CN109583635B - 一种面向运行可靠性的短期负荷预测建模方法 - Google Patents

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

一种面向运行可靠性的短期负荷预测建模方法

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N_H＝1+log(X)/log(2)，最小分类数N_L＝1；

B.令

分别取N_C＝N_Z-1、N_Z、N_Z+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C_i间最小距离，即 d₀＝min(C_i-C_i+1)；σ_l为每个分类中各样本A_i＝{a_i1…a_il}与该类中心C_i＝{c_i1…c_il}的最大距离，即

C.若U₂≥U₁且U₂≥U₃，则转D；若U₁≤U₂≤U₃，则取N_L＝N_Z；若U₃≤U₂≤U₁，则取N_H＝N_Z；若N_L＝N_H，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α_i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,…,x_N)，飞行速度为V(v₁,v₂,…,v_N)。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p_best，另一个是目前整个粒子群中所有粒子找到的最佳位置g_best，对第k+1次迭代，每个粒子按以下两式进行位置更新：

v_i(k+1)＝ωv_i(k)+c₁r₁(p_ibest(k)-x_i(k))

+c₂r₂(g_best(k)-x_i(k))

x_i(k+1)＝x_i(k)+v_i(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v_max＝1，最大位置限制为x_max＝1，最小位置限制为x_min＝0，最大迭代T_max＝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N_H＝1+log(X)/log(2)，最小分类数N_L＝1

B.令

分别取N_C＝N_Z-1、N_Z、N_Z+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C_i间最小距离，即 d₀＝min(|C_i-C_i+1)；σ_l为每个分类中各样本A_i＝{a_i1…a_il}与该类中心C_i＝{c_i1…c_il}的最大距离，即

C.若U₂≥U₁且U₂≥U₃，则转D；若U₁≤U₂≤U₃，则取N_L＝N_Z；若U₃≤U₂≤U₁，则取N_H＝N_Z；若N_L＝N_H，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α_i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,…,x_N)，飞行速度为V(v₁,v₂,…,v_N)。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p_best，另一个是目前整个粒子群中所有粒子找到的最佳位置g_best。对第k+1次迭代，每个粒子按以下两式进行位置更新。

v_i(k+1)＝ωv_i(k)+c₁r₁(p_ibest(k)-x_i(k))

+c₂r₂(g_best(k)-x_i(k))

x_i(k+1)＝x_i(k)+v_i(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v_max＝1，最大位置限制为x_max＝1，最小位置限制为x_min＝0，最大迭代T_max＝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 (3)

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；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α_i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,…,x_N)，飞行速度为V(v₁,v₂,…,v_N)，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p_best，另一个是目前整个粒子群中所有粒子找到的最佳位置g_best，对第k+1次迭代，每个粒子按以下两式进行位置更新：

v_i(k+1)＝ωv_i(k)+c₁r₁(p_ibest(k)-x_i(k))+c₂r₂(g_best(k)-x_i(k))；

x_i(k+1)＝x_i(k)+v_i(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v_max＝1，最大位置限制为x_max＝1，最小位置限制为x_min＝0，最大迭代T_max＝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：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N_H＝1+log(X)/log(2)，最小分类数N_L＝1；

B.令

分别取N_C＝N_Z-1、N_Z、N_Z+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C_i间最小距离，即d₀＝min(|C_i-C_i+1|)；σ_l为每个分类中各样本A_i＝{a_i1…a_il}与该类中心C_i＝{c_i1…c_il}的最大距离，即

C.若U₂≥U₁且U₂≥U₃，则转D；若U₁≤U₂≤U₃，则取N_L＝N_Z；若U₃≤U₂≤U₁，则取N_H＝N_Z；若N_L＝N_H，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。

3.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。

Images