CN108537380A - 一种基于稀疏表示的电力负荷预测方法 - Google Patents
一种基于稀疏表示的电力负荷预测方法 Download PDFInfo
- Publication number
- CN108537380A CN108537380A CN201810304089.9A CN201810304089A CN108537380A CN 108537380 A CN108537380 A CN 108537380A CN 201810304089 A CN201810304089 A CN 201810304089A CN 108537380 A CN108537380 A CN 108537380A
- Authority
- CN
- China
- Prior art keywords
- data
- dictionary
- load
- coefficient vector
- sparse coefficient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于稀疏表示的电力负荷预测方法,包括以下步骤:通过电力公司获取真实电力负荷数据,对数据进行预处理得到,包括数据缺失、数据异常和数据归一化等具体操作等处理;通过拼接基础字典、单位矩阵字典和外部因素字典,使其构成过完备字典,过完备字典包括用于求解稀疏系数向量的训练字典和用于预测未来电力负荷的测试字典两部分;根据预处理的电力负荷数据和的训练字典使用正交匹配追踪OMP算法来求解系数向量;结合测试字典和稀疏系数向量来预测未来的电力负荷。该方法在真实存在的电力负荷数据集的基础上,可以有效地预测未来的电力负荷,在添加外部因素的条件下,可以显著地提高负荷预测的精度。
Description
技术领域
本发明涉及电力负荷预测的技术领域,特别是涉及一种基于稀疏表示的电力负荷预测方法。
背景技术
随着国家经济技术的发展和人们生活水平的提高,电能已经成为了人们日常生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。电力负荷预测是电网运行的重要研究课题和重要发展方向之一。目前,基于短期负荷预测研究理论和方法已做了大量预测研究,提出了很多方法,大致可以分为两类:一类是以时间序列法为代表的传统方法,如时间序列法等,这些方法算法简单,速度快,应用广泛,但由于其本质上都是线性模型方法,因此存在着很多缺点和局限性,无法真实地反映电力公司不同负荷模型的非线性特性;另一类是以人工神经网络为代表的新型人工智能方法,神经网络具有并行分布信息和自学习及任意逼近连续函数的能力,能够捕获电力短期负荷的各种变化趋势。BP网络需要大量历史数据进行训练,且学习及处理不确定性和人工信息的能力较差。FUZZY预测,是近几年来在电力公司负荷预测中不断出现的一种预测方法,但是从实际应用来看,FUZZY方法对于负荷预测的精度往往是不尽人意的。此外,随着电网规模的扩大,涉及各方面的因素越来越多,不可避免地出现大量不确定性信息,因此目前的常用的负荷预测方法在这方面并不能很好的适应。
发明内容
有鉴于此,本发明的目的在于提供一种基于稀疏表示的电力负荷预测方法,该方法在给定的电力负荷信息数据集的基础上,通过稀疏表示有效地刻画电力负荷内在结构与特质,预测未来的电力负荷。
为实现上述目的,本发明采用如下技术方案:
一种基于稀疏表示的电力负荷预测方法,其特征在于:包括以下步骤:
步骤S1:通过电力公司获取真实电力负荷数据y并对其进行预处理操作得到预处理的电力负荷数据y′,预处理操作包括数据缺失、数据异常和数据归一化;
步骤S2:构建过完备字典:通过拼接使用离散小波变换或者离散余炫变换来构造基础字典、由delta函数生成的单位矩阵字典和由外部因素构成的外部因素字典,使其构成过完备字典D,过完备字典分为两部分D1是训练字典,用于求解稀疏系数向量;D2是测试字典,通过结合稀疏系数向量来预测未来一段时间的电力负荷;
步骤S3:根据预处理的电力负荷数据y′和训练字典D1使用正交匹配追踪OMP算法来求解稀疏系数向量α;
步骤S4:得到的测试字典D2结合稀疏系数向量α来预测未来的电力负荷y″,通过公式(4)来预测未来电力负荷:
y"=D2α (4)
得到的电力负荷预测值与实际的电力负荷值进行比较,来验证该方法的有效性。
进一步的,所述步骤S1具体包括:
步骤S11:对数据进行数据缺失处理:为了减少误差,使用数据填充的方法,当天的数据与前一天,后一天,一星期前,这个时间段有关,具体如公式(1)所示;
y(d,t)=w1y(d-1,t)+w2y(d+1,t)+w3y(d-7,t) (1)
其中y(d,t),y(d-1,t),y(d+1,t),y(d-7,t)分别表示的是当天、前一天、后一天,一星期前的t时刻的电力负荷值,w1,w2,w3的权重值,分别为0.4,0.4,0.2;
步骤S12:对数据进行异常值处理,采用四分位数展布法来过滤数据的异常值,通过计算上截断点跟下截断点,来划分电力负荷数据的范围,然后找出这些异常值,对于这些找到的异常值的处理方法用公式(1)计算的电力负荷值进行替换;
步骤S13:对数据进行归一化处理得到预处理的电力负荷数据y′,公式如(2)所示:
其中,MinValue,MaxValue分别为样本负荷的最大值和最小值。
进一步的,所述步骤3使用正交匹配追逐OMP算法来求解稀疏系数向量α,具体过程为:
步骤S31:根据预处理的电力负荷数据y′和训练字典D1,通过逼近约束问题来获取稀疏系数向量α,如公式(3)所示:
步骤S32:使用正交匹配追逐OMP算法来求解公式(3)定义的问题,通过初始化t=0,r0=y',接着选择与r0内积绝对值最大的原子更新由最小二乘得到更新残差t=t+1,直到满足||rt||>δ为止,求得稀疏系数向量α。
本发明与现有技术相比具有以下有益效果:
本发明的有益效果通过稀疏表示有效的刻画电力负荷的内在结构以及特征,使数据结构更加简明清晰,且不易过拟合,对噪声不敏感等优点,有效地对未来的电力负荷进行预测。该方法综合考虑了电力负荷的影响因素,得到最优的电力负荷的稀疏表示,使预测精度有着显著的提高。
附图说明
图1是本发明原理图
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于稀疏表示的电力负荷预测方法,其特征在于:包括以下步骤:
步骤S1:通过电力公司获取真实电力负荷数据y并对其进行预处理操作得到预处理的电力负荷数据y′,预处理操作包括数据缺失、数据异常和数据归一化;
步骤S2:构建过完备字典:通过拼接使用离散小波变换或者离散余炫变换来构造基础字典、由delta函数生成的单位矩阵字典和由外部因素构成的外部因素字典,使其构成过完备字典D,过完备字典分为两部分D1是训练字典,用于求解稀疏系数向量;D2是测试字典,通过结合稀疏系数向量来预测未来一段时间的电力负荷;
步骤S3:根据预处理的电力负荷数据y′和训练字典D1使用正交匹配追踪OMP算法来求解稀疏系数向量α;
步骤S4:得到的测试字典D2结合稀疏系数向量α来预测未来的电力负荷y″,通过公式(4)来预测未来电力负荷:
y"=D2α (4)
得到的电力负荷预测值与实际的电力负荷值进行比较,来验证该方法的有效性。
在本发明一实施例中,进一步的,所述步骤S1具体包括:
步骤S11:对数据进行数据缺失处理:为了减少误差,使用数据填充的方法,当天的数据与前一天,后一天,一星期前,这个时间段有关,具体如公式(1)所示;
y(d,t)=w1y(d-1,t)+w2y(d+1,t)+w3y(d-7,t) (1)
其中y(d,t),y(d-1,t),y(d+1,t),y(d-7,t)分别表示的是当天、前一天、后一天,一星期前的t时刻的电力负荷值,w1,w2,w3的权重值,分别为0.4,0.4,0.2;
步骤S12:对数据进行异常值处理,采用四分位数展布法来过滤数据的异常值,通过计算上截断点跟下截断点,来划分电力负荷数据的范围,然后找出这些异常值,对于这些找到的异常值的处理方法用公式(1)计算的电力负荷值进行替换;
步骤S13:对数据进行归一化处理得到预处理的电力负荷数据y′,公式如(2)所示:
其中,MinValue,MaxValue分别为样本负荷的最大值和最小值。
在本发明一实施例中,进一步的,所述步骤3使用正交匹配追逐 OMP算法来求解稀疏系数向量α,具体过程为:
步骤S31:根据预处理的电力负荷数据y′和训练字典D1,通过逼近约束问题来获取稀疏系数向量α,如公式(3)所示:
步骤S32:使用正交匹配追逐OMP算法来求解公式(3)定义的问题,通过初始化t=0,r0=y',接着选择与r0内积绝对值最大的原子更新由最小二乘得到更新残差t=t+1,直到满足||rt||>δ为止,求得稀疏系数向量α。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于稀疏表示的电力负荷预测方法,其特征在于:包括以下步骤:
步骤S1:通过电力公司获取真实电力负荷数据y并对其进行预处理操作得到预处理的电力负荷数据y′,预处理操作包括数据缺失、数据异常和数据归一化;
步骤S2:构建过完备字典:通过拼接使用离散小波变换或者离散余炫变换来构造基础字典、由delta函数生成的单位矩阵字典和由外部因素构成的外部因素字典,使其构成过完备字典D,过完备字典分为两部分D1是训练字典,用于求解稀疏系数向量;D2是测试字典,通过结合稀疏系数向量来预测未来一段时间的电力负荷;
步骤S3:根据预处理的电力负荷数据y′和训练字典D1,使用正交匹配追踪OMP算法来求解稀疏系数向量α;
步骤S4:得到的测试字典D2结合稀疏系数向量α来预测未来的电力负荷y″,通过公式(4)来预测未来电力负荷:
y"=D2α (4)
得到的电力负荷预测值与实际的电力负荷值进行比较,来验证该方法的有效性。
2.根据权利要求1所述的一种基于稀疏表示的电力负荷预测方法,其特征在于:所述步骤S1具体包括:
步骤S11:对数据进行数据缺失处理:为了减少误差,使用数据填充的方法,当天的数据与前一天,后一天,一星期前,这个时间段有关,具体如公式(1)所示;
y(d,t)=w1y(d-1,t)+w2y(d+1,t)+w3y(d-7,t) (1)
其中y(d,t),y(d-1,t),y(d+1,t),y(d-7,t)分别表示的是当天、前一天、后一天,一星期前的t时刻的电力负荷值,w1,w2,w3的权重值,分别为0.4,0.4,0.2;
步骤S12:对数据进行异常值处理,采用四分位数展布法来过滤数据的异常值,通过计算上截断点跟下截断点,来划分电力负荷数据的范围,然后找出这些异常值,对于这些找到的异常值的处理方法用公式(1)计算的电力负荷值进行替换;
步骤S13:对数据进行归一化处理得到预处理的电力负荷数据y′,公式如(2)所示:
其中,y为真实电力负荷数据,MinValue,MaxValue分别为样本负荷的最大值和最小值。
3.根据权利要求1所述的一种基于稀疏表示的电力负荷预测方法,其特征在于:
所述步骤3使用正交匹配追逐OMP算法来求解稀疏系数向量α,具体过程为:
步骤S31:根据预处理的电力负荷数据y′和训练字典D1,通过逼近约束问题来获取稀疏系数向量α,如公式(3)所示:
步骤S32:使用正交匹配追逐OMP算法来求解公式(3)定义的问题,通过初始化t=0,r0=y',接着选择与r0内积绝对值最大的原子更新由最小二乘得到更新残差t=t+1,直到满足||rt||>δ为止,求得稀疏系数向量α。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810304089.9A CN108537380B (zh) | 2018-04-04 | 2018-04-04 | 一种基于稀疏表示的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810304089.9A CN108537380B (zh) | 2018-04-04 | 2018-04-04 | 一种基于稀疏表示的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537380A true CN108537380A (zh) | 2018-09-14 |
CN108537380B CN108537380B (zh) | 2022-03-25 |
Family
ID=63482758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810304089.9A Expired - Fee Related CN108537380B (zh) | 2018-04-04 | 2018-04-04 | 一种基于稀疏表示的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537380B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697630A (zh) * | 2018-11-21 | 2019-04-30 | 浙江大学城市学院 | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
CN112183813A (zh) * | 2020-08-26 | 2021-01-05 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN113126019A (zh) * | 2021-04-19 | 2021-07-16 | 广东电网有限责任公司计量中心 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
CN113220671A (zh) * | 2021-04-16 | 2021-08-06 | 浙江大学 | 一种基于用电模式分解重构的电力负荷缺失数据修复方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957993A (zh) * | 2010-10-11 | 2011-01-26 | 上海交通大学 | 自适应红外小目标检测方法 |
CN102799948A (zh) * | 2012-06-21 | 2012-11-28 | 华北电力大学 | 一种并网型光伏电站发电系统输出功率预测方法 |
CN104820868A (zh) * | 2015-04-23 | 2015-08-05 | 北京恒泰实达科技股份有限公司 | 一种基于风电概率进行预测的调度展示方法 |
CN105930846A (zh) * | 2016-04-05 | 2016-09-07 | 西安电子科技大学 | 基于邻域信息和svgdl的极化sar图像分类方法 |
CN106682760A (zh) * | 2016-09-13 | 2017-05-17 | 上海电机学院 | 一种风电功率爬坡预测方法 |
US20170371308A1 (en) * | 2016-06-22 | 2017-12-28 | International Business Machines Corporation | Real-Time Forecasting of Electricity Demand in a Streams-Based Architecture with Applications |
-
2018
- 2018-04-04 CN CN201810304089.9A patent/CN108537380B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957993A (zh) * | 2010-10-11 | 2011-01-26 | 上海交通大学 | 自适应红外小目标检测方法 |
CN102799948A (zh) * | 2012-06-21 | 2012-11-28 | 华北电力大学 | 一种并网型光伏电站发电系统输出功率预测方法 |
CN104820868A (zh) * | 2015-04-23 | 2015-08-05 | 北京恒泰实达科技股份有限公司 | 一种基于风电概率进行预测的调度展示方法 |
CN105930846A (zh) * | 2016-04-05 | 2016-09-07 | 西安电子科技大学 | 基于邻域信息和svgdl的极化sar图像分类方法 |
US20170371308A1 (en) * | 2016-06-22 | 2017-12-28 | International Business Machines Corporation | Real-Time Forecasting of Electricity Demand in a Streams-Based Architecture with Applications |
CN106682760A (zh) * | 2016-09-13 | 2017-05-17 | 上海电机学院 | 一种风电功率爬坡预测方法 |
Non-Patent Citations (1)
Title |
---|
李军: "基于贪心核特征提取方法的中期峰值负荷预测", 《控制与决策》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697630A (zh) * | 2018-11-21 | 2019-04-30 | 浙江大学城市学院 | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
CN109697630B (zh) * | 2018-11-21 | 2020-08-04 | 浙江大学城市学院 | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
CN112183813A (zh) * | 2020-08-26 | 2021-01-05 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN112183813B (zh) * | 2020-08-26 | 2024-04-09 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN113220671A (zh) * | 2021-04-16 | 2021-08-06 | 浙江大学 | 一种基于用电模式分解重构的电力负荷缺失数据修复方法 |
CN113220671B (zh) * | 2021-04-16 | 2022-06-17 | 浙江大学 | 一种基于用电模式分解重构的电力负荷缺失数据修复方法 |
CN113126019A (zh) * | 2021-04-19 | 2021-07-16 | 广东电网有限责任公司计量中心 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108537380B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537380A (zh) | 一种基于稀疏表示的电力负荷预测方法 | |
CN112131783B (zh) | 一种基于配电台区大数据的户变拓扑关系识别方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN110222887A (zh) | 基于vmd和dnn的预测方法及在短期负荷预测的应用 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN109146186A (zh) | 一种基于双重分解的短期风电功率预测方法 | |
CN110334879A (zh) | 电网母线无功负荷预测方法及装置 | |
CN109508826A (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN111178612B (zh) | 一种网格用户基于大数据odps引擎的lstm负荷预测方法 | |
CN112990597A (zh) | 一种工业园区工厂用电负荷的超短期预测方法 | |
CN112085065B (zh) | 基于电压和有功功率读数的低压用户入户相别识别方法 | |
CN115292393B (zh) | 一种用于智慧网关的数据管理系统 | |
CN114839586B (zh) | 基于em算法的低压台区计量装置失准计算方法 | |
CN109193689A (zh) | 电压无功调控时段划分方法及装置 | |
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 | |
CN114548575A (zh) | 基于迁移学习的自适应建筑日前负荷预测方法 | |
CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN112508251A (zh) | 一种基于电力驾驶舱的负荷预测方法及装置 | |
CN114881120B (zh) | 基于深度自编码器和聚类的台区户变关系识别方法和系统 | |
CN110401727B (zh) | 一种ip地址分析方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |