表示的特征指标选择适当的数值表示。
S205、按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对样本日期和待预测日期进行模糊聚类分析；
收集好所有样本日期和待预测日期的所有被确定的特征指标后，即可对样本日期和待预测日期进行模糊聚类分析，具体按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次进行聚类。
S206、选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；
对样本日期和待预测日期进行模糊聚类分析后，根据模糊聚类分析的结果，选择适用于样本日期和待预测日期特征指标的模糊聚类分析的聚类水平，确定最后的分类结果。
S207、基于分类结果确定相似日；
根据模糊聚类分析的分类结果，确定与预测日特征相似的相似日。
S208、选取相似日的历史负荷数据作为回声状态网络负荷预测模型的训练数据集，根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出；
根据选取的相似日，并结合其进行归一化计算处理后的历史负荷数据，作为回声状态网络负荷预测模型的训练数据集，根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出。
S209、对回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；
根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出后，需要对回声状态网络负荷预测模型进行训练，在对回声状态网络负荷预测模型进行训练之前，首先需要对回声状态网络的储备池参数进行初始化设定，其中，储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度。
S210、随机生成连接矩阵、输入连接和输出反馈权值，对回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵；
对回声状态网络负荷预测模型的储备池参数进行初始化设定后，对回声状态网络负荷预测模型进行训练，随机生成连接矩阵、输入连接和输出反馈权值，在训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵。
S211、按照步骤S208的方法确定待测日的新的输入序列，并将输入序列输入到训练好的回声状态网络负荷预测模型进行负荷预测，得到预测结果。
搭建并训练好用于进行负荷预测的回声状态网络负荷预测模型之后，选择并确定好需要进行负荷预测的待测日，按照步骤S208的方法确定待测日的新的输入序列，并将输入序列输入到训练好的回声状态网络负荷预测模型进行负荷预测，得到预测结果。
综上所述，在上述实施例中，首先收集历史负荷数据和负荷影响因素信息；基于历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对数据样本进行归一化处理；接着基于负荷影响因素信息确定用来进行模糊聚类分析的特征指标；收集所有样本日期和待预测日期的所有被确定的特征指标；按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对样本日期和待预测日期进行模糊聚类分析；选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；基于分类结果确定相似日；然后选取相似日的历史负荷数据作为回声状态网络负荷预测模型的训练数据集，根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出；对回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；随机生成连接矩阵、输入连接和输出反馈权值，对回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵；最后按照步骤S208的方法确定待测日的新的输入序列，并将输入序列输入到训练好的回声状态网络负荷预测模型进行负荷预测，得到预测结果。在训练模型的过程中，本发明考虑了负荷影响因素，运用模糊聚类的方法筛选出了与预测日特征相似的历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度，从而提高了预测结果的准确度；同时在训练的目标函数中施加了L1/2范数惩罚项，并采用L1/2正则化方法求解，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。
具体地，在上述实施例中，具体地，在上述实施例中，负荷预测就是首先明确需要预测对象，之后收集历史数据，最后应用模型对其规律进行学习，所以大量准确的负荷数据是保证预测准确率的一个重要方面。因此，想要提高预测的精度，不光需要收集历史负荷数据，对收集到的数据更要进行预处理。
对于缺失的数据，最简单的处理方法是将缺失数据摒弃，也可以采用插补法补全数据。
查找异常数据时，由于判断异常数据需要一定的标准，因此事先设定一个标准区间，通过观测会得到负荷值，之后将其与真值进行比较，计算两者之间的误差。当误差的绝对值在这个标准区间内时，就可以将这个数据留用；相反的，当误差的绝对值超出这个标准区间时，就可以将其判断为异常数据。同样也可以将异常数据视为缺失数据，应用处理缺失数据的方法来替换异常数据。
在进行电力负荷预测时，一个变量的输入值可能与另一个输入值相差较大，对于模型的训练，较大的值掩盖了较小的值对输出的影响，使训练过程饱和。因此通常对输入数据进行归一化处理，使其在0至1间变化。对于历史负荷数据，可以采用如下归一化的处理方法：
式中：为归一化以后的数据序列；Xmax、Xmin分别为数据样本的最大值和最小值。
具体地，在上述实施例中，由于影响电力负荷的外界因素复杂繁多，若每一个都考虑又太麻烦。在这些因素中气象、日期类型对电力需求量影响比较显著，可将它们作为被分类对象的特征指标。气象因素主要考虑温度、湿度和天气情况，其中温度和湿度都可以直接用数据表示。天气情况和日期类型不好直接用数据区表示，需要分别建立映射与数值对应。
如图3所示，为本发明公开的一种基于回声状态网络的短期负荷预测系统实施例1的结构示意图，所述系统包括：
数据收集模块301：用于收集历史负荷数据和负荷影响因素信息；
负荷预测就是首先明确需要预测对象，收集与预测对象相关的历史数据，大量准确的历史负荷数据是保证预测准确率的一个重要方面，另一方面，还需要考虑和收集负荷影响因素的相关信息。
第一处理模块302：用于对历史负荷数据进行预处理；
收集好历史负荷数据后，需要对历史负荷数据中缺失或异常的数据进行相应处理，并对从历史负荷数据中挑选出来的作为训练后续模型的输入数据进行相应的处理。
第二处理模块303：用于基于负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；
影响电力负荷的外界因素复杂繁多，对收集好的负荷影响因素信息做进一步处理，使用迷糊聚类分析的方法筛选出与待测日特征相似的相似日，其中，尤其需要考虑对电力需求量影响比较显著的负荷影响因素信息。
第三处理模块304：用于基于相似日的经过预处理后的历史负荷数据建立回声状态网络负荷预测模型；
通过模糊聚类分析法筛选出来的与待测日特征相似的相似日后，并结合其进行特殊计算处理后的历史负荷数据，搭建并采用L1/2范数正则化方法训练用于进行负荷预测的回声状态网络负荷预测模型。
第四处理模块305：用于基于回声状态网络负荷预测模型对待测日进行负荷预测。
搭建并训练好用于进行负荷预测的回声状态负荷网络预测模型之后，选择并确定好需要进行负荷预测的待测日，并使用回声状态网络负荷预测模型对待测日进行负荷预测。
综上，在上述实施例中，首先收集历史负荷数据和负荷影响因素信息；对历史负荷数据进行预处理；接着基于负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；然后基于相似日的经过预处理后的历史负荷数据建立回声状态网络负荷预测模型，采用L1/2范数正则化方法训练回声状态网络预测模型；最后基于回声状态网络负荷预测模型对待测日进行负荷预测。在训练模型的过程中，本发明考虑了负荷影响因素，运用模糊聚类的方法筛选出了与预测日特征相似的历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度；同时在训练的目标函数中施加了L1/2范数惩罚项，并采用L1/2正则化方法求解，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。
具体地，在上述实施例中，负荷预测就是首先明确需要预测对象，之后收集历史数据，最后应用模型对其规律进行学习，所以大量准确的负荷数据是保证预测准确率的一个重要方面。因此，想要提高预测的精度，不光需要收集历史负荷数据，对收集到的数据更要进行预处理。
对于缺失的数据，最简单的处理方法是将缺失数据摒弃，也可以采用插补法补全数据。
查找异常数据时，由于判断异常数据需要一定的标准，因此事先设定一个标准区间，通过观测会得到负荷值，之后将其与真值进行比较，计算两者之间的误差。当误差的绝对值在这个标准区间内时，就可以将这个数据留用；相反的，当误差的绝对值超出这个标准区间时，就可以将其判断为异常数据。同样也可以将异常数据视为缺失数据，应用处理缺失数据的方法来替换异常数据。
在进行电力负荷预测时，一个变量的输入值可能与另一个输入值相差较大，对于模型的训练，较大的值掩盖了较小的值对输出的影响，使训练过程饱和。因此通常对输入数据进行归一化处理，使其在0至1间变化。对于历史负荷数据，可以采用如下归一化的处理方法：
式中：为归一化以后的数据序列；Xmax、Xmin分别为数据样本的最大值和最小值。
具体地，在上述实施例中，由于影响电力负荷的外界因素复杂繁多，若每一个都考虑又太麻烦。在这些因素中气象、日期类型对电力需求量影响比较显著，可将它们作为被分类对象的特征指标。气象因素主要考虑温度、湿度和天气情况，其中温度和湿度都可以直接用数据表示。天气情况和日期类型不好直接用数据区表示，需要分别建立映射与数值对应。
如图4所示，为本发明公开的一种基于回声状态网络的短期负荷预测系统实施例2的结构示意图，所述系统包括：
数据收集模块401：用于收集历史负荷数据和负荷影响因素信息；
负荷预测就是首先明确需要预测对象，收集与预测对象相关的历史数据，大量准确的历史负荷数据是保证预测准确率的一个重要方面，另一方面，还需要考虑和收集负荷影响因素的相关信息。
第一处理模块402：用于基于历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对数据样本进行归一化处理；
收集好历史负荷数据后，需要对历史负荷数据中缺失或异常的数据进行相应处理，并从历史负荷数据中挑选出来的作为训练后续模型的数据样本，将该数据样本进行归一化处理，并将归一化处理后的数据样本作为训练后续模型输入数据。
第一处理子模块403：用于基于负荷影响因素信息确定用来进行模糊聚类分析的特征指标；
在使用模糊聚类分析法来选取相似日时，首先要根据收集好的负荷影响因素信息确定用来进行聚类的特征指标。
第二处理子模块404：用于收集所有样本日期和待预测日期的所有被确定的特征指标；
确定好用来进行聚类的特征指标后，还需要收集所有样本日期和待预测日期的所有被确定的特征指标，并将能够用数据表示的特征指标直接用数据表示出来，不能用数据表示的特征指标选择适当的数值表示。
第三处理子模块405：用于按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对样本日期和待预测日期进行模糊聚类分析；
收集好所有样本日期和待预测日期的所有被确定的特征指标后，即可对样本日期和待预测日期进行模糊聚类分析，具体按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次进行聚类。
第四处理子模块406：用于选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；
对样本日期和待预测日期进行模糊聚类分析后，根据模糊聚类分析的结果，选择适用于样本日期和待预测日期特征指标的模糊聚类分析的聚类水平，确定最后的分类结果。
第五处理子模块407：用于基于分类结果确定相似日；
根据模糊聚类分析的分类结果，确定与预测日特征相似的相似日。
第六处理子模块408：用于选取相似日的历史负荷数据作为回声状态网络负荷预测模型的训练数据集，根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出；
根据选取的相似日，并结合其进行归一化计算处理后的历史负荷数据，作为回声状态网络负荷预测模型的训练数据集，根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出。
第七处理子模块409：用于对回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；
根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出后，需要对回声状态网络负荷预测模型进行训练，在对回声状态网络负荷预测模型进行训练之前，首先需要对回声状态网络的储备池参数进行初始化设定，其中，储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度。
第八处理子模块410：随机生成连接矩阵、输入连接和输出反馈权值，对回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵；
对回声状态网络负荷预测模型的储备池参数进行初始化设定后，对回声状态网络负荷预测模型进行训练，随机生成连接矩阵、输入连接和输出反馈权值，在训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵。
第二处理模块411：用于确定待测日的新的输入序列，并将输入序列输入到训练好的回声状态网络负荷预测模型进行负荷预测，得到预测结果。
搭建并训练好用于进行负荷预测的回声状态网络负荷预测模型之后，选择并确定好需要进行负荷预测的待测日，确定待测日的新的输入序列，并将输入序列输入到训练好的回声状态网络负荷预测模型进行负荷预测，得到预测结果。
综上所述，在上述实施例中，首先收集历史负荷数据和负荷影响因素信息；基于历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对数据样本进行归一化处理；接着基于负荷影响因素信息确定用来进行模糊聚类分析的特征指标；收集所有样本日期和待预测日期的所有被确定的特征指标；按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对样本日期和待预测日期进行模糊聚类分析；选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；基于分类结果确定相似日；然后选取相似日的历史负荷数据作为回声状态网络负荷预测模型的训练数据集，根据训练数据集中样本数据的特点确定回声状态网络负荷预测模型的输入和输出；对回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；随机生成连接矩阵、输入连接和输出反馈权值，对回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵；最后确定待测日的新的输入序列，并将输入序列输入到训练好的回声状态网络负荷预测模型进行负荷预测，得到预测结果。在训练模型的过程中，本发明考虑了负荷影响因素，运用模糊聚类的方法筛选出了与预测日特征相似的历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度，从而提高了预测结果的准确度；同时在训练的目标函数中施加了L1/2范数惩罚项，并采用L1/2正则化方法求解，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。
具体地，在上述实施例中，具体地，在上述实施例中，负荷预测就是首先明确需要预测对象，之后收集历史数据，最后应用模型对其规律进行学习，所以大量准确的负荷数据是保证预测准确率的一个重要方面。因此，想要提高预测的精度，不光需要收集历史负荷数据，对收集到的数据更要进行预处理。
对于缺失的数据，最简单的处理方法是将缺失数据摒弃，也可以采用插补法补全数据。
查找异常数据时，由于判断异常数据需要一定的标准，因此事先设定一个标准区间，通过观测会得到负荷值，之后将其与真值进行比较，计算两者之间的误差。当误差的绝对值在这个标准区间内时，就可以将这个数据留用；相反的，当误差的绝对值超出这个标准区间时，就可以将其判断为异常数据。同样也可以将异常数据视为缺失数据，应用处理缺失数据的方法来替换异常数据。
在进行电力负荷预测时，一个变量的输入值可能与另一个输入值相差较大，对于模型的训练，较大的值掩盖了较小的值对输出的影响，使训练过程饱和。因此通常对输入数据进行归一化处理，使其在0至1间变化。对于历史负荷数据，可以采用如下归一化的处理方法：
式中：为归一化以后的数据序列；Xmax、Xmin分别为数据样本的最大值和最小值。
具体地，在上述实施例中，由于影响电力负荷的外界因素复杂繁多，若每一个都考虑又太麻烦。在这些因素中气象、日期类型对电力需求量影响比较显著，可将它们作为被分类对象的特征指标。气象因素主要考虑温度、湿度和天气情况，其中温度和湿度都可以直接用数据表示。天气情况和日期类型不好直接用数据区表示，需要分别建立映射与数值对应。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于回声状态网络的短期负荷预测方法，其特征在于，包括：
收集历史负荷数据和负荷影响因素信息；
对所述历史负荷数据进行预处理；
基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；
基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型；
基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测。
2.根据权利要求1所述的方法，其特征在于，所述对所述历史负荷数据进行预处理包括：
基于所述历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对所述数据样本进行归一化处理。
3.根据权利要求1所述的方法，其特征在于，所述基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日包括：
基于所述负荷影响因素信息确定用来进行模糊聚类分析的特征指标；
收集所有样本日期和待预测日期的所有被确定的所述特征指标；
按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对所述样本日期和待预测日期进行模糊聚类分析；
选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；
基于所述分类结果确定所述相似日。
4.根据权利要求1所述的方法，其特征在于，所述基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型包括：
S1，选取所述相似日的所述历史负荷数据作为所述回声状态网络负荷预测模型的训练数据集，根据所述训练数据集中样本数据的特点确定所述回声状态网络负荷预测模型的输入和输出；
S2，对所述回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，所述储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；
S3，随机生成连接矩阵、输入连接和输出反馈权值，对所述回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵。
5.根据权利要求4所述的方法，其特征在于，所述基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测包括：
按照步骤S1的方法确定所述待测日的新的输入序列，并将所述输入序列输入到训练好的所述回声状态网络负荷预测模型进行负荷预测，得到预测结果。
6.一种基于回声状态网络的短期负荷预测系统，其特征在于，包括：
数据收集模块：用于收集历史负荷数据和负荷影响因素信息；
第一处理模块：用于对所述历史负荷数据进行预处理；
第二处理模块：用于基于所述负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；
第三处理模块：用于基于所述相似日的经过预处理后的所述历史负荷数据建立回声状态网络负荷预测模型；
第四处理模块：用于基于所述回声状态网络负荷预测模型对所述待测日进行负荷预测。
7.根据权利要求6所述的系统，其特征在于，所述第一处理模块具体用于：
基于所述历史负荷数据确定建立回声状态网络负荷预测模型的数据样本，并对所述数据样本进行归一化处理。
8.根据权利要求6所述的系统，其特征在于，所述第二处理模块具体用于：
基于所述负荷影响因素信息确定用来进行模糊聚类分析的特征指标；
收集所有样本日期和待预测日期的所有被确定的所述特征指标；
按照数据标准化、构造模糊相似矩阵、模糊传递闭包分类的步骤依次对所述样本日期和待预测日期进行模糊聚类分析；
选择适用的模糊聚类分析的聚类水平，确定最后的分类结果；
基于所述分类结果确定所述相似日。
9.根据权利要求6所述的系统，其特征在于，所述第三处理模块具体用于：
S1，选取所述相似日的所述历史负荷数据作为所述回声状态网络负荷预测模型的训练数据集，根据所述训练数据集中样本数据的特点确定所述回声状态网络负荷预测模型的输入和输出；
S2，对所述回声状态网络负荷预测模型的储备池参数进行初始化设定，其中，所述储备池参数至少包括输入单元尺度，储备池内部连接权值矩阵的谱半径，储备池规模，储备池稀疏程度；
S3，随机生成连接矩阵、输入连接和输出反馈权值，对所述回声状态网络负荷预测模型进行训练，训练过程中对目标函数增加L1/2范数惩罚项并采用L1/2正则化方法求解，计算输出连接权矩阵。
10.根据权利要求9所述的系统，其特征在于，所述第四处理模块具体用于：
按照步骤S1的方法确定所述待测日的新的输入序列，并将所述输入序列输入到训练好的所述回声状态网络负荷预测模型进行负荷预测，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810311345.7A CN108491982A (zh) | 2018-04-09 | 2018-04-09 | 一种基于回声状态网络的短期负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810311345.7A CN108491982A (zh) | 2018-04-09 | 2018-04-09 | 一种基于回声状态网络的短期负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108491982A true CN108491982A (zh) | 2018-09-04 |
Family
ID=63315061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810311345.7A Pending CN108491982A (zh) | 2018-04-09 | 2018-04-09 | 一种基于回声状态网络的短期负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491982A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636063A (zh) * | 2018-12-26 | 2019-04-16 | 武汉理工大学 | 一种短期负荷预测的方法 |
| CN109657884A (zh) * | 2019-02-15 | 2019-04-19 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
| CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
| CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
| CN110309979A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于回声状态网络的电力负荷预测方法、装置及设备 |
| CN110309982A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
| CN112257962A (zh) * | 2020-11-16 | 2021-01-22 | 南方电网科学研究院有限责任公司 | 一种台区线损预测方法及装置 |
| CN112733372A (zh) * | 2021-01-14 | 2021-04-30 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
| CN113505534A (zh) * | 2021-07-07 | 2021-10-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719018A (zh) * | 2016-01-21 | 2016-06-29 | 中国科学院自动化研究所 | 基于回声状态网络的用电预测方法和系统 |
| CN107229993A (zh) * | 2017-05-03 | 2017-10-03 | 华北电力大学 | 一种基于km‑apso‑svm模型的短期电力负荷预测方法 |
| CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
-
2018
- 2018-04-09 CN CN201810311345.7A patent/CN108491982A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719018A (zh) * | 2016-01-21 | 2016-06-29 | 中国科学院自动化研究所 | 基于回声状态网络的用电预测方法和系统 |
| CN107229993A (zh) * | 2017-05-03 | 2017-10-03 | 华北电力大学 | 一种基于km‑apso‑svm模型的短期电力负荷预测方法 |
| CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑金: "短期电力负荷预测方法研究", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
| CN109657844B (zh) * | 2018-11-28 | 2022-08-16 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
| CN109636063A (zh) * | 2018-12-26 | 2019-04-16 | 武汉理工大学 | 一种短期负荷预测的方法 |
| CN109657884A (zh) * | 2019-02-15 | 2019-04-19 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
| CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
| CN110309979A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于回声状态网络的电力负荷预测方法、装置及设备 |
| CN110309982A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
| CN112257962A (zh) * | 2020-11-16 | 2021-01-22 | 南方电网科学研究院有限责任公司 | 一种台区线损预测方法及装置 |
| CN112733372A (zh) * | 2021-01-14 | 2021-04-30 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
| CN112733372B (zh) * | 2021-01-14 | 2022-04-22 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
| CN113505534A (zh) * | 2021-07-07 | 2021-10-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
| CN113505534B (zh) * | 2021-07-07 | 2023-09-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
| 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 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110503256B (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
| Garcia et al. | Forecasting system imbalance volumes in competitive electricity markets | |
| JP3352153B2 (ja) | 配水流量予測装置 | |
| US20230198258A1 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
| CN102034350A (zh) | 交通流数据短时预测方法及系统 | |
| CN109919423B (zh) | 一种基于深度学习的智慧水务管理方法及系统 | |
| CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
| CN106951990A (zh) | 电力负荷智能预测方法及装置 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110334879A (zh) | 电网母线无功负荷预测方法及装置 | |
| Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
| CN115249081A (zh) | 一种对象类型的预测方法、装置、计算机设备和存储介质 | |
| CN109840633A (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| CN108134385A (zh) | 主动配电网规划方法以及装置 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| Høverstad et al. | Effects of data cleansing on load prediction algorithms | |
| CN117236571B (zh) | 一种基于物联网的规划方法和系统 | |
| Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
| Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
| CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
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: 20180904 |
|
| RJ01 | Rejection of invention patent application after publication |