CN109583635A - 一种面向运行可靠性的短期负荷预测建模方法 - Google Patents
一种面向运行可靠性的短期负荷预测建模方法 Download PDFInfo
- Publication number
- CN109583635A CN109583635A CN201811367837.4A CN201811367837A CN109583635A CN 109583635 A CN109583635 A CN 109583635A CN 201811367837 A CN201811367837 A CN 201811367837A CN 109583635 A CN109583635 A CN 109583635A
- Authority
- CN
- China
- Prior art keywords
- short
- training sample
- particle
- rvm
- clustering
- 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 38
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 27
- 239000002245 particle Substances 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000013277 forecasting method Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (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
本发明公开了一种面向运行可靠性的短期负荷预测建模方法,在借鉴人工智能与机器学习方法构成的组合预测方法的基础上,通过采用改进的模糊C均值聚类方法提取相似日,其次根据负荷特性和相似日构造数据样本,采用db4小波分解出不同数据样本的低频周期分量以及高频波动分量,再采用改进的粒子群和相关向量机(PSO‑RVM)算法分别对低频周期分量以及高频随机分量进行预测,最后将各小波预测结果叠加,计算得到短期负荷的预测值,以供可靠性评估安全性计算采用,同时可计算给出概率分布,供充裕度计算使用。
Description
技术领域
本发明涉及电力系统运行可靠性计算领域,特别涉及一种面向运行可靠性的短期负荷预测建模方法。
背景技术
电力系统运行可靠性需计及设备自身健康状况、外部环境条件、系统运行条件和系统运行行为,在潮流计算和稳定计算基础上,以得到不同负荷水平下的系统短期充裕度和安全性指标。为反应系统短期运行行为对运行可靠性的影响,仅建立负荷概率模型远远不能满足系统安全性评估的要求,因此,需建立一种面向运行可靠性的短期负荷预测模型,以满足系统短期充裕度和安全性指标的计算精度和速度的要求。
目前,如何利用海量数据建立可靠的预测模型、提出高效的预测方法是短期负荷预测研究的重点和难点,其中以神经网络、支持向量机为代表的人工智能与机器学习方法得到了不断的发展与应用。文献[1-2]综合考虑天气、温度、日期类型等因素的影响建立了短期负荷预测模型,利用改进的粒子群算法对模型的初始参数进行优化,之后采用LM 学习算法对优化后的网络进行训练,以达到提高预测精度的目的。为充分挖掘历史数据特征,文献[3]基于负荷序列分段下模式相似度量原理,采用模糊聚类与函数小波核回归组合预测模型,建立基于数据驱动的非参数模型,从而提高了预测精度,降低了计算量。文献[4]选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9 个属性作为多源异构影响因素,利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成,采用双层多核学习算法,建立了并行化多核支持向量机(SVM) 负荷预测算法流程,并在Hadoop集群上进行了仿真验证。表明了多核SVM能有效处理负荷预测中的多源异构数据,经并行化处理后,能提高负荷预测的速度与精度。文献[5] 提出了一种基于小波-原子稀疏分解(WD-ASD)的超短期负荷预测模型。该模型使用模糊聚类算法提取相似日为历史数据,采用小波分解(WD)作为前置环节,以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子稀疏分解(ASD)预测模型,分别对负荷的高低频分量进行预测,并将结果相加得到最终预测值。
然而,上述研究均着重在人工智能与机器学习方法构成的组合预测方法上,存在研究成果未给出负荷的概率分布,且当训练样本数量大时计算速度较慢,但训练样本小时精度不够等问题。因此,在借鉴上述学者研究成果的基础上,为建立既能提供充裕度指标评估所需的概率模型,又能提供系统安全性评估所需的精确模型,提出了一种面向运行可靠性的短期负荷预测建模方法。
发明内容
有鉴于此,本发明的目的是一种面向运行可靠性的短期负荷预测建模方法,既能用于充裕度指标评估又能用于安全性指标评估的短期负荷预测模型,可以满足系统短期充裕度和安全性指标的计算要求。
本发明的目的是通过以下技术方案实现的:
该种面向运行可靠性的短期负荷预测建模方法,包括以下步骤:
步骤S1:取样本历史负荷数据,根据影响因素对短期负荷做分类处理,采用模糊C均值聚类方法FCM以提取出与预测日相似特征的负荷数据,从而构成相似日负荷集;
步骤S2:采用db4小波对训练样本进行3层小波分解和重构,每个训练样本得到1个低频分量和3个高频分量子序列,采用各聚类负荷序列对应各层小波构造不同训练样本;
步骤S3:改进PSO-RVM回归拟合,采用粒子群算法PSO对高斯核函数的带宽参数进行优化,以提高带宽;
步骤S4:使用改进的PSO-RVM算法分别对低频周期分量以及高频波动分量进行预测,将各小波预测结果叠加。
进一步,所述步骤S1进一步包括以下步骤:
步骤S11:利用Sturges公式和二分法确定最佳分类数N以进行模糊聚类,具体步骤如下:
A.按Sturges公式确定最大分类数为NH=1+log(X)/log(2),最小分类数NL=1;
B.令分别取NC=NZ-1、NZ、NZ+1,进行聚类分析并存储相应的分析结果,同时得到模型的显著性水平U1、U2、U3;
采用模型的显著性水平来表征聚类方案的好坏,其中d0为各聚类中心Ci间最小距离,即 d0=min(Ci-Ci+1);σl为每个分类中各样本Ai={ai1…ail}与该类中心Ci={ci1…cil}的最大距离,即
C.若U2≥U1且U2≥U3,则转D;若U1≤U2≤U3,则取NL=NZ;若U3≤U2≤U1,则取NH=NZ;若NL=NH,则转D,否则转B;
D.计算结束;
步骤S12:对训练样本进行聚类后,确定最佳聚类数;
步骤S2:采用db4小波对训练样本进行3层小波分解和重构,每个训练样本得到1个低频分量和3个高频分量子序列,采用各聚类负荷序列对应各层小波构造不同训练样本;
进一步,所述步骤S3进一步包括以下步骤:
步骤S31:选择适当的核函数,将特征向量映射到高维空间,如选择高斯核函数则如下式所示:
步骤S32:初始化相关向量机RVM;
步骤S33:迭代求解最优的权重分布αi和
步骤S34:根据以下两式预测新数据;
若给定新的输入值x*,则相应输出的概率分布服从高斯分布,即:
式中的预测均值为y*,则y*可视作t*的预测值;
步骤S35:优化高斯核函数的带宽参数;
PSO初始化为一群随机粒子,设在一个N维的目标搜索空间中,有M个粒子组成一个粒子群。第i个粒子的位置为X(x1,x2,…,xN),飞行速度为V(v1,v2,…,vN)。每个粒子通过跟踪2个“最佳位置”来更新自己的位置,一个是粒子本身目前所找到的最佳位置pbest,另一个是目前整个粒子群中所有粒子找到的最佳位置gbest,对第k+1次迭代,每个粒子按以下两式进行位置更新:
vi(k+1)=ωvi(k)+c1r1(pibest(k)-xi(k))
+c2r2(gbest(k)-xi(k))
xi(k+1)=xi(k)+vi(k+1)
其中N=20,惯性因子ω=0.9,加速系数c1=c2=2,最大限制速度vmax=1,最大位置限制为xmax=1,最小位置限制为xmin=0,最大迭代Tmax=20,最小误差ε=0.001,适应值为相关向量机模型的预测结果的平均绝对百分比误差MAPE:
进一步,步骤S4进一步包括以下步骤:
步骤S41:对比采用支持向量机、相关向量机两种不同方法预测短期负荷的预测结果及误差,并计算归一化后样本数据的各小波的预测方差;
步骤S42:在各小波RVM预测均值的基础上加上方差为σ2的零均值高斯噪声,将各小波预测值相加,并反归一化得到PSO-RVM的概率性预测值。
本发明的有益效果是:
1)本发明采用相关向量机建立了一种既能用于充裕度指标评估又能用于安全性指标评估的短期负荷预测模型,可以满足系统短期充裕度和安全性指标的计算要求。
2)具有更好的预测准确率:本发明采用db4小波分解出不同数据样本的低频周期分量以及高频波动分量,再使用改进的PSO-RVM算法分别对低频周期分量以及高频波动分量进行预测,能够得到更好的预测准确率。
3)仿真结果显示,基于粒子群的相关向量预测模型比比支持向量机模型有更好的预测准确率,所建立的短期负荷预测模型可应用于运行可靠性的充裕度和安全性评估中。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明技术方案的实施流程图;
图2为某市2013~2016年冬季、夏季典型日负荷曲线图;
图3为基于二分法的最优模糊聚类结果图;
图4为典型日负荷序列3层小波分解图;
图5为不同方法负荷预测结果图;
图6为PSO—RVM负荷预测值与误差范围图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,本发明提供一种面向运行可靠性的短期负荷预测建模方法,具体包括以下步骤:
步骤S1:取样本历史负荷数据,根据影响因素对短期负荷做分类处理,采用模糊C均值聚类方法FCM以提取出与预测日相似特征的负荷数据,从而构成相似日负荷集。如图2所示,本实例所用数据均取自某市2013年1月1日至2016年9月30日,共1369天每隔1h的真实日负荷曲线。令S1、S2、…、S1369分别为每天的日负荷,将S1~S1287作为训练样本数据,S1288~S1294作为测试数据;
步骤S2:采用db4小波对训练样本进行3层小波分解和重构,每个训练样本得到1个低频分量和3个高频分量子序列,采用各聚类负荷序列对应各层小波构造不同训练样本。
步骤S3:改进PSO-RVM回归拟合,采用粒子群算法PSO对高斯核函数的带宽参数进行优化,以提高带宽。
步骤S4:使用改进的PSO-RVM算法分别对低频周期分量以及高频波动分量进行预测,将各小波预测结果叠加。
在本实施例中,步骤S1进一步包括以下步骤:
步骤S11:如图3所示,利用Sturges公式和二分法确定最佳分类数N以进行模糊聚类,具体步骤如下:
A.按Sturges公式确定最大分类数为NH=1+log(X)/log(2),最小分类数NL=1
B.令分别取NC=NZ-1、NZ、NZ+1,进行聚类分析并存储相应的分析结果,同时得到模型的显著性水平U1、U2、U3。
采用模型的显著性水平来表征聚类方案的好坏,其中d0为各聚类中心Ci间最小距离,即 d0=min(|Ci-Ci+1);σl为每个分类中各样本Ai={ai1…ail}与该类中心Ci={ci1…cil}的最大距离,即
C.若U2≥U1且U2≥U3,则转D;若U1≤U2≤U3,则取NL=NZ;若U3≤U2≤U1,则取NH=NZ;若NL=NH,则转D,否则转B。
D.计算结束,U2对应的聚类方案最好。
步骤S12:对训练样本进行聚类后,确定最佳聚类数。
步骤S2:采用db4小波对训练样本进行3层小波分解和重构,每个训练样本得到1个低频分量和3个高频分量子序列,如图4所示,采用各聚类负荷序列对应各层小波构造不同训练样本。
经过模糊聚类后,各类训练样本数量如表1所示:
表1训练样本聚类后样本数量
聚类 | 样本数量 | 聚类 | 样本数量 |
1 | 295 | 4 | 114 |
2 | 285 | 5 | 274 |
3 | 257 | 6 | 62 |
步骤S3进一步包括以下步骤:
步骤S31:选择适当的核函数,将特征向量映射到高维空间。选择高斯核函数,如下式所示:
步骤S32:初始化相关向量机RVM。
步骤S33:迭代求解最优的权重分布αi和
步骤S34:根据以下两式预测新数据。
若给定新的输入值x*,则相应输出的概率分布服从高斯分布,即:
式中的预测均值为y*,则y*可视作t*的预测值。
步骤S35:优化高斯核函数的带宽参数。
PSO初始化为一群随机粒子,设在一个N维的目标搜索空间中,有M个粒子组成一个粒子群。第i个粒子的位置为X(x1,x2,…,xN),飞行速度为V(v1,v2,…,vN)。每个粒子通过跟踪2个“最佳位置”来更新自己的位置,一个是粒子本身目前所找到的最佳位置pbest,另一个是目前整个粒子群中所有粒子找到的最佳位置gbest。对第k+1次迭代,每个粒子按以下两式进行位置更新。
vi(k+1)=ωvi(k)+c1r1(pibest(k)-xi(k))
+c2r2(gbest(k)-xi(k))
xi(k+1)=xi(k)+vi(k+1)
其中N=20,惯性因子ω=0.9,加速系数c1=c2=2,最大限制速度vmax=1,最大位置限制为xmax=1,最小位置限制为xmin=0,最大迭代Tmax=20,最小误差ε=0.001,适应值为相关向量机模型的预测结果的平均绝对百分比误差MAPE:
步骤S4进一步包括以下步骤:
步骤S41:如图5、图6所示,对比采用支持向量机、相关向量机两种不同方法预测短期负荷的预测结果及误差,并计算归一化后样本数据的各小波的预测方差。
上述两种方法预测误差如表2所示。
表2不同方法负荷预测误差分析
经计算,在训练样本数据归一化条件下,各小波预测方差如表3所示。
表3各小波PSO-RVM预测方差
步骤S42:在各小波RVM预测均值的基础上加上方差为σ2的零均值高斯噪声,将各小波预测值相加,并反归一化得到PSO-RVM的概率性预测值。
本发明在借鉴人工智能与机器学习方法构成的组合预测方法的基础上,通过采用改进的模糊C均值聚类方法提取相似日,其次根据负荷特性和相似日构造数据样本,采用db4小波分解出不同数据样本的低频周期分量以及高频波动分量,再采用改进的粒子群和相关向量机 (PSO-RVM)算法分别对低频周期分量以及高频随机分量进行预测,最后将各小波预测结果叠加,计算得到短期负荷的预测值,以供可靠性评估安全性计算采用,同时可计算给出概率分布,供充裕度计算使用。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种面向运行可靠性的短期负荷预测建模方法,其特征在于:所述方法包括以下步骤:
步骤S1:取样本历史负荷数据,根据影响因素对短期负荷做分类处理,采用模糊C均值聚类方法FCM以提取出与预测日相似特征的负荷数据,从而构成相似日负荷集;
步骤S2:采用db4小波对训练样本进行3层小波分解和重构,每个训练样本得到1个低频分量和3个高频分量子序列,采用各聚类负荷序列对应各层小波构造不同训练样本;
步骤S3:改进PSO-RVM回归拟合,采用粒子群算法PSO对高斯核函数的带宽参数进行优化,以提高带宽;
步骤S4:使用改进的PSO-RVM算法分别对低频周期分量以及高频波动分量进行预测,将各小波预测结果叠加。
2.根据权利要求1所述的一种面向运行可靠性的短期负荷预测建模方法,其特征在于:所述步骤S1进一步包括以下步骤:
步骤S11:利用Sturges公式和二分法确定最佳分类数N以进行模糊聚类,具体步骤如下:
A.按Sturges公式确定最大分类数为NH=1+log(X)/log(2),最小分类数NL=1;
B.令分别取NC=NZ-1、NZ、NZ+1,进行聚类分析并存储相应的分析结果,同时得到模型的显著性水平U1、U2、U3;
采用模型的显著性水平来表征聚类方案的好坏,其中d0为各聚类中心Ci间最小距离,即d0=min(|Ci-Ci+1|);σl为每个分类中各样本Ai={ai1…ail}与该类中心Ci={ci1…cil}的最大距离,即
C.若U2≥U1且U2≥U3,则转D;若U1≤U2≤U3,则取NL=NZ;若U3≤U2≤U1,则取NH=NZ;
若NL=NH,则转D,否则转B;
D.计算结束;
步骤S12:对训练样本进行聚类后,确定最佳聚类数;
步骤S2:采用db4小波对训练样本进行3层小波分解和重构,每个训练样本得到1个低频分量和3个高频分量子序列,采用各聚类负荷序列对应各层小波构造不同训练样本。
3.根据权利要求1或2所述的一种面向运行可靠性的短期负荷预测建模方法,其特征在于:所述步骤S3进一步包括以下步骤:
步骤S31:选择核函数,将特征向量映射到高维空间,选择高斯核函数则如下式所示:
步骤S32:初始化相关向量机RVM;
步骤S33:迭代求解最优的权重分布αi和
步骤S34:根据以下两式预测新数据;
若给定新的输入值x*,则相应输出的概率分布服从高斯分布,即:
式中的预测均值为y*,则y*可视作t*的预测值;
步骤S35:优化高斯核函数的带宽参数;
PSO初始化为一群随机粒子,设在一个N维的目标搜索空间中,有M个粒子组成一个粒子群。第i个粒子的位置为X(x1,x2,…,xN),飞行速度为V(v1,v2,…,vN),每个粒子通过跟踪2个“最佳位置”来更新自己的位置,一个是粒子本身目前所找到的最佳位置pbest,另一个是目前整个粒子群中所有粒子找到的最佳位置gbest,对第k+1次迭代,每个粒子按以下两式进行位置更新:
vi(k+1)=ωvi(k)+c1r1(pibest(k)-xi(k))+c2r2(gbest(k)-xi(k));
xi(k+1)=xi(k)+vi(k+1);
其中N=20,惯性因子ω=0.9,加速系数c1=c2=2,最大限制速度vmax=1,最大位置限制为xmax=1,最小位置限制为xmin=0,最大迭代Tmax=20,最小误差ε=0.001,适应值为相关向量机模型的预测结果的平均绝对百分比误差MAPE:
4.根据权利要求1所述的一种面向运行可靠性的短期负荷预测建模方法,其特征在于:
步骤S4进一步包括以下步骤:
步骤S41:对比采用支持向量机、相关向量机两种不同方法预测短期负荷的预测结果及误差,并计算归一化后样本数据的各小波的预测方差;
步骤S42:在各小波RVM预测均值的基础上加上方差为σ2的零均值高斯噪声,将各小波预测值相加,并反归一化得到PSO-RVM的概率性预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811367837.4A CN109583635B (zh) | 2018-11-16 | 2018-11-16 | 一种面向运行可靠性的短期负荷预测建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811367837.4A CN109583635B (zh) | 2018-11-16 | 2018-11-16 | 一种面向运行可靠性的短期负荷预测建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583635A true CN109583635A (zh) | 2019-04-05 |
CN109583635B CN109583635B (zh) | 2022-04-22 |
Family
ID=65922648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811367837.4A Active CN109583635B (zh) | 2018-11-16 | 2018-11-16 | 一种面向运行可靠性的短期负荷预测建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583635B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264001A (zh) * | 2019-06-20 | 2019-09-20 | 国网上海市电力公司 | 基于多时序的用电负荷预测方法 |
CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
CN111815155A (zh) * | 2020-07-07 | 2020-10-23 | 南京信息工程大学 | 一种改进后的核回归地面气温观测资料质量控制方法 |
CN111832936A (zh) * | 2020-07-10 | 2020-10-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种含分布式电源的配网供电可靠性评估方法 |
CN112069666A (zh) * | 2020-08-25 | 2020-12-11 | 贵州大学 | 一种基于概率潮流法的电网短期可靠性评估方法 |
CN112883649A (zh) * | 2021-02-26 | 2021-06-01 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、系统、计算机设备及存储介质 |
CN113408815A (zh) * | 2021-07-02 | 2021-09-17 | 湘潭大学 | 一种基于深度学习的牵引负荷超短期预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102709926A (zh) * | 2012-06-28 | 2012-10-03 | 哈尔滨工业大学 | 智能电网建设中基于相关向量机的旋转热备用的调度方法 |
US20160169202A1 (en) * | 2013-05-03 | 2016-06-16 | State Grid Corporation Of China | Short-term operation optimization method of electric power system including large-scale wind power |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
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 |
-
2018
- 2018-11-16 CN CN201811367837.4A patent/CN109583635B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102709926A (zh) * | 2012-06-28 | 2012-10-03 | 哈尔滨工业大学 | 智能电网建设中基于相关向量机的旋转热备用的调度方法 |
US20160169202A1 (en) * | 2013-05-03 | 2016-06-16 | State Grid Corporation Of China | Short-term operation optimization method of electric power system including large-scale wind power |
CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
CN106503851A (zh) * | 2016-10-25 | 2017-03-15 | 国家电网公司 | 一种改进的基于小波分析的短期电力负荷预测方法 |
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 (1)
Title |
---|
孙志刚 等: ""基于EMD和相关向量机的短期负荷预测"", 《电力系统及其自动化学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264001A (zh) * | 2019-06-20 | 2019-09-20 | 国网上海市电力公司 | 基于多时序的用电负荷预测方法 |
CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
CN110909912B (zh) * | 2019-10-08 | 2022-08-09 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
CN111815155A (zh) * | 2020-07-07 | 2020-10-23 | 南京信息工程大学 | 一种改进后的核回归地面气温观测资料质量控制方法 |
CN111832936A (zh) * | 2020-07-10 | 2020-10-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种含分布式电源的配网供电可靠性评估方法 |
CN111832936B (zh) * | 2020-07-10 | 2023-12-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种含分布式电源的配网供电可靠性评估方法 |
CN112069666A (zh) * | 2020-08-25 | 2020-12-11 | 贵州大学 | 一种基于概率潮流法的电网短期可靠性评估方法 |
CN112069666B (zh) * | 2020-08-25 | 2022-11-29 | 贵州大学 | 一种基于概率潮流法的电网短期可靠性评估方法 |
CN112883649A (zh) * | 2021-02-26 | 2021-06-01 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、系统、计算机设备及存储介质 |
CN112883649B (zh) * | 2021-02-26 | 2023-08-11 | 华润数字科技有限公司 | 一种电力负荷预测方法、系统、计算机设备及存储介质 |
CN113408815A (zh) * | 2021-07-02 | 2021-09-17 | 湘潭大学 | 一种基于深度学习的牵引负荷超短期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109583635B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583635A (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
Dorado-Moreno et al. | Multi-task learning for the prediction of wind power ramp events with deep neural networks | |
Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
CN108229754A (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
Zhao et al. | A self-organizing forecast of day-ahead wind speed: Selective ensemble strategy based on numerical weather predictions | |
CN106529721B (zh) | 一种深度特征提取的广告点击率预测系统及其预测方法 | |
Stojanova et al. | Dealing with spatial autocorrelation when learning predictive clustering trees | |
CN110414788A (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
CN108549907A (zh) | 一种基于多源迁移学习的数据校验方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN114219562A (zh) | 模型的训练方法、企业信用评估方法和装置、设备、介质 | |
Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network | |
Khan et al. | A new hybrid approach of clustering based probabilistic decision tree to forecast wind power on large scales | |
Ramya et al. | Environment change prediction to adapt climate-smart agriculture using big data analytics | |
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 | |
Li et al. | Stochastic recurrent wavelet neural network with EEMD method on energy price prediction | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
Yan et al. | Climate-informed monthly runoff prediction model using machine learning and feature importance analysis | |
Mohsenzadeh Karimi et al. | Hybrids of machine learning techniques and wavelet regression for estimation of daily solar radiation | |
Shen et al. | An active learning-based incremental deep-broad learning algorithm for unbalanced time series prediction |
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 |