CN109426901A - 一种中长期用电预测方法及装置 - Google Patents
一种中长期用电预测方法及装置 Download PDFInfo
- Publication number
- CN109426901A CN109426901A CN201710740904.1A CN201710740904A CN109426901A CN 109426901 A CN109426901 A CN 109426901A CN 201710740904 A CN201710740904 A CN 201710740904A CN 109426901 A CN109426901 A CN 109426901A
- Authority
- CN
- China
- Prior art keywords
- data
- bat
- long
- power consumption
- term
- 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
- 230000007774 longterm Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 230000005611 electricity Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000012843 least square support vector machine Methods 0.000 claims description 33
- 238000013439 planning Methods 0.000 claims description 15
- 238000000547 structure data Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 241000288673 Chiroptera Species 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种中长期用电预测方法及装置，所述方法包括：根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；利用蝙蝠算法优化中长期用电预测的最小二乘支持向量机模型的参数；利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测；本发明提供的技术方案，利用最小二乘支持向量机的算法原理，在有限样本数据的情况下，通过蝙蝠算法优化最小二乘支持向量机模型的正规化参数和核函数参数，使得模型具有更好的预测精度和泛化能力，可有效解决目前对于中长期用电预测方法不全面的问题。
Description
技术领域
本发明涉及中长期用电预测技术领域，具体涉及一种中长期用电预测方法及装置。
背景技术
中长期用电预测一般指对电力、电量负荷及其地区分布的以月、年为单位的预测。中长期用电预测是配电网中长期规划的前提和基础，其准确性直接关系到规划方案的质量和配电网的安全经济运行。
传统的中长期用电预测方法包括分产业产值单耗法、电力弹性系数法、分区负荷密度法、时间序列法、相关分析法、人均电量指标换算法。随着配电网信息化的快速发展和电力需求影响因素的逐渐增多，用电预测的大数据特征日益凸显，传统的用电预测方法已经不再适用。由于智能预测方法具备良好的非线性拟合能力，因此近年来用电预测领域出现了大量的研究成果，如人工神经网络、支持向量机等非线性预测算法已广泛地应用于用电预测中。
虽然神经网络模型可以实现中长期用电预测并且具有良好的非线性逼近能力，但其存在易陷入局部最优、出现过学习、计算效率低、泛化能力差等缺点且需要大样本数据量进行训练。
发明内容
本发明提供一种中长期用电预测方法及装置，其目的是利用最小二乘支持向量机的算法原理，在有限样本数据的情况下，通过蝙蝠算法优化最小二乘支持向量机模型的正规化参数和核函数参数，使得模型具有更好的预测精度和泛化能力，进而有效的解决目前对于中长期用电预测方法不全面的问题。
本发明的目的是采用下述技术方案实现的：
一种中长期用电预测方法，其改进之处在于，包括：
根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；
利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数；
利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测。
优选的，所述外部因素数据包括：经济水平数据、经济结构数据、人口数据以及气候数据、需求侧管理数据、地理环境数据、地区规划数据。
进一步的，在所述获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据之前，包括：将所述外部因素数据中转化为外部因素数据的定量数据，其中，所述经济水平数据包括GDP数据，所述经济结构数据包括第三产业占比数据，所述气候数据的包括冬季平均气温数据和夏季平均气温数据，所述需求侧管理数据的包括电价变化数据，所述地理环境数据包括地理位置数据，所述地区规划数据包括该地区规划和发展数据。
优选的，所述利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数，包括：
(1)利用中长期用电预测的最小二乘向量机模型的参数构建蝙蝠算法的参数中蝙蝠位置向量，并初始化蝙蝠算法的参数；
(2)根据所述蝙蝠位置向量更新中长期用电预测的最小二乘向量机模型的参数，并利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值；
(3)根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体；
(4)利用所述最优蝙蝠个体更新蝙蝠个体；
(5)若未达到最大迭代次数，则返回步骤(2)，若达到最大迭代次数则输出全局最优蝙蝠个体。
进一步的，所述蝙蝠算法的参数包括：蝙蝠种群大小n，最大迭代次数，蝙蝠的响度A，脉冲频率r，蝙蝠位置向量x，速度向量v，当前迭代次数t；
所述中长期用电预测的最小二乘向量机模型的参数包括：正规化参数c和核函数参数σ，其中，令所述正则化参数c∈[10,1000]，所述核函数参数σ∈[0.01,10]。
进一步的，所述初始化蝙蝠算法的参数，包括：
按下式初始化蝙蝠算法的参数中第i个蝙蝠位置向量xi：
xi＝xmin+rand(1,d)i×(xmax-xmin)
上式中，i∈[1,n]，rand(1,d)i为第i次产生1行d列的位于(0，1)区间的随机数，d＝2，xmax和xmin分别为(c,σ)的最大值和最小值。
进一步的，所述利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值，包括：
将所述训练数据中外部因素数据作为更新后的中长期用电预测的最小二乘向量机模型的自变量数据，将所述训练数据中外部因素数据对应的用电量数据作为更新后的中长期用电预测的最小二乘向量机模型的因变量数据进行训练，获取中长期用电预测模型，并将所述测试数据中的外部因素数据作为所述中长期用电预测模型的输入量，获取测试数据对应的用电量预测值；
按下式确定蝙蝠个体的适应度值：
上式中，m为测试数据的总年数，Yj为测试数据中第j年的实际值，为测试数据中第j年的预测值。
进一步的，所述根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体，包括：
对种群中所有蝙蝠个体的适应度值按大小进行排序，适应度值最小的蝙蝠位置向量对应的蝙蝠个体即为最优蝙蝠个体x*。
进一步的，所述利用所述最优蝙蝠个体更新蝙蝠个体，包括：
按下式更新第i个蝙蝠个体在第t次迭代次数的位置向量：
其中，fi t＝fmin+(fmax-fmin)×β，
上式中，为第i个蝙蝠个体在第t次迭代次数的位置向量，为第i个蝙蝠个体在第t-1次迭代次数的位置向量，fi t是第i个蝙蝠个体在第t次迭代次数的搜索脉冲频率，fi∈[fmin,fmax]，fmax和fmin为搜索脉冲频率的最大值和最小值，β为均匀分布的随机数，β∈[0,1]，为第i个蝙蝠个体在第t次迭代次数的速度，为第i个蝙蝠个体在第t-1次迭代次数的速度，x*为当前种群中最优蝙蝠个体。
进一步的，获取第i个蝙蝠个体在第t次迭代次数的位置向量之后，生成均匀分布随机数rand′，若rand′＞ri，则对当前种群中最优蝙蝠个体x*进行随机扰动，按下式在最优蝙蝠个体x*附近产生xnewi代替所述第i个蝙蝠个体在第t次迭代次数的位置向量
上式中，为代替的新的蝙蝠个体，ε为随机数，ε∈[-1,1]，At为所有蝙蝠在第t次迭代过程中的平均响度，其中，rand′为位于(0，1)区间的随机数；
若有rand′≤ri，则不更新
若rand′＜Ai，且的适应度值小于x*的适应度值，则更新脉冲频率ri和响度Ai，公式为：
上式中，为第i个蝙蝠个体在第t+1次迭代次数的响度，为第i个蝙蝠个体在当前迭代次数的响度，α为常数，α∈(0,1)，ri t+1为第i个蝙蝠个体在第t+1次迭代次数的脉冲频率，ri 0为第i个蝙蝠个体在第0次迭代次数的脉冲频率，γ为常数，γ＞0；
若rand′≥Ai或者的适应度值不小于x*的适应度值，则不更新
优选的，所述利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测，包括：
将预测日的外部因素数据作为优化参数后的中长期用电预测的最小二乘支持向量机模型的输入，获取预测日的用电量数据。
一种中长期用电预测装置，其改进在于，所述装置包括：
获取单元，用于根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；
优化单元，用于利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数；
预测单元，用于利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测。
本发明的有益效果：
本发明提供的技术方案，先选取影响中长期用电量的外部因素及其对应的用电量数据建立训练数据和测试数据，通过构建最小二乘支持向量机预测模型，实现在有限样本数据的情形下对中长期用电的有效预测，在现存的研究中，最小二乘支持向量机中的正规化参数和核函数参数两个参数大多还是凭个人经验、实验对比或者网格搜索法及交叉验证等方法进行寻优，这样做耗时，效率低下而且预测结果不佳，本发明提供的技术方案中，利用训练数据和测试数据对预测模型的参数进行寻优，改善了模型的适应性，提高模型的泛化能力和预测精度，为利用最小二乘支持向量机模型解决非线性、高维的用电预测问题提供了新的思路；其中，可以利用简单、搜索能力强、收敛速度快的蝙蝠算法进行参数寻优，进一步的，基于本发明提供的技术方案，为合理安排电源和电网的建设进度提供宏观决策的依据，使电力建设满足国民经济增长和人民生活水平提高的需要。
附图说明
图1是本发明一种中长期用电预测方法的流程图；
图2是本发明蝙蝠算法的流程图；
图3是本发明实施例中不同模型预测结果的示意图；
图4是本发明一种中长期用电预测装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。
基于统计学习理论和结构风险最小化原则的支持向量机模型能够有效地解决小样本、非线性、维数过多和局部最优等问题。中长期用电预测是一个高维时序数据多因素问题，并且其数据序列通常是非线性的小样本数据，具有良好泛化能力的支持向量机方法在小样本数据情况下预测效果仍优于传统模型和神经网络模型。近年来，最小二乘支持向量机的提出更是有效降低了支持向量机的计算复杂性，加快了求解速度，从而比标准SVM更简捷、收敛速度更快。
在现存的研究中，最小二乘支持向量机的两个参数大多还是凭个人经验、实验对比或者网格搜索法及交叉验证等方法进行寻优，这样做耗时，效率低下而且预测结果不佳，而本发明提供的基于蝙蝠算法确定的中长期用电预测的最小二乘支持向量机模型的最优参数克服了上述的不足。
本发明提供的一种中长期用电预测方法，如图1所示，包括：
101、根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；
102、利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数；
103、利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测。
具体的，首先，根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据，所述步骤101中，所述外部因素数据包括：经济水平数据、经济结构数据、人口数据以及气候数据、需求侧管理数据、地理环境数据、地区规划数据。
进一步的，需将所述外部因素数据中转化为外部因素数据的定量数据，其中，所述经济水平数据包括GDP数据，所述经济结构数据包括第三产业占比数据，所述气候数据包括冬季平均气温数据和夏季平均气温数据，所述需求侧管理数据包括电价变化数据，所述地理环境数据包括地理位置数据，所述地区规划数据包括该地区规划和发展数据。
本发明提供的实施例中，所述电价变化数据可以包括：某省现行居民用户峰谷分时电价，其中，居民月用电量分为三个档次，第一档为230度及以内，维持现行电价标准；第二档为231度—400度，在第一档电价的基础上，每度加价0.05元；第三档为高于400度部分，在第一档电价的基础上，每度加价0.3元；
所述地理位置数据，可以包括：《配电网设计规划技术导则》将配电网所在地理区域分为A+、A、B、C、D五类区域；
所述该地区规划和发展数据，可以包括：规划区域面积、规划人口密度、经济结构和经济发展目标、重大社会事件计划数据(例如大型体育赛事活动)。
以某地区1997-2008年负荷原始数据为例进行说明，外部因素数据包括：经济水平数据、经济结构数据、人口数据以及气候数据；
其中，所述经济水平数据包括GDP，所述经济结构数据包括第三产业占比，所述气候数据包括冬季平均气温和夏季平均气温；
则某地区1997-2008年的外部因素数据及其对应的用电量数据如下：
表1某地区1997-2008年的外部因素数据及其对应的用电量数据
获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据后，利用模型简单、搜索能力强、收敛速度快的蝙蝠算法优化最小二乘支持向量机模型，优化后的最小二乘支持向量机模型具有很好的适用性和较高的预测精度，所述步骤102，如图2所示，包括：
(1)利用中长期用电预测的最小二乘向量机模型的参数构建蝙蝠算法的参数中蝙蝠位置向量，并初始化蝙蝠算法的参数；
(2)根据所述蝙蝠位置向量更新中长期用电预测的最小二乘向量机模型的参数，并利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值；
(3)根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体；
(4)利用所述最优蝙蝠个体更新蝙蝠个体；
(5)若未达到最大迭代次数，则返回步骤(2)，若达到最大迭代次数则输出全局最优蝙蝠个体。
在实际应用中，最小二乘向量机模型的性能依赖于其参数的选择，要建立最优化的预测模型，必须进行参数寻优，本发明的最小二乘向量机模型选用径向基函数(RBF)作为核函数，正规化参数c和核函数参数σ由蝙蝠算法(BA)自动搜索进行优化；
所述蝙蝠算法的参数包括：蝙蝠种群大小n，最大迭代次数，蝙蝠的响度A，脉冲频率r，蝙蝠位置向量x，速度向量v，当前迭代次数t；例如，设置蝙蝠算法的参数如表2所示：
表2蝙蝠算法的主要参数
| 主要参数 | 值 |
| 初始种群规模 | 20 |
| 初始响度 | 0.25 |
| 发射频度 | 0.5 |
| 最小频率 | 0 |
| 最大频率 | 10 |
| 最大迭代次数 | 200 |
所述中长期用电预测的最小二乘向量机模型的参数包括：正规化参数c和核函数参数σ，其中，令所述正则化参数c∈[10,1000]，所述核函数参数σ∈[0.01,10]。
其中，利用rand来确定所述初始化蝙蝠算法的参数，包括：
按下式初始化蝙蝠算法的参数中第i个蝙蝠位置向量xi：
xi＝xmin+rand(1,d)i×(xmax-xmin)
上式中，i∈[1,n]，rand(1,d)i为第i次产生1行d列的位于(0，1)区间的随机数，d＝2，xmax和xmin分别为(c,σ)的最大值和最小值。
所述利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值，包括：
将所述训练数据中外部因素数据作为更新后的中长期用电预测的最小二乘向量机模型的自变量数据，将所述训练数据中外部因素数据对应的用电量数据作为更新后的中长期用电预测的最小二乘向量机模型的因变量数据进行训练，获取中长期用电预测模型，并将所述测试数据中的外部因素数据作为所述中长期用电预测模型的输入量，获取测试数据对应的用电量预测值；
其中，按下式确定蝙蝠个体的适应度值：
上式中，m为测试数据的总年数，Yj为测试数据中第j年的实际值，为测试数据中第j年的预测值。
例如，将1997-2004年外部因素数据作为更新后的中长期用电预测的最小二乘向量机模型的自变量数据，将1997-2004年的用电量数据作为更新后的中长期用电预测的最小二乘向量机模型的因变量数据进行训练，获取中长期用电预测模型，并将2005-2008年外部因素数据作为所述中长期用电预测模型的输入量，获取2005-2008年的用电量预测值；
所述根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体，包括：
对种群中所有蝙蝠个体的适应度值按大小进行排序，适应度值最小的蝙蝠位置向量对应的蝙蝠个体即为最优蝙蝠个体x*。
具体的，所述利用所述最优蝙蝠个体更新蝙蝠个体，包括：
按下式更新第i个蝙蝠个体在第t次迭代次数的位置向量：
其中，fi t＝fmin+(fmax-fmin)×β，
上式中，为第i个蝙蝠个体在第t次迭代次数的位置向量，为第i个蝙蝠个体在第t-1次迭代次数的位置向量，fi t是第i个蝙蝠个体在第t次迭代次数的搜索脉冲频率，fi∈[fmin,fmax]，fmax和fmin为搜索脉冲频率的最大值和最小值，β为均匀分布的随机数，β∈[0,1]，为第i个蝙蝠个体在第t次迭代次数的速度，为第i个蝙蝠个体在第t-1次迭代次数的速度，x*为当前种群中最优蝙蝠个体；
获取第i个蝙蝠个体在第t次迭代次数的位置向量之后，生成均匀分布随机数rand′；
具体的，若rand′＞ri，则对当前种群中最优蝙蝠个体x*进行随机扰动，按下式在最优蝙蝠个体x*附近产生xnewi代替所述第i个蝙蝠个体在第t次迭代次数的位置向量
上式中，为代替的新的蝙蝠个体，ε为随机数，ε∈[-1,1]，At为所有蝙蝠在第t次迭代过程中的平均响度，其中，rand′为位于(0，1)区间的随机数；
若有rand′≤ri，则不更新
若rand′＜Ai，且的适应度值小于x*的适应度值，则更新脉冲频率ri和响度Ai，公式为：
上式中，为第i个蝙蝠个体在第t+1次迭代次数的响度，为第i个蝙蝠个体在当前迭代次数的响度，α为常数，α∈(0,1)，ri t+1为第i个蝙蝠个体在第t+1次迭代次数的脉冲频率，ri 0为第i个蝙蝠个体在第0次迭代次数的脉冲频率，γ为常数，γ＞0；
若rand′≥Ai或者的适应度值不小于x*的适应度值，则不更新
利用上述实施例中所给数据，最终得出优化中长期用电预测的最小二乘支持向量机模型的正规化参数c和核函数参数σ分别为21.185和2.937。
其中，所述利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测，包括：
将预测日的外部因素数据作为优化参数后的中长期用电预测的最小二乘支持向量机模型的输入，获取预测日的用电量数据。
为了突出本发明提出的方法，本实施例同时利用粒子群算法(PSO)、和声搜索算法(HS)对最小二乘向量机(LSSVM)模型进行参数寻优。另外，也采用基于网格搜索及交叉验证的LSSVM模型和BP神经网络模型对2005-2008年的外部因素数据及其对应的用电量数据进行训练和预测。本实施例选用均方误差(MSE)、平均绝对误差(MAE)、均方根相对误差(RMSE)三个指标作为评价各种模型预测效果的依据：
上式中，n表示测试数据的总年数，Yi为测试数据中第i年的实际值，为测试数据中第i年的预测值。
利用上述模型对某地区2005至2008年的外部因素数据及其对应的用电量数据进行预测，预测结果如图3所示，不同模型的预测误差统计结果如表3所示。
表3不同模型预测结果分析
| 指标 | BA-LSSVM | PSO-LSSVM | HS-LSSVM | LSSVM | BP神经网络 |
| MSE | 0.028 | 0.044 | 0.030 | 0.083 | 0.128 |
| RMSE | 0.090 | 0.213 | 0.228 | 0.287 | 0.412 |
| MAE | 0.041 | 0.140 | 0.114 | 0.238 | 0.426 |
综合图3和表3的结果来看，在这些改进的LSSVM模型中，基于BA改进的LSSVM预测模型能够显著提高LSSVM模型的预测精度。并且，就MSE、RMSE、MAE三个评价指标而言，BA-LSSVM模型达到的预测效果明显优于其他预测模型。
本发明还提供一种中长期用电预测装置，如图4所示，所述装置包括：
获取单元，用于根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；
优化单元，用于利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数；
预测单元，用于利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测。
其中，所述外部因素数据包括：经济水平数据、经济结构数据、人口数据以及气候数据、需求侧管理数据、地理环境数据、地区规划数据。
进一步的，所述获取单元包括：转化模块，用于将所述外部因素数据中转化为外部因素数据的定量数据，其中，所述经济水平数据包括GDP数据，所述经济结构数据包括第三产业占比数据，所述气候数据包括冬季平均气温数据和夏季平均气温数据，所述需求侧管理数据包括电价变化数据，所述地理环境数据包括地理位置数据，所述地区规划数据包括该地区规划和发展数据。
所述优化单元，包括：
设置模块，用于利用中长期用电预测的最小二乘向量机模型的参数构建蝙蝠算法的参数中蝙蝠位置向量，并初始化蝙蝠算法的参数；
具体的，所述蝙蝠算法的参数包括：蝙蝠种群大小n，最大迭代次数，蝙蝠的响度A，脉冲频率r，蝙蝠位置向量x，速度向量v，当前迭代次数t；
所述中长期用电预测的最小二乘向量机模型的参数包括：正规化参数c和核函数参数σ，其中，令所述正则化参数c∈[10,1000]，所述核函数参数σ∈[0.01,10]。
初始化模块，用于根据所述蝙蝠位置向量更新中长期用电预测的最小二乘向量机模型的参数，并利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值；
第一确定模块，用于按下式初始化蝙蝠算法的参数中第i个蝙蝠位置向量xi：
xi＝xmin+rand(1,d)i×(xmax-xmin)
上式中，i∈[1,n]，rand(1,d)i为第i次产生1行d列的位于(0，1)区间的随机数，d＝2，xmax和xmin分别为(c,σ)的最大值和最小值。
第二确定模块，用于利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值：
具体为：将所述训练数据中外部因素数据作为更新后的中长期用电预测的最小二乘向量机模型的自变量数据，将所述训练数据中外部因素数据对应的用电量数据作为更新后的中长期用电预测的最小二乘向量机模型的因变量数据进行训练，获取中长期用电预测模型，并将所述测试数据中的外部因素数据作为所述中长期用电预测模型的输入量，获取测试数据对应的用电量预测值；
第三确定模块，用于按下式确定蝙蝠个体的适应度值：
上式中，m为测试数据的总年数，Yj为测试数据中第j年的实际值，为测试数据中第j年的预测值。
优化模块，用于根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体：
具体为：对种群中所有蝙蝠个体的适应度值按大小进行排序，适应度值最小的蝙蝠位置向量对应的蝙蝠个体即为最优蝙蝠个体x*。
更新模块，用于利用所述最优蝙蝠个体更新蝙蝠个体，包括：
第四确定模块，用于按下式更新第i个蝙蝠个体在第t次迭代次数的位置向量：
其中，fi t＝fmin+(fmax-fmin)×β，
上式中，为第i个蝙蝠个体在第t次迭代次数的位置向量，为第i个蝙蝠个体在第t-1次迭代次数的位置向量，fi t是第i个蝙蝠个体在第t次迭代次数的搜索脉冲频率，fi∈[fmin,fmax]，fmax和fmin为搜索脉冲频率的最大值和最小值，β为均匀分布的随机数，β∈[0,1]，为第i个蝙蝠个体在第t次迭代次数的速度，为第i个蝙蝠个体在第t-1次迭代次数的速度，x*为当前种群中最优蝙蝠个体。
第五确定模块，用于获取第i个蝙蝠个体在第t次迭代次数的位置向量之后，生成均匀分布随机数rand′，其中：
若rand′＞ri，则对当前种群中最优蝙蝠个体x*进行随机扰动，按下式在最优蝙蝠个体x*附近产生xnewi代替所述第i个蝙蝠个体在第t次迭代次数的位置向量
上式中，为代替的新的蝙蝠个体，ε为随机数，ε∈[-1,1]，At为所有蝙蝠在第t次迭代过程中的平均响度，其中，rand′为位于(0，1)区间的随机数；
若有rand′≤ri，则不更新
若rand′＜Ai，且的适应度值小于x*的适应度值，则更新脉冲频率ri和响度Ai，公式为：
上式中，为第i个蝙蝠个体在第t+1次迭代次数的响度，为第i个蝙蝠个体在当前迭代次数的响度，α为常数，α∈(0,1)，ri t+1为第i个蝙蝠个体在第t+1次迭代次数的脉冲频率，ri 0为第i个蝙蝠个体在第0次迭代次数的脉冲频率，γ为常数，γ＞0；
若rand′≥Ai或者的适应度值不小于x*的适应度值，则不更新
所述预测单元，用于将预测日的外部因素数据作为优化参数后的中长期用电预测的最小二乘支持向量机模型的输入，获取预测日的用电量数据。
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，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：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，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种中长期用电预测方法，其特征在于，所述方法包括：
根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；
利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数；
利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测。
2.如权利要求1所述的方法，其特征在于，所述外部因素数据包括：经济水平数据、经济结构数据、人口数据以及气候数据、需求侧管理数据、地理环境数据、地区规划数据。
3.如权利要求2所述的方法，其特征在于，所述经济水平数据包括GDP数据，所述经济结构数据包括第三产业占比数据，所述气候数据包括冬季平均气温数据和夏季平均气温数据，所述需求侧管理数据包括电价变化数据，所述地理环境数据包括地理位置数据，所述地区规划数据包括该地区规划和发展数据。
4.如权利要求1所述的方法，其特征在于，所述利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数，包括：
(1)利用中长期用电预测的最小二乘向量机模型的参数构建蝙蝠算法的参数中蝙蝠位置向量，并初始化蝙蝠算法的参数；
(2)根据所述蝙蝠位置向量更新中长期用电预测的最小二乘向量机模型的参数，并利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值；
(3)根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体；
(4)利用所述最优蝙蝠个体更新蝙蝠个体；
(5)若未达到最大迭代次数，则返回步骤(2)，若达到最大迭代次数则输出全局最优蝙蝠个体。
5.如权利要求4所述的方法，其特征在于，所述蝙蝠算法的参数包括：蝙蝠种群大小n，最大迭代次数，蝙蝠的响度A，脉冲频率r，蝙蝠位置向量x，速度向量v，当前迭代次数t；
所述中长期用电预测的最小二乘向量机模型的参数包括：正规化参数c和核函数参数σ，其中，令所述正则化参数c∈[10,1000]，所述核函数参数σ∈[0.01,10]。
6.如权利要求5所述的方法，其特征在于，所述初始化蝙蝠算法的参数，包括：
按下式初始化蝙蝠算法的参数中第i个蝙蝠位置向量xi：
xi＝xmin+rand(1,d)i×(xmax-xmin)
上式中，i∈[1,n]，rand(1,d)i为第i次产生1行d列的位于(0，1)区间的随机数，d＝2，xmax和xmin分别为(c,σ)的最大值和最小值。
7.如权利要求4所述的方法，其特征在于，所述利用所述训练数据训练更新参数后的中长期用电预测的最小二乘向量机模型，根据所述测试数据确定蝙蝠个体的适应度值，包括：
将所述训练数据中外部因素数据作为更新后的中长期用电预测的最小二乘向量机模型的自变量数据，将所述训练数据中外部因素数据对应的用电量数据作为更新后的中长期用电预测的最小二乘向量机模型的因变量数据进行训练，获取中长期用电预测模型，并将所述测试数据中的外部因素数据作为所述中长期用电预测模型的输入量，获取测试数据对应的用电量预测值；
按下式确定蝙蝠个体的适应度值：
上式中，m为测试数据的总年数，Yj为测试数据中第j年的实际值，为测试数据中第j年的预测值。
8.如权利要求4所述的方法，其特征在于，所述根据全部蝙蝠个体的适应度值获取当前最优蝙蝠个体，包括：
对种群中所有蝙蝠个体的适应度值按大小进行排序，适应度值最小的蝙蝠位置向量对应的蝙蝠个体即为最优蝙蝠个体x*。
9.如权利要求4所述的方法，其特征在于，所述利用所述最优蝙蝠个体更新蝙蝠个体，包括：
按下式更新第i个蝙蝠个体在第t次迭代次数的位置向量：
其中，fi t＝fmin+(fmax-fmin)×β，
上式中，为第i个蝙蝠个体在第t次迭代次数的位置向量，为第i个蝙蝠个体在第t-1次迭代次数的位置向量，fi t是第i个蝙蝠个体在第t次迭代次数的搜索脉冲频率，fi∈[fmin,fmax]，fmax和fmin为搜索脉冲频率的最大值和最小值，β为均匀分布的随机数，β∈[0,1]，为第i个蝙蝠个体在第t次迭代次数的速度，为第i个蝙蝠个体在第t-1次迭代次数的速度，x*为当前种群中最优蝙蝠个体。
10.如权利要求9所述的方法，其特征在于，获取第i个蝙蝠个体在第t次迭代次数的位置向量之后，生成均匀分布随机数rand′，若rand′＞ri，则对当前种群中最优蝙蝠个体x*进行随机扰动，按下式在最优蝙蝠个体x*附近产生xnewi代替所述第i个蝙蝠个体在第t次迭代次数的位置向量
上式中，为代替的新的蝙蝠个体，ε为随机数，ε∈[-1,1]，At为所有蝙蝠在第t次迭代过程中的平均响度，其中，rand′为位于(0，1)区间的随机数；
若有rand′≤ri，则不更新
若rand′＜Ai，且的适应度值小于x*的适应度值，则更新脉冲频率ri和响度Ai，公式为：
上式中，为第i个蝙蝠个体在第t+1次迭代次数的响度，为第i个蝙蝠个体在当前迭代次数的响度，α为常数，α∈(0,1)，ri t+1为第i个蝙蝠个体在第t+1次迭代次数的脉冲频率，ri 0为第i个蝙蝠个体在第0次迭代次数的脉冲频率，γ为常数，γ＞0；
若rand′≥Ai或者的适应度值不小于x*的适应度值，则不更新
11.如权利要求1所述的方法，其特征在于，所述利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测，包括：
将预测日的外部因素数据作为优化参数后的中长期用电预测的最小二乘支持向量机模型的输入，获取预测日的用电量数据。
12.一种中长期用电预测装置，其特征在于，所述装置包括：
获取单元，用于根据历史日的外部因素数据及其对应的用电量数据，获取中长期用电预测的最小二乘支持向量机模型的训练数据和测试数据；
优化单元，用于利用所述训练数据和测试数据优化中长期用电预测的最小二乘支持向量机模型的参数；
预测单元，用于利用优化参数后的中长期用电预测的最小二乘支持向量机模型进行中长期用电预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710740904.1A CN109426901A (zh) | 2017-08-25 | 2017-08-25 | 一种中长期用电预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710740904.1A CN109426901A (zh) | 2017-08-25 | 2017-08-25 | 一种中长期用电预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109426901A true CN109426901A (zh) | 2019-03-05 |
Family
ID=65499356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710740904.1A Pending CN109426901A (zh) | 2017-08-25 | 2017-08-25 | 一种中长期用电预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109426901A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368900A (zh) * | 2020-02-28 | 2020-07-03 | 桂林电子科技大学 | 一种图像目标物识别方法 |
| CN113406500A (zh) * | 2021-06-29 | 2021-09-17 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
| CN113869600A (zh) * | 2021-10-18 | 2021-12-31 | 国网江苏省电力有限公司营销服务中心 | 基于随机森林与二次修正的峰谷差中长期预测方法 |
| CN113869552A (zh) * | 2021-08-26 | 2021-12-31 | 国网河北省电力有限公司邢台供电分公司 | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013078541A1 (en) * | 2011-11-29 | 2013-06-06 | Energy Aware Technology Inc. | Method and system for forecasting power requirements using granular metrics |
| CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
| CN105243428A (zh) * | 2015-09-07 | 2016-01-13 | 天津市市政工程设计研究院 | 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
-
2017
- 2017-08-25 CN CN201710740904.1A patent/CN109426901A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013078541A1 (en) * | 2011-11-29 | 2013-06-06 | Energy Aware Technology Inc. | Method and system for forecasting power requirements using granular metrics |
| CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
| CN105243428A (zh) * | 2015-09-07 | 2016-01-13 | 天津市市政工程设计研究院 | 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| QUNLI WU AND CHENYANG PENG: "Wind power grid connected capacity prediction using LSSVM optimized by the bat algorithm", 《ENERGIES》 * |
| 周华鑫: "基于PSOEM-LSSVM的中长期电力负荷预测及其研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368900A (zh) * | 2020-02-28 | 2020-07-03 | 桂林电子科技大学 | 一种图像目标物识别方法 |
| CN113406500A (zh) * | 2021-06-29 | 2021-09-17 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
| CN113869552A (zh) * | 2021-08-26 | 2021-12-31 | 国网河北省电力有限公司邢台供电分公司 | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 |
| CN113869600A (zh) * | 2021-10-18 | 2021-12-31 | 国网江苏省电力有限公司营销服务中心 | 基于随机森林与二次修正的峰谷差中长期预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
| Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
| Tan et al. | Ultra-short-term wind power prediction by salp swarm algorithm-based optimizing extreme learning machine | |
| Zhao et al. | An optimized grey model for annual power load forecasting | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
| CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
| CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
| He et al. | Probability density forecasting of wind power based on multi-core parallel quantile regression neural network | |
| CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
| CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN103699944A (zh) | 一种多预测模式的风电光伏发电功率预测系统 | |
| CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
| CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
| CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
| CN107276069A (zh) | 一种地区电网居民温控负荷的近似聚合建模方法及系统 | |
| Li et al. | A comparative study on prediction methods for China's medium-and long-term coal demand | |
| CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
| Pu et al. | UFNGBM (1, 1): A novel unbiased fractional grey Bernoulli model with Whale Optimization Algorithm and its application to electricity consumption forecasting in China | |
| Hao et al. | Reinforcement learning for building energy optimization through controlling of central HVAC system | |
| Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
| CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
| CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
| CN105046057B (zh) | 基于Morlet小波核的LSSVM脉动风速预测方法 | |
| Niu et al. | Cooperation search algorithm for power generation production operation optimization of cascade hydropower reservoirs |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190305 |