CN108537380B - 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 PDF

Info

Publication number
CN108537380B
CN108537380B CN201810304089.9A CN201810304089A CN108537380B CN 108537380 B CN108537380 B CN 108537380B CN 201810304089 A CN201810304089 A CN 201810304089A CN 108537380 B CN108537380 B CN 108537380B
Authority
CN
China
Prior art keywords
power load
data
dictionary
sparse coefficient
coefficient vector
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.)
Expired - Fee Related
Application number
CN201810304089.9A
Other languages
English (en)
Other versions
CN108537380A (zh
Inventor
於志勇
郭文忠
黄昉菀
郑香平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810304089.9A priority Critical patent/CN108537380B/zh
Publication of CN108537380A publication Critical patent/CN108537380A/zh
Application granted granted Critical
Publication of CN108537380B publication Critical patent/CN108537380B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种基于稀疏表示的电力负荷预测方法
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
Figure RE-GDA0001671546320000021
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：
Figure RE-GDA0001671546320000031
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：
Figure RE-GDA0001671546320000041
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',
Figure RE-GDA0001671546320000042
接着选择与r0内积绝对值最大的原子
Figure RE-GDA0001671546320000043
更新
Figure RE-GDA0001671546320000044
由最小二乘得到
Figure RE-GDA0001671546320000045
更新残差
Figure RE-GDA0001671546320000046
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
Figure RE-GDA0001671546320000051
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：
Figure RE-GDA0001671546320000061
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：
Figure RE-GDA0001671546320000062
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',
Figure RE-GDA0001671546320000063
接着选择与r0内积绝对值最大的原子
Figure RE-GDA0001671546320000064
更新
Figure RE-GDA0001671546320000065
由最小二乘得到
Figure RE-GDA0001671546320000066
更新残差
Figure RE-GDA0001671546320000067
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 (2)

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
Figure FDA0003367759430000011
D1是训练字典，用于求解稀疏系数向量α；D2是测试字典，通过结合稀疏系数向量α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；
所述步骤S3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：
Figure FDA0003367759430000012
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',
Figure FDA0003367759430000021
接着选择与r0内积绝对值最大的原子
Figure FDA0003367759430000022
更新
Figure FDA0003367759430000023
由最小二乘得到
Figure FDA0003367759430000024
更新残差
Figure FDA0003367759430000025
t＝t+1，直到满足||rt||＞δ为止，求得稀疏系数向量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：
Figure FDA0003367759430000031
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。
CN201810304089.9A 2018-04-04 2018-04-04 一种基于稀疏表示的电力负荷预测方法 Expired - Fee Related CN108537380B (zh)

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 CN108537380A (zh) 2018-09-14
CN108537380B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN113126019B (zh) * 2021-04-19 2023-05-12 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

Citations (5)

* Cited by examiner, † Cited by third party
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10282795B2 (en) * 2016-06-22 2019-05-07 International Business Machines Corporation Real-time forecasting of electricity demand in a streams-based architecture with applications

Patent Citations (5)

* Cited by examiner, † Cited by third party
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于贪心核特征提取方法的中期峰值负荷预测;李军;《控制与决策》;20140930;第29卷(第9期);第1661-1666页 *

Also Published As

Publication number Publication date
CN108537380A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108537380B (zh) 一种基于稀疏表示的电力负荷预测方法
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN110210658B (zh) 基于小波变换的Prophet与高斯过程用户网络流量预测方法
CN107749757B (zh) 一种基于堆栈式自编码和pso算法的数据压缩方法及装置
CN113126019B (zh) 一种智能电表误差远程估计方法、系统、终端和存储介质
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN112613641A (zh) 一种基于特征分解的短期电负荷组合预测方法
CN116845874A (zh) 一种电力负荷的短期预测方法及装置
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及系统
CN116388150A (zh) 基于数字孪生和神经网络技术的配变短期负荷预测方法
CN115859584A (zh) 一种电池寿命预测方法、预测系统及计算机设备
CN114626487A (zh) 基于随机森林分类算法的线变关系校核方法
CN113902181A (zh) 公变重过载的短期预测方法及设备
CN107203991B (zh) 一种基于光谱残差的半参考图像质量评价方法
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN117131022A (zh) 一种电力信息系统的异构数据迁移方法
CN115409367A (zh) 基于物联网的智能电网健康状态评估方法及系统
CN115085368A (zh) 变压器健康状态监测方法、装置、计算机设备和存储介质
CN114545066A (zh) 一种非侵入式负荷监测模型聚合方法和系统
Liu et al. Image quality evaluation based on SVM and improved grid search algorithm
CN112766537A (zh) 一种短期电负荷预测方法
CN112668770A (zh) 一种基于信息与波形总体相似度的电力负荷预测方法
Yuan et al. Smart meter data compression and reconstruction using deep convolutional autoencoders
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN117611420B (zh) 基于物联网的电动车还车数据处理方法及系统

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

Granted publication date: 20220325

CF01 Termination of patent right due to non-payment of annual fee