CN109002928A - 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 - Google Patents
一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 Download PDFInfo
- Publication number
- CN109002928A CN109002928A CN201810913303.0A CN201810913303A CN109002928A CN 109002928 A CN109002928 A CN 109002928A CN 201810913303 A CN201810913303 A CN 201810913303A CN 109002928 A CN109002928 A CN 109002928A
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- network structure
- peak value
- electric load
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims description 22
- 238000010845 search algorithm Methods 0.000 claims description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 235000015170 shellfish Nutrition 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000007704 transition Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置,先以获取的气象数据和数值化处理后的时间数据为聚类特征,对以获取的负荷数据进行聚类,然后根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测,其中的贝叶斯网络模型根据聚类结果构建,本发明在外界影响因素变化较大时预测结果偏差较小,学习速率快,能够处理大规模样本。本发明中能够有效处理不完整数据,和其他技术结合进行因果分析,使先验知识和数据有效结合,且有效避免对数据的过渡拟合,对环境因素变化较大时依然具有较高的准确度。
Description
技术领域
本发明涉及用电预测技术领域,具体涉及一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置。
背景技术
近年来,随着国民经济的快速增长,居民的生活水平不断提高,电能在终端能源消费中占比也越来越高,电力负荷整体呈现较高的增长速度,尤其负荷峰值的增长速度更是高于电力负荷的增长速度。目前中国负荷峰值不断创新高,高峰时期的供需不平衡不断加深。因此,非常有必要加强对电力负荷峰值的预测研究,以便为电网的运营和交易等提供更加科学有效的决策依据,实现系统安全、可靠及经济运行。现有技术中电力负荷峰值预测方法有多元线性回归模型、人工神经网络、支持向量机和小波变换算法等方法,其中的多元线性回归模型进行电力负荷峰值的预测,根据历史负荷变化的趋势预测电力负荷峰值,但是当外界影响因素变化较大时,预测的电力负荷峰值偏差较大;其中的人工神经网络虽然能够处理海量信息输入,具备自适应学习能力,但是神经网路模型学习速率慢,面对海量数据时模型学习耗时较长且大多结果无法解释其因果关系;其中的支持向量机有难以处理大规模训练样本的缺点;其中的小波变换算法则通常需与其他算法相结合等。综上所述,现有技术中的电力负荷峰值预测方法具有当外界影响因素变化较大时预测结果偏差较大、学习速率慢、学习结果无法解释以及无法处理大规模样本的缺点。
发明内容
为了克服上述现有技术中在外界影响因素变化较大时预测结果偏差较大、学习速率慢、无法处理大规模样本的不足,本发明提供一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置,先以获取的气象数据和数值化处理后的时间数据为聚类特征,对以获取的负荷数据进行聚类,然后根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测,其中的贝叶斯网络模型根据聚类结果构建,本发明在外界影响因素变化较大时预测结果偏差较小,学习速率快,能够处理大规模样本。
为了实现上述发明目的,本发明采取如下技术方案:
一方面,本发明提供一种基于贝叶斯网络模型的电力负荷峰值预测方法,包括:
以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类;
根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测;
所述贝叶斯网络模型根据聚类结果构建。
所述贝叶斯网络模型按下述过程构建:
基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构;
基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数。
所述基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构,包括:
设最佳贝叶斯网络结构与初始贝叶斯网络结构相同,根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分;
判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分;若是,则停止搜索,输出预设步数内第一步的贝叶斯网络结构作为最优网络结构;否则,通过智能搜索算法继续搜索最优网络结构。
根据贝叶斯评分准则,按下式计算预设步数内每一步的贝叶斯网络结构评分:
其中,Score表示预设步数内每一步的贝叶斯网络结构评分,L表示极大似然估计的对数似然函数值,M表示与概率密度函数有关的节点数量,P表示当前贝叶斯网络结构中节点数量。
所述通过智能搜索算法继续搜索最优网络结构,包括:
将预设步数内评分最高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,通过在新一轮的初始贝叶斯网络结构上增加一条边、改变一条边的方向、或删除一条边,生成候选贝叶斯网络结构;
判断候选贝叶斯网络结构是否满足藐视准则;
若是,则将该候选贝叶斯网络结构作为最优网络结构,并用该候选贝叶斯网络结构对应的禁忌对象更新智能禁忌表;
否则,将预设步数内评分次高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,重复上述步骤,直至找到最优网络结构。
另一方面,本发明还提供一种基于贝叶斯网络模型的电力负荷峰值预测装置,包括:
聚类模块,用于以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类;
预测模块,根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测;
所述贝叶斯网络模型根据聚类结果构建。
所述装置还包括建模模块,所述建模模块包括:
贝叶斯网络结构学习单元,用于基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构;
贝叶斯网络参数学习单元,用于基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数。
贝叶斯网络结构学习单元包括:
计算单元,用于设最佳贝叶斯网络结构与初始贝叶斯网络结构相同,根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分;
判断单元,用于判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分;若是,则停止搜索,输出预设步数内第一步的贝叶斯网络结构作为最优网络结构;否则,通过智能搜索算法继续搜索最优网络结构。
所述计算单元按下式计算预设步数内每一步的贝叶斯网络结构评分:
其中,Score表示预设步数内每一步的贝叶斯网络结构评分,L表示极大似然估计的对数似然函数值,M表示与概率密度函数有关的节点数量,P表示当前贝叶斯网络结构中节点数量。
所述判断单元具体用于:
将预设步数内评分最高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,通过在新一轮的初始贝叶斯网络结构上增加一条边、改变一条边的方向、或删除一条边,生成候选贝叶斯网络结构;
判断候选贝叶斯网络结构是否满足藐视准则;
若是,则将该候选贝叶斯网络结构作为最优网络结构,并用该候选贝叶斯网络结构对应的禁忌对象更新智能禁忌表;
否则,将预设步数内评分次高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,重复上述步骤,直至找到最优网络结构。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明提供的基于贝叶斯网络模型的电力负荷峰值预测方法中,先以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类,然后根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测,其中的贝叶斯网络模型根据聚类结果构建,本发明在外界影响因素变化较大时预测结果偏差较小,学习速率快,能够处理大规模样本;
本发明提供的基于贝叶斯网络模型的电力负荷峰值预测装置包括聚类模块和预测模块,聚类模块用于以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类,预测模块根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测,其中的贝叶斯网络模型根据聚类结果构建,本发明在外界影响因素变化较大时预测结果偏差较小,学习速率快,能够处理大规模样本;
本发明中的将贝叶斯网络模型与聚类进行结合,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构,并基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数,能够有效处理不完整数据,和其他技术结合进行因果分析,使先验知识和数据有效结合,且有效避免对数据的过渡拟合,对环境因素变化较大时依然具有较高的准确度。
附图说明
图1是本发明实施例中基于贝叶斯网络模型的电力负荷峰值预测方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供一种基于贝叶斯网络模型的电力负荷峰值预测方法,具体流程图如图1所示,具体过程如下:
S101:以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类;
S102:根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测,其中的贝叶斯网络模型根据S102得到的聚类结果构建。
可以在S101的以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类之前先获取气象数据、时间数据和负荷数据,并对时间数据进行数值化处理。
获取的气象数据包括温度、气压、风速和湿度;时间数据包括月份、星期、日和节假日。
上述S101中对包括月份、星期、日和节假日的时间数据具体按下式进行数值化处理:
Montht=[m1,m2,…,mi,…,m12]
Weekt=[a1,a2,…,aj,…,a6]
dayt=[d1,d2,…,dp,…,d31]
Holidayt=[h1,h2,…,hq,…,h31]
其中,Montht为历史第t日所在的月份,mi为Montht中的第i天;
Weekt为历史第t日所在的星期,aj为Weekt中的第j星期;
dayt为历史第t日,dp为dayt中的第p天;
Holidayt为历史第t日所在的节假日,hq为Holidayt的第q个节假日。
上述S101中,可以采用K-means算法对负荷数据进行聚类。
上述S102中的贝叶斯网络模型具体按下述过程构建:
基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构;
基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数。
上述学习贝叶斯网络结构的具体过程如下:
设最佳贝叶斯网络结构与初始贝叶斯网络结构相同,根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分;
判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分;若是,则停止搜索,输出预设步数内第一步的贝叶斯网络结构作为最优网络结构;否则,通过智能搜索算法继续搜索最优网络结构。
根据贝叶斯评分准则,按下式计算预设步数内每一步的贝叶斯网络结构评分:
其中,Score表示预设步数内每一步的贝叶斯网络结构评分,L表示极大似然估计的对数似然函数值,M表示与概率密度函数有关的节点数量,P表示当前贝叶斯网络结构中节点数量;
通过智能搜索算法继续搜索最优网络结构,包括:
将预设步数内评分最高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,通过在新一轮的初始贝叶斯网络结构上增加一条边、改变一条边的方向、或删除一条边,生成候选贝叶斯网络结构;
判断候选贝叶斯网络结构是否满足藐视准则;
若是,则将该候选贝叶斯网络结构作为最优网络结构,并用该候选贝叶斯网络结构对应的禁忌对象更新智能禁忌表;
否则,将预设步数内评分次高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,重复上述步骤,直至找到最优网络结构。
上述的极大似然估计是通过似然函数求得,似然函数可以是样本联合概率密度f(x1,x2,...,xn)的任意正常数倍,可记为L(μ,Σ)。未知p元正态分布总体的X~Np(μ,Σ),设X(i)=(xi1,...,xip)',i=1,2,...,n,是从p元正态分布总体X抽取的n个简单随机样本,即X(i),...,X(n)独立同分布与总体X,则观测样本阵为:
其中,表示样本的均值,A表示立方差矩阵,L(μ,Σ)表示样本X(i),...,X(n)的似然函数,是μ的函数,且B(μ)>=0,即B(μ)非负定。
求解得正态分布的极大似然估计
实施例2
基于同一发明构思,本发明实施例2还提供一种基于贝叶斯网络模型的电力负荷峰值预测装置,包括聚类模块和预测模块,下面对上述几个模块的功能进行详细说明:
其中的聚类模块,用于以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类;
其中的预测模块,根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测,其中的贝叶斯网络模型根据聚类结果构建。
上述的气象数据包括温度、气压、风速和湿度,时间数据包括月份、星期、日和节假日。
本发明实施例2提供的基于贝叶斯网络模型的电力负荷峰值预测装置还包括建模模块,该建模模块包括:
贝叶斯网络结构学习单元,用于基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构;
贝叶斯网络参数学习单元,用于基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数。
上述的贝叶斯网络结构学习单元具体包括:
计算单元,用于设最佳贝叶斯网络结构与初始贝叶斯网络结构相同,根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分;
判断单元,用于判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分;若是,则停止搜索,输出预设步数内第一步的贝叶斯网络结构作为最优网络结构;否则,通过智能搜索算法继续搜索最优网络结构。
计算单元根据贝叶斯评分准则,按下式计算预设步数内每一步的贝叶斯网络结构评分:
其中,Score表示预设步数内每一步的贝叶斯网络结构评分,L表示极大似然估计的对数似然函数值,M表示与概率密度函数有关的节点数量,P表示当前贝叶斯网络结构中节点数量;
上述判断单元通过智能搜索算法继续搜索最优网络结构的具体过程如下:
将预设步数内评分最高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,通过在新一轮的初始贝叶斯网络结构上增加一条边、改变一条边的方向、或删除一条边,生成候选贝叶斯网络结构;
判断候选贝叶斯网络结构是否满足藐视准则;
若是,则将该候选贝叶斯网络结构作为最优网络结构,并用该候选贝叶斯网络结构对应的禁忌对象更新智能禁忌表;
否则,将预设步数内评分次高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,重复上述步骤,直至找到最优网络结构。
为了描述的方便,以上所述装置的各部分以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种基于贝叶斯网络模型的电力负荷峰值预测方法,其特征在于,包括:
以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类;
根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测;
所述贝叶斯网络模型根据聚类结果构建。
2.根据权利要求1所述的基于贝叶斯网络模型的电力负荷峰值预测方法,其特征在于,所述贝叶斯网络模型按下述过程构建:
基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构;
基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数。
3.根据权利要求2所述的基于贝叶斯网络模型的电力负荷峰值预测方法,其特征在于,所述基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构,包括:
设最佳贝叶斯网络结构与初始贝叶斯网络结构相同,根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分;
判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分;若是,则停止搜索,输出预设步数内第一步的贝叶斯网络结构作为最优网络结构;否则,通过智能搜索算法继续搜索最优网络结构。
4.根据权利要求3所述的基于贝叶斯网络模型的电力负荷峰值预测方法,其特征在于,根据贝叶斯评分准则,按下式计算预设步数内每一步的贝叶斯网络结构评分:
其中,Score表示预设步数内每一步的贝叶斯网络结构评分,L表示极大似然估计的对数似然函数值,M表示与概率密度函数有关的节点数量,P是当前贝叶斯网络结构中节点数量。
5.根据权利要求3所述的基于贝叶斯网络模型的电力负荷峰值预测方法,其特征在于,所述通过智能搜索算法继续搜索最优网络结构,包括:
将预设步数内评分最高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,通过在新一轮的初始贝叶斯网络结构上增加一条边、改变一条边的方向、或删除一条边,生成候选贝叶斯网络结构;
判断候选贝叶斯网络结构是否满足藐视准则;
若是,则将该候选贝叶斯网络结构作为最优网络结构,并用该候选贝叶斯网络结构对应的禁忌对象更新智能禁忌表;
否则,将预设步数内评分次高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,重复上述步骤,直至找到最优网络结构。
6.一种基于贝叶斯网络模型的电力负荷峰值预测装置,其特征在于,包括:
聚类模块,用于以获取的气象数据和数值化处理后的时间数据为聚类特征,对获取的负荷数据进行聚类;
预测模块,根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测;
所述贝叶斯网络模型根据聚类结果构建。
7.根据权利要求6所述的基于贝叶斯网络模型的电力负荷峰值预测装置,其特征在于,所述装置还包括建模模块,所述建模模块包括:
贝叶斯网络结构学习单元,用于基于聚类结果,采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构;
贝叶斯网络参数学习单元,用于基于聚类结果和贝叶斯网络结构,采用极大似然估计方法学习贝叶斯网络参数。
8.根据权利要求7所述的基于贝叶斯网络模型的电力负荷峰值预测装置,其特征在于,所述贝叶斯网络结构学习单元包括:
计算单元,用于设最佳贝叶斯网络结构与初始贝叶斯网络结构相同,根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分;
判断单元,用于判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分;若是,则停止搜索,输出预设步数内第一步的贝叶斯网络结构作为最优网络结构;否则,通过智能搜索算法继续搜索最优网络结构。
9.根据权利要求8所述的基于贝叶斯网络模型的电力负荷峰值预测装置,其特征在于,所述计算单元按下式计算预设步数内每一步的贝叶斯网络结构评分:
其中,Score表示预设步数内每一步的贝叶斯网络结构评分,L表示极大似然估计的对数似然函数值,M表示与概率密度函数有关的节点数量,P表示当前贝叶斯网络结构中节点数量。
10.根据权利要求8所述的基于贝叶斯网络模型的电力负荷峰值预测装置,其特征在于,所述判断单元具体用于:
将预设步数内评分最高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,通过在新一轮的初始贝叶斯网络结构上增加一条边、改变一条边的方向、或删除一条边,生成候选贝叶斯网络结构;
判断候选贝叶斯网络结构是否满足藐视准则;
若是,则将该候选贝叶斯网络结构作为最优网络结构,并用该候选贝叶斯网络结构对应的禁忌对象更新智能禁忌表;
否则,将预设步数内评分次高的贝叶斯网络结构作为新一轮的初始贝叶斯网络结构,重复上述步骤,直至找到最优网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913303.0A CN109002928A (zh) | 2018-08-13 | 2018-08-13 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913303.0A CN109002928A (zh) | 2018-08-13 | 2018-08-13 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002928A true CN109002928A (zh) | 2018-12-14 |
Family
ID=64596387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810913303.0A Pending CN109002928A (zh) | 2018-08-13 | 2018-08-13 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002928A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949079A (zh) * | 2019-03-04 | 2019-06-28 | 王汝平 | 基于贝叶斯网络模型的产品市场报告生成方法、装置 |
CN111596138A (zh) * | 2020-03-31 | 2020-08-28 | 杭州电子科技大学 | 一种基于贝叶斯推理的有源负载牵引系统的补偿方法 |
CN111612253A (zh) * | 2020-05-22 | 2020-09-01 | 广西电网有限责任公司 | 基于贝叶斯网络的配电网净负荷预测方法及系统 |
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050131848A1 (en) * | 2003-12-10 | 2005-06-16 | Chickering David M. | Scalable methods for learning bayesian networks |
CN104008433A (zh) * | 2014-06-03 | 2014-08-27 | 国家电网公司 | 基于贝叶斯动态模型的中长期电力负荷预测方法 |
CN105976069A (zh) * | 2016-05-30 | 2016-09-28 | 朱明增 | 基于地域性的贵港网区短期电力负荷预测系统和方法 |
CN106056164A (zh) * | 2016-06-13 | 2016-10-26 | 北京邮电大学 | 一种基于贝叶斯网络的分类预测方法 |
CN108197665A (zh) * | 2018-01-29 | 2018-06-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于并行演化搜索的贝叶斯网络结构学习方法 |
-
2018
- 2018-08-13 CN CN201810913303.0A patent/CN109002928A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050131848A1 (en) * | 2003-12-10 | 2005-06-16 | Chickering David M. | Scalable methods for learning bayesian networks |
CN104008433A (zh) * | 2014-06-03 | 2014-08-27 | 国家电网公司 | 基于贝叶斯动态模型的中长期电力负荷预测方法 |
CN105976069A (zh) * | 2016-05-30 | 2016-09-28 | 朱明增 | 基于地域性的贵港网区短期电力负荷预测系统和方法 |
CN106056164A (zh) * | 2016-06-13 | 2016-10-26 | 北京邮电大学 | 一种基于贝叶斯网络的分类预测方法 |
CN108197665A (zh) * | 2018-01-29 | 2018-06-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于并行演化搜索的贝叶斯网络结构学习方法 |
Non-Patent Citations (2)
Title |
---|
王书海 等: "BIC评分贝叶斯网络模型及其应用", 计算机工程 * |
郭国栋: "高渗透率下分布式决策的负荷预测模型", 黑龙江电力 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949079A (zh) * | 2019-03-04 | 2019-06-28 | 王汝平 | 基于贝叶斯网络模型的产品市场报告生成方法、装置 |
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN111832796B (zh) * | 2020-02-29 | 2022-12-23 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN111596138A (zh) * | 2020-03-31 | 2020-08-28 | 杭州电子科技大学 | 一种基于贝叶斯推理的有源负载牵引系统的补偿方法 |
CN111596138B (zh) * | 2020-03-31 | 2022-09-13 | 杭州电子科技大学 | 一种基于贝叶斯推理的有源负载牵引系统的补偿方法 |
CN111612253A (zh) * | 2020-05-22 | 2020-09-01 | 广西电网有限责任公司 | 基于贝叶斯网络的配电网净负荷预测方法及系统 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN112488399B (zh) * | 2020-12-04 | 2024-04-23 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002928A (zh) | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
Tsai et al. | Parallel cat swarm optimization | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN108133258A (zh) | 一种混合全局优化方法 | |
CN106855957A (zh) | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 | |
CN108694502A (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN106447133A (zh) | 一种基于深度自编码网络的短期电力负荷预测方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
Zhang et al. | ABC-TLBO: A hybrid algorithm based on artificial bee colony and teaching-learning-based optimization | |
Liu et al. | A survey of artificial bee colony algorithm | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Yang et al. | Intelligent scheduling for permutation flow shop with dynamic job arrival via deep reinforcement learning | |
Zhang et al. | The data mining technology of particle swarm optimization algorithm in earthquake prediction | |
CN111027760B (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
Wang et al. | The study of K-means based on hybrid SA-PSO algorithm | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
Tan et al. | A fast and stable forecasting model to forecast power load | |
CN115860190A (zh) | 负荷检测模型的训练、用电负荷的检测方法及相关装置 | |
Gao et al. | A prediction approach on energy consumption for public buildings using mind evolutionary algorithm and bp neural network | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 |
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 |