CN109492748B - 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 - Google Patents
一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 Download PDFInfo
- Publication number
- CN109492748B CN109492748B CN201811123955.0A CN201811123955A CN109492748B CN 109492748 B CN109492748 B CN 109492748B CN 201811123955 A CN201811123955 A CN 201811123955A CN 109492748 B CN109492748 B CN 109492748B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- neural network
- kpca
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 239000002245 particle Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004949 mass spectrometry Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：S1，获取某地区的负荷记录；S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：S2.1，获得原输入样本集；S2.2，将原输入样本集通过非线性映射变换到高维特征空间；S2.3，在高维特征空间做线性主成分分析KPCA；S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；S2.5，求解输入矩阵的特征值和特征向量；本发明能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度。
Description
技术领域
本发明涉及电力系统负荷预测技术领域，具体涉及一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法。
背景技术
电力系统负荷预测作为能量管理系统的重要组成部分，其预测误差的大小直接影响电网后续安全校核的分析结果，对电网动态状态估计、负荷调度和减少发电成本等方面具有重要意义。由于负荷本身的不确定性和复杂性，准确的负荷特性分析和预测模型建立是提高预测精度的关键所在。现有预测模型主要集中在浅层学习，在有限的样本和计算单元下对复杂函数的逼近能力有限，难以提取负荷序列的深层次特征，模型的泛化性能受到了限制，阻碍了预测精度的进一步提高。而近年来兴起的深度学习模型具有非常好的信息表达能力，鲁棒性和泛化性，已成功应用在图像识别、计算机视觉等诸多领域，并且在预测领域也开始崭露头角。
传统负荷预测方法主要有基于时间序列的ARMA模型、灰色预测法以及回归分析法等，该类方法所构建的预测模型简单，应用较为广泛，但是，对负荷序列的平稳性要求较高，大多只利用历史负荷进行预测，在某些情况下的预测精度会受到影响。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，该方法能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度。
本发明的目的通过下述技术方案实现：
一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：
S1，获取某地区的负荷记录；
S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：
S2.1，获得原输入样本集；
S2.2，将原输入样本集通过非线性映射变换到高维特征空间；
S2.3，在高维特征空间做线性主成分分析KPCA；
S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；
S2.5，求解输入矩阵的特征值和特征向量；
S3，基于S1中某地区的负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K-means均值聚类，具体步骤如下：
S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；
S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；
S3.3，计算每一类中的中心点作为新的中心点；
S3.4，重复上述S3.1至S3.3，直至每一类的中心点在每次迭代后变化不超过5％为止；
S4，将预测日前10天的数据作为横向数据；
S5，从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据；
S6，将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％-10％；
S7，设置横向数据和纵向数据的组合权值系数矩阵；
S8，将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘，得到的结果用于训练卷积神经网络FAST-RCNN。
优选地，所述步骤S1中获取负荷记录，具体为负荷原始数据每隔15min取一个值，全天一共取96个负荷值，同时还用当天的气象因素来计算综合气象指数，当天的气象因素如日平均气温、天气类型、平均湿度和平均风力。
优选地，所述步骤S5中选取相似日数据，即在相同聚类群落中随机选择样本，如果相似日数据不够，则重复选取已有数据。
优选地，所述步骤S7中设置横向数据和纵向数据的组合权值系数矩阵，其中运用CSO纵横交叉算法对组合权值系数进行优化，适应度函数为加权和与平均相似日负荷的误差。
优选地，所述CSO纵横交叉算法的搜索行为由横向交叉和纵向交叉两种方式组成，每次迭代时这两种方式将交替进行，交叉后得出的解称为中庸解；交叉后产生的子代，与其父代进行竞争，只有比父代适应度更好的子代才会被保留下来，竞争后得出的解称为占优解。
优选地，所述误差为平均绝对百分比误差MAPE。
优选地，所述步骤S8中训练卷积神经网络FAST-RCNN，训练结果的评价指标为：(1)均方根误差RMSE；(2)平均绝对百分比误差MAPE。
本发明与现有技术相比具有以下的有益效果：
(1)本发明能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度；
(2)本发明能够对获取到的负荷及相关天气等数据进行模糊聚类分析预处理；并根据模糊聚类分析算法对预处理后的用电负荷的历史数据进行KPCA主成分分析；进而在分类后的原始数据集中获取神经网络的训练数据，从而能够根据预先训练的神经网络，对负荷数据进行预测；
(3)本发明可采用完全硬件实施，完全软件实施，或结合软件和硬件方面的实施的形式；而且，本发明可采用在一个或多个其中包含有可用于计算机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，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。
附图说明
图1为本发明的流程图；
图2为本发明卷积神经网络模型的示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1～2所示，一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：
一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，包括下述步骤：
S1，获取某地区的负荷记录；
该步骤中获取负荷记录，具体为负荷原始数据每隔15min取一个值，全天一共取96个负荷值，同时还用当天的气象因素来计算综合气象指数，当天的气象因素例如日平均气温、天气类型、平均湿度和平均风力；气象因素用来计算综合气象指数THI(Temperature-Humidity Index)，综合气象指数越接近，说明两个日期的天气越相似。
S2，应用KPCA核主成分分析算法(Kernel Principal Component Analysis，KPCA)对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：
S2.1，获得原输入样本集；
S2.2，将原输入样本集通过非线性映射变换到高维特征空间；
S2.3，在高维特征空间做线性主成分分析KPCA；
S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；
S2.5，求解输入矩阵的特征值和特征向量。
S3，基于S1中负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K-means均值聚类，具体步骤如下：
S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；
S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；
S3.3，计算每一类中的中心点作为新的中心点；在上一步划分好的类或组中，计算该类或组的重心，将类或组内的中心点更新为刚刚计算出的重心，作为新的中心点；
S3.4，重复上述S3.1至S3.3，直至每一类中心点在每次迭代后变化不超过5％为止；或者多次随机初始化中心点，然后选择运行结果最好的一个；此步骤很难保证每次迭代后结果一致，一般变化不超过5％就认为变化不大，这里设定一个变化率的范围，工程上一般是5％，每次迭代的结果与父代比较，如果小于5％，那么迭代就停止，输出结果。
S4，将预测日前10天的数据作为横向数据。
S5，从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据；其中选取相似日数据，即在相同聚类群落中随机选择样本，如果相似日数据不够，则重复选取已有数据。
S6，将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％-10％；
S7，设置横向数据和纵向数据的组合权值系数矩阵；其中运用CSO纵横交叉算法(Crisscross optimization，CSO)对组合权值系数进行优化，适应度函数为加权和与平均相似日负荷的误差，该误差为平均绝对百分比误差MAPE(Mean Absolute PercentageError，MAPE)；
所述CSO纵横交叉算法(Crisscross optimization，CSO)的搜索行为由横向交叉和纵向交叉两种方式组成，每次迭代时这两种方式将交替进行，交叉后得出的解称为中庸解；交叉后产生的子代，与其父代进行竞争，只有比父代适应度更好的子代才会被保留下来，竞争后得出的解称为占优解。
S8，将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘，得到的结果用于训练卷积神经网络FAST-RCNN；卷积神经网络
FAST-RCNN是将RCNN卷积神经网络删去一两个池化层，从而使结构简化，其根据网络的实际运行速度由实验人员自己决定，优点是结构简单，训练耗时少，所以才被成为“FAST”；训练卷积神经网络FAST-RCNN的训练结果的评价指标为：(1)均方根误差RMSE(RootMean Square Error，RMSE)；(2)平均绝对百分比误差MAPE(Mean Absolute PercentageError，MAPE)。
为改善预测模型的工程实用性，本发明提出了一种新型的机器学习模型，该模型将快速卷积神经网络(FAST-RCNN)与纵横交叉算法(CSO)结合起来，应用于短期负荷预测，电力负荷数据采用了由AEMO(AUSTRALIAN ENERGY MARKET OPERATOR)收集负荷记录，从大规模的负荷数据中收集到横向和纵向的相似日负荷数据，用主成分分析(KPCA)进行数据降噪，设置横向预测和纵向预测的权值系数，再用纵横交叉算法(CSO)去找最优系数，得到最后的二维组合预测结果；
具体来说，步骤一，获取由AEMO澳大利亚能源运营商(AUSTRALIAN ENERGY MARKETOPERATOR)收集的澳大利亚五个州的负荷记录。
步骤二，应用KPCA对模型输入变量进行降噪处理；
Step1：初始输入变量(Xi)选取及数据处理。通过对某地区负荷的负荷特性进行分析，形成初始输入变量集合R＝{ri，i＝1，2，…，n}，并对各个输入因子ri的数据进行量化处理和归一化处理，具体公式如下：
xi＝[x-min(x)]/[max(x)-min(x)] (1)
Step2：KPCA特征降维。非线性映射函数选取高斯核函数：
其中xc为核函数中心，σ为函数的宽度参数。
Step3：进行非线性变换。按照累计方差贡献率高于90％这一标准选取主成份，形成新的训练集矩阵。
经过步骤一，产生原始输入变量矩阵X＝{xi，i＝1，2，…，m}，其中xi为ri归一化的结果，m为输入样本的数量；映射函数采用step2的高斯核函数k(x)。
Step4：经过以下公式向高维空间转换：
Step5：求协方差矩阵，并分解特征值和特征向量。
协方差矩阵为：
特征向量为：
对该协方差矩阵的特征值和特征向量进行求解得：
CFWF＝λFWF (6)
式中λF为协方差矩阵特征值。
Step6：给定对称矩阵K，其元素为K(xk,xj)＝{k(xk)·k(xj)}；必定存在一单位矩阵I，I为m×m矩阵，且
通过下述公式完成对公式(2)的中心化变换：
则公式(6)可以转换为：
步骤三，经过以上公式变换后就可以通过PCA提取主成份的常规方法计算得到数据的主成份。
步骤四，利用聚类算法得到相似日数据；
Step1：暂把数据分为10组，并随机初始化它们各自的中心点(具体多少组合适应用穷举法做对比)；中心点是与每个数据点向量长度相同的位置，这需要提前预知类的数量(即中心点的数量)。
Step2：计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。
Step3：计算每一类中中心点作为新的中心点。
Step4：重复以上步骤，直到每一类中心在每次迭代后变化不大为止；也可以多次随机初始化中心点，然后选择运行结果最好的一个。
步骤五，从聚类算法求得的相似日数据中选取10天的数据作为纵向数据，在相同聚类群落中随机选择足够的样本即可；如果相似日数据不够的话重复选取已有数据。
步骤六，将横向数据和纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％-10％。
步骤七，设置横向数据和纵向数据的权值系数。
以预测时刻负荷的前10天对应时刻点负荷作为输入，该点作为输出，将最大相似日负荷作为神经网络训练样本，以实际更新的预测日各时刻点负荷为预测的输入量，预测下一时刻点负荷；训练时CSO优化横向权值系数的适应度函数为最大相似日的预测值与实际值的误差。
横向交叉为两个粒子之间的算术交叉，交叉之前须对所有粒子进行随机两两不重复配对。假设粒子X(i)与粒子X(j)相配对，那么横向交叉通过下述公式表示：
MShc(i,d)＝r1·X(i,d)+(1-r1)·X(j,d)+c1(X(i,d)-X(j,d)) (9)
MShc(j,d)＝r2·X(j,d)+(1-r2)·X(i,d)+c2(X(j,d)-X(i,d)) (10)
上式中，c1、c2为[-1,1]上均匀分布的随机数；r1、r2为[0,1]上均匀分布的随机数；X(i,d)，X(j,d)分别为父代粒子i、j的第d维；MShc(i,d)、MShc(j,d)为父代粒子i、j产生的子代，称为中庸解。
横向交叉过程中粒子的两两配对将多维搜索空间划分成了种群数目一半的子空间，配对的粒子以较大的概率(p，通常取1)在它们各自的空间内进行交叉更新；为减少搜索盲区，增强算法的全局搜索能力，引入边缘搜索项，详见上述公式(9)和公式(10)的最后一项。
根据预测日的日类型及温湿度等参数选出相似日负荷曲线作为神经网络的训练样本，将最大相似日作为神经网络训练时的测试样本，即训练的输出，用误差作为CSO优化纵向权值系数的适应度函数。
与横向交叉不同，纵向交叉是所有粒子在不同维之间进行的交叉操作；纵向交叉引入维交叉概念，从而避免维局部最优问题；假设d1,d2为粒子i的不同维，那么它们进行纵向交叉后产生的子代为：
上式中，r为[0,1]上均匀分布的随机数；MSvc(i,d1)为粒子i第d1,d2维交叉后产生的子代；M为粒子数，D为总维度。
步骤八，将权值系数矩阵和训练集矩阵相乘，结果用于训练卷积神经网络FAST-RCNN；卷积神经网络一般由1-3个特征提取层以及最末尾的全连接层组合而成，每个特征提取层包括1个卷积层和1个子采样层，包含1个特征提取层的卷积神经网络结构如图1所示。
在卷积层中，原始数据通过卷积核进行卷积得到输出数据，使用不同卷积核就可以得到一系列不同的输出数据，卷积层计算采取下列公式：
子采样过程可表示如下：
式中
的含义不变，g(x)函数表示取平均值或取最高值。
经过以上卷积层和子采样层后得到的数据，将最终与全连接层相连，全连接层公式如下：
xl＝f(Il),Il＝Wlxl-1+θl (14)
上式中f(x)、
的含义与公式(10)一致，Wl是计算第l-1层到第l层的权重值，xl为输出数据。
步骤九，在上述计算过程中，每一个卷积核通过滑动重复作用在全部输入数据上，经过多个不同卷积核的卷积取得多组输出数据，同一卷积核权值相同，不同组的输出数据经过组合，再输出到子采样层；子采样层以前一卷积层的输出数据作为输人数据，首先设置取值位置的范围，然后通过滑动用取值范围中的平均值或最大值来充当该范围中的数值，最后将这些数据组合得到降维后的数据并经过全连接层输出结果。
本发明能够解决现有大规模负荷预测存在运算量大且处理较为繁琐复杂的问题，且大大提高了负荷预测的精度；能够对获取到的负荷及相关天气等数据进行模糊聚类分析预处理；并根据模糊聚类分析算法对预处理后的用电负荷的历史数据进行KPCA主成分分析；进而在分类后的原始数据集中获取神经网络的训练数据，从而能够根据预先训练的神经网络，对负荷数据进行预测；可采用完全硬件实施，完全软件实施，或结合软件和硬件方面的实施的形式；而且，本发明可采用在一个或多个其中包含有可用于计算机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，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。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (3)
1.一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，其特征在于，包括下述步骤：
S1，获取某地区的负荷记录；
S2，应用KPCA核主成分分析算法对模型输入变量进行降噪处理；其中所述KPCA核主成分分析算法进行模型降噪的具体步骤如下：
S2.1，获得原输入样本集；
S2.2，将原输入样本集通过非线性映射变换到高维特征空间；
S2.3，在高维特征空间做线性主成分分析KPCA；
S2.4，将高维特征空间的线性PCA和输入空间的非线性PCA一一对应；
S2.5，求解输入矩阵的特征值和特征向量；
S3，基于S1中某地区的负荷记录数据，利用聚类算法获得预测日类型的相似日数据，其中，所述聚类算法使用K-means均值聚类，具体步骤如下：
S3.1，首先选择一些类或组，并随机初始化其各自的中心点，中心点与数据点位于相同的位置；
S3.2，计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；
S3.3，计算每一类中的中心点作为新的中心点；
S3.4，重复上述S3.1至S3.3，直至每一类的中心点在每次迭代后变化不超过5％为止；
S4，将预测日前10天的数据作为横向数据；
S5，从S3聚类算法求得的相似日数据中选取10天的数据作为纵向数据；
S6，将S4中的横向数据和S5中的纵向数据组合成训练集矩阵和测试集矩阵，其中测试集矩阵只占总数据的5％-10％；
S7，设置横向数据和纵向数据的组合权值系数矩阵；其中运用CSO纵横交叉算法对组合权值系数进行优化，适应度函数为加权和与平均相似日负荷的误差；
所述CSO纵横交叉算法的搜索行为由横向交叉和纵向交叉两种方式组成，每次迭代时这两种方式将交替进行，交叉后得出的解称为中庸解；交叉后产生的子代，与其父代进行竞争，只有比父代适应度更好的子代才会被保留下来，竞争后得出的解称为占优解；
所述误差为平均绝对百分比误差MAPE；
S8，将S7中的组合权值系数矩阵和S6中的训练集矩阵相乘，得到的结果用于训练卷积神经网络FAST-RCNN；训练结果的评价指标为：(1)均方根误差RMSE；(2)平均绝对百分比误差MAPE。
2.根据权利要求1所述基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，其特征在于，所述步骤S1中获取负荷记录，具体为负荷原始数据每隔15min取一个值，全天一共取96个负荷值，同时还用当天的气象因素来计算综合气象指数，当天的气象因素如日平均气温、天气类型、平均湿度和平均风力。
3.根据权利要求1所述基于卷积神经网络的电力系统的中长期负荷预测模型建立方法，其特征在于，所述步骤S5中选取相似日数据，即在相同聚类群落中随机选择样本，如果相似日数据不够，则重复选取已有数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811123955.0A CN109492748B (zh) | 2018-09-26 | 2018-09-26 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811123955.0A CN109492748B (zh) | 2018-09-26 | 2018-09-26 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109492748A CN109492748A (zh) | 2019-03-19 |
| CN109492748B true CN109492748B (zh) | 2022-06-03 |
Family
ID=65689941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811123955.0A Active CN109492748B (zh) | 2018-09-26 | 2018-09-26 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492748B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210682A (zh) * | 2019-06-12 | 2019-09-06 | 云南电网有限责任公司大理供电局 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
| CN110852522B (zh) * | 2019-11-19 | 2024-03-29 | 南京工程学院 | 一种短期电力负荷预测方法及系统 |
| CN110991638B (zh) * | 2019-11-29 | 2024-01-05 | 国网山东省电力公司聊城供电公司 | 基于聚类及神经网络的广义负荷建模方法 |
| CN111091243A (zh) * | 2019-12-13 | 2020-05-01 | 南京工程学院 | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 |
| CN112418495A (zh) * | 2020-11-10 | 2021-02-26 | 江苏农林职业技术学院 | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 |
| CN113065715A (zh) * | 2021-04-21 | 2021-07-02 | 东南大学 | 一种综合能源系统多元负荷超短期预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
| EP3349168A1 (en) * | 2017-01-12 | 2018-07-18 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
| US20180253401A1 (en) * | 2017-03-02 | 2018-09-06 | Sony Corporation | Apparatus and method |
| CN108320046A (zh) * | 2017-12-27 | 2018-07-24 | 安徽机电职业技术学院 | 短期电力负荷预测建模方法 |
-
2018
- 2018-09-26 CN CN201811123955.0A patent/CN109492748B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3349168A1 (en) * | 2017-01-12 | 2018-07-18 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
| CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109492748A (zh) | 2019-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN112926645B (zh) | 一种基于边缘计算的窃电检测方法 | |
| CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
| CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
| CN114880538A (zh) | 基于自监督的属性图社团检测方法 | |
| 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 | |
| CN110335160A (zh) | 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统 | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230607 Address after: No. 52 Science Avenue, Huangpu District, Guangzhou City, Guangdong Province, 510000, 201202203204 Patentee after: Guangzhou Aote Information Technology Co.,Ltd. Address before: No. 100, Waihuan West Road, University Town, Guangzhou, Guangdong 510062 Patentee before: GUANGDONG University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |