CN109615139A - 一种基于文化遗传算法的居民中长期用电量预测方法 - Google Patents
一种基于文化遗传算法的居民中长期用电量预测方法 Download PDFInfo
- Publication number
- CN109615139A CN109615139A CN201811531895.6A CN201811531895A CN109615139A CN 109615139 A CN109615139 A CN 109615139A CN 201811531895 A CN201811531895 A CN 201811531895A CN 109615139 A CN109615139 A CN 109615139A
- Authority
- CN
- China
- Prior art keywords
- term
- long
- genetic algorithm
- individual
- space
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 230000005611 electricity Effects 0.000 title claims abstract description 78
- 230000002068 genetic effect Effects 0.000 title claims abstract description 63
- 230000007774 longterm Effects 0.000 title claims abstract description 41
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 241001269238 Data Species 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 31
- 230000012010 growth Effects 0.000 claims description 30
- 238000004378 air conditioning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000010429 evolutionary process Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007773 growth pattern Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 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
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于文化遗传算法的居民中长期用电量预测方法,具体按照以下步骤实施:步骤1,选取数据样本:统计一定时期内某地区的若干项相关数据,将其作为影响因子;步骤2,数据预处理:对步骤1选取的数据进行数据清洗;步骤3,确定居民中长期用电量预测模型:建立基于多元线性回归模型的中长期负荷预测模型,将步骤2得到的数据作为训练样本来获得数据样本的影响系数,从而得到中长期居民用电预测模型;步骤4,基于文化遗传算法的参数优化:利用文化遗传算法对步骤3得到的中长期居民用电预测模型中参数进行优化,通过文化遗传算法得到优化后的参数,构建居民中长期用电量预测模型进行预测。
Description
技术领域
本发明属于遗传算法技术领域,具体涉及一种基于文化遗传算法的居民中长期用电量预测方法。
背景技术
随着居民生活用电总量的不断增加,用电量已成为人民生活质量的重要标志。例如,2017年,陕西全社会电量达1293.034亿kW·h,常住人口3836万,城镇化率高达57.1%。其中居民生活用电量达219.7174亿kW·h,比上年增长10.85%,占全省用电总量的16.99%。随着煤炭减量替代政策的实施以及“煤改电”工程的进一步推进,全社会的用电需求都在迅速增加。2017年,西安入选国家新一线城市,随着西安人才新政以及户籍政策的出台,西安市新落户人数和城市化进程的步伐明显加快,这对陕西省各方面的发展都有着举足轻重的影响,而一个地区的发展程度又与该区域的用电需求息息相关。因此,通过剖析全社会用电量的增加动因,以此对陕西省用电量增长的趋势进行预测,在对整个陕西省未来的电网规划方面具有十分重要的意义和参考价值。
准确的负荷预测有利于电网运行安全稳定性的提高,可以有效降低发电成本,并保证用电需求,从而增强供电可靠性,最终达到提高电力系统的经济效益和社会效益。国内外很多学者在中长期负荷预测方面都取得了一些进展。随着智能电网、通信网络技术和传感器技术的发展,电力用户侧数据呈指数级增长、复杂程度增大,逐步构成了用户侧大数据。文献[1]分析了电力用户大数据的来源,针对电力用户侧大数据的数据量大、种类繁多与速度快等特点,提出了基于随机森林算法的并行负荷预测方法,将随机森林算法进行并行化,对历史负荷、温度、风速等数据进行并行化分析,缩短负荷预测时间和提高随机森林算法对大数据的处理能力。文献[2]也是基于海量数据下的负荷预测研究,提出了基于局部加权线性回归和云计算平台的短期电力负荷预测研究算法,建立了并行局部加权线性回归模型,同时采用了最大熵建立坏数据分类模型,以此来保证历史数据的有效性。文献[3]以静态ZIP负荷模型为基础,分析了影响负荷模型的因素,采用人工神经网络方法,对最大、最小负荷时刻的负荷模型参数进行预测。分析了负荷模型参数与负荷预测结果之间的灵敏度,以掌握它们相互间的关系和影响程度,并由此寻找减小误差的方法。以最小负荷的有功模型预测为例,进行了实际预测。针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,文献[4]将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。文献[5]针对传统灰色模型应用于短期负荷预测的缺陷,改进了多角度数据组织策略,选择社会活动背景相似度较高的历史日作为相似日,建立了气象因素突变判别准则,以识别相似日中的气象突变,并采用回归法消除相似日负荷数据中的受气象敏感负荷分量。文献[6]引入了遗传算法来寻求离散灰色模型初始迭代值的最优解,建立了基于组合函数和遗传算法改进的离散灰色模型,该改进模型有效提高了预测精度。文献[7]对遗传算法每代的相同或相近个体作等适应值变换,改进后的遗传算法具有更好的全局优化特性。利用改进的遗传算法确定组合预测模型的权系数,之后进行负荷预测。文献[8]提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。文献[9]提出了一种新颖的配电网空间负荷预测模型。该模型采用模糊推理计算每个小区适于发展各类负荷的程度,根据推理结果运用运输模型来分配各小区内各类负荷的增长,其中模糊规则是采用遗传算法训练出来的。
但传统遗传算法有一个显著的缺点,就是随着算法的进行其种群多样性逐渐消失,很容易于陷入早熟收敛。引入随机种群虽然可以改善种群的多样性问题,但是又影响到算法的效率。因此本文提出了基于文化遗传算法的居民中长期预测方法,是从收敛速度和收敛效率两方面来提高遗传算法的性能,将遗传算法纳入文化算法框架,在群体空间的代进化过程中引入随机种群来保持种群多样性增强算法的勘探能力,并将优秀个体传递到信念空间进行信息提取更新来充分开采优秀个体所包含信息的能力;在信念空间采用基于耗散结构理论的遗传算法来更新最优个体,并将更新后的最优个体返回到群体空间中指导较差个体来提高算法的速度和效率。
1975年,Holland教授首先提出了遗传算法(Genetic Algorithm,GA),这是一种基于自然选择和基因遗传学原理的随机并行搜索算法[10],与传统算法相比而言它具有全局寻优和收敛速度快等众多优点,但是经研究发现,遗传算法的缺陷是算法在进行时其种群多样性逐渐消失,这就会陷入早熟收敛。单一的引入随机种群可以对此缺陷有所改善种,但会影响算法效率。
发明内容
本发明的目的是提供一种基于文化遗传算法的居民中长期用电量预测方法,该方法基于文化遗传算法建立用电量预测模型,与传统预测方法相比具有较好的预测精度。
本发明所采用的技术方案是,一种基于文化遗传算法的居民中长期用电量预测方法,具体按照以下步骤实施:
步骤1,选取数据样本:
统计一定时期内某地区的若干项相关数据,将其作为影响因子;
步骤2,数据预处理:
对步骤1选取的数据进行数据清洗;
步骤3,确定居民中长期用电量预测模型:
建立基于多元线性回归模型的中长期负荷预测模型,将步骤2得到的数据作为训练样本来获得数据样本的影响系数,从而得到中长期居民用电预测模型;
步骤4,基于文化遗传算法的参数优化:
利用文化遗传算法对步骤3得到的中长期居民用电预测模型中参数进行优化,通过文化遗传算法得到优化后的参数,构建居民中长期用电量预测模型进行预测。
本发明的特点还在于,
步骤1中,所述若干项相关数据具体为居民消费水平指数、人均可支配收入、人均储蓄存款、人口增长、城镇化率、人均居住面积、人均购电量、冰箱保有量、空调保有量及平均温度。
步骤2中,采用整体均值填充、最可能值填充及平均值填充方法对收集到的用电量、负荷及气象数据进行清洗;
步骤3中,所述基于多元线性回归模型的中长期负荷预测模型具体为:
式中,n=1,2,…,10,x1~x10分别对应居民消费水平指数、人均可支配收入-元、人均储蓄存款-元、人口增长、城镇化率、人均居住面积-m2、人均购电量-Kwh、冰箱保有量-每百人台、空调保有量-每百人台及平均温度-摄氏度十个因素数值,a1~a10为十个因素对应的影响系数,y为该年居民用电总量。
步骤4中,所述文化遗传算法的框架由群体空间和信念空间组成,群体空间和信念空间是独立进化的,个体在群体空间进化过程中会形成个体经验,之后传递到信念空间,信念空间接收到个体经验之后会与现有经验进行对比并做出优化,从而保留最优秀的一部分个体,再通过交叉和变异操作群体空间中的个体行为,使群体空间中的个体拥有更高的进化效率,之后不断重复上述优化过程,直至达到预期即可停止;所述群体空间是通过行为准则从微观的角度来模拟个体进化的过程,所述信念空间是通过宏观角度来模拟文化的形成、传递及比较的进化过程。
群体空间与信念空间的进化流程具体如下:
(1)生成规模大小为N的初始种群;
(2)通过计算种群中个体的适应度值,即居民用电量预测的精度,并按照降序排列;
(3)将排在前一半的优秀个体传递到信念空间;
(4)信念空间把接收到的优秀个体与原来的个体进行比较,计算适应度值并进行降序排列,保留目前最优的一半个体;
(5)选择信念空间的一部分个体进行耗散结构的遗传算法操作,并逐步增大搜索空间,并进行变异操作,产生下一代种群;
(6)检验是否满足精度要求,若满足即可结束,若不满足则进行下一步。
(7)将优秀个体传递到群体空间,最优个体与最差个体的30%进行交叉操作,并进行变异操作,产生下一代种群。
(8)产生空间大小50%的随机种群;
(9)转到步骤(3);
(10)反复迭代计算,直到符合精度要求即可结束。
本发明的有益效果是:
本发明方法是基于文化遗传算法的居民中长期预测方法,是从收敛速度和收敛效率两方面来提高遗传算法的性能,将遗传算法纳入文化算法框架,在群体空间的代进化过程中引入随机种群来保持种群多样性增强算法的勘探能力,并将优秀个体传递到信念空间进行信息提取更新来充分开采优秀个体所包含信息的能力;在信念空间采用基于耗散结构理论的遗传算法来更新最优个体,并将更新后的最优个体返回到群体空间中指导较差个体来提高算法的速度和效率。
附图说明
图1是本发明一种基于文化遗传算法的居民中长期用电量预测方法的算法执行过程图;
图2是本发明实施例中陕西省2000-2016年每百人冰箱及空调保有量数据图;
图3是本发明实施例中陕西省2000-2017年常住人口及其增长率数据图;
图4是本发明实施例中陕西省2000-2016年城镇化率及其增长率数据图;
图5是本发明实施例中陕西省2000-2016年人均居住面积及其增长率数据图;
图6是本发明实施例中陕西省2000-2016年人均购电量及其增长率数据图;
图7是本发明实施例中陕西省2000-2016年人均可支配收入、储蓄存款及居民消费水平指数数据图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的提供一种基于文化遗传算法的居民中长期用电量预测方法,如图1所示,具体按照以下步骤实施:
步骤1,选取数据样本:
统计一定时期内某地区的若干项相关数据,将其作为影响因子;
步骤1中,若干项相关数据具体为居民消费水平指数、人均可支配收入、人均储蓄存款、人口增长、城镇化率、人均居住面积、人均购电量、冰箱保有量、空调保有量及平均温度;
步骤2,数据预处理:
对步骤1选取的数据进行数据清洗;
步骤2中,采用整体均值填充、最可能值填充及平均值填充方法对收集到的用电量、负荷及气象数据进行清洗;
步骤3,确定居民中长期用电量预测模型:
建立基于多元线性回归模型的中长期负荷预测模型,将步骤2得到的数据作为训练样本来获得数据样本的影响系数,从而得到中长期居民用电预测模型;
步骤3中,基于多元线性回归模型的中长期负荷预测模型具体为:
式中,n=1,2,…,10,x1~x10分别对应居民消费水平指数、人均可支配收入-元、人均储蓄存款-元、人口增长、城镇化率、人均居住面积-m2、人均购电量-Kwh、冰箱保有量-每百人台、空调保有量-每百人台及平均温度-摄氏度十个因素数值,a1~a10为十个因素对应的影响系数,y为该年居民用电总量;
步骤4,基于文化遗传算法的参数优化:
利用文化遗传算法对步骤3得到的中长期居民用电预测模型中参数进行优化,通过文化遗传算法得到优化后的参数,构建居民中长期用电量预测模型进行预测。
步骤4中,文化遗传算法的框架由群体空间和信念空间组成,群体空间和信念空间是独立进化的,个体在群体空间进化过程中会形成个体经验,之后传递到信念空间,信念空间接收到个体经验之后会与现有经验进行对比并做出优化,从而保留最优秀的一部分个体,再通过交叉和变异操作群体空间中的个体行为,使群体空间中的个体拥有更高的进化效率,之后不断重复上述优化过程,直至达到预期即可停止;群体空间是通过行为准则从微观的角度来模拟个体进化的过程,信念空间是通过宏观角度来模拟文化的形成、传递及比较的进化过程。
群体空间与信念空间的进化流程具体如下:
(1)生成规模大小为N的初始种群;
(2)通过计算种群中个体的适应度值,即居民用电量预测的精度,并按照降序排列;
(3)将排在前一半的优秀个体传递到信念空间;
(4)信念空间把接收到的优秀个体与原来的个体进行比较,计算适应度值并进行降序排列,保留目前最优的一半个体;
(5)选择信念空间的一部分个体进行耗散结构的遗传算法操作,并逐步增大搜索空间,并进行变异操作,产生下一代种群;
(6)检验是否满足精度要求,若满足即可结束,若不满足则进行下一步。
(7)将优秀个体传递到群体空间,最优个体与最差个体的30%进行交叉操作,并进行变异操作,产生下一代种群。
(8)产生空间大小50%的随机种群;
(9)转到步骤(3);
(10)反复迭代计算,直到符合精度要求即可结束。
本发明所采用的方法是文化遗传算法,该算法从收敛速度和收敛效率两方面提高了遗传算法的性能,这种方法将遗传算法融入文化算法框架,不仅为了保持种群多样性并提升算法的勘探能力文化遗传算法在群体空间的代进化过程中加入了随机种群。而且将优秀个体传递到信念空间,在信念空间采用基于耗散结构理论的遗传算法来更新最优个体,并将更新后的最优个体送回到群体空间通过指导较差个体来提高算法的速度和效率,以此来充分开采优秀个体所包含信息的能力。因为在利用遗传算法求解问题时,其根本目标是在尽可能短的时间内找到全局最优解,最核心的影响因素是种群中最优个体的性能,从概率上来说,种群中优秀个体和全局最优解的亲和度[11]要大于其他个体和全局最优解之间的亲和度。所以,充分利用优秀个体所包含的信息是衡量该算法优化能力的一个至关重要的因素。
文化算法[12]为进化算法提供了全新的计算框架,该算法对人类社会多层面进化进行了模拟,与其他众多进化算法相比,文化算法不但概念清晰,而且能够更加精确的反应进化过程。文化算法框架(Culture algorithm framework)是由群体空间和信念空间组成的[13]。群体空间是通过一定的行为准则从微观的角度来模拟个体进化的过程,而信念空间是通过宏观角度来模拟文化的形成、传递及比较等进化过程。
实施例
统计得到陕西省2000年-2016年居民消费水平指数、人均可支配收入(元)、人均储蓄存款(元)、人口增长、城镇化率、人均居住面积(㎡)、人均购电量(千瓦时)、冰箱保有量、空调保有量、平均温度,如图2-7所示。建立基于线性模型的中长期负荷预测模型,并采用前文中提到的文化遗传算法对线性模型的参数进行优化,进而预测未来居民用电增长情况。
在众多电器中,家庭占有率和对居民用电有着较大影响的主要有两类电器,就是空调器和电冰箱。
陕西省2000-2016年每百人冰箱及空调保有量如图2所示。可以看出2000-2016年冰箱及空调的保有量持续呈上升趋势,空调的保有量自2000-2012年持续上升,在2013年出现了波动后又恢复了上升趋势。冰箱的每百人保有量一直呈增长趋势。
随着陕西省各种人才引进计划的大力实施,人口的流动和城镇化的推进程度都有着飞速的发展。而常住人口的增长量与城镇化的推进程度和居民用电情况息息相关。在居民用电行为及潜力研究中,这一部分的分析十分的关键,有助于我们把握未来居民用电的大方向。
陕西省2000-2017年常住人口及其增长率如图3所示。由图可以看出,陕西省人口逐年上涨,除2008年出现波动外均呈缓慢增长趋势,人口增长均值为0.33%。陕西省2000-2016年城镇化率及其增长率如图4所示。城镇化进程呈持续增长并伴随着较小的波动,整体趋势呈上升趋势,自2013年以后增长势头明显放缓。
陕西省2000-2016年人均居住面积除了在2010-2012年稍有下降外,基本保持持续增长趋势,随着2014年棚改政策的推行,人均居住面积迅速上升,在2013年人均居住面积的增长率高达58.77%,如图5所示。
陕西省2000-2016年人均居购电量始终保持持续增长趋势,期间存在不同程度的波动,平均增长率高达10.42%,2000年的人均购电量仅有114.61kwh,而2016年人均购电量已经增长到了的534.42kwh,如图6所示。
陕西省2000-2016年人均可支配收入及储蓄存款均承逐年增长趋势,人均储蓄存款更是在2007年出现明显拐点,之后迅速增加。而陕西省居民用户消费水平指数则是出现了不同程度的波动,指数以100为上一年的标准,即2000的消费指数以1999年作为100标准,在上一年的标准下对当年消费水平进行客观评价。从图7中可以看出,陕西省消费指数总体呈现三个峰值状态,在2002年、2007年以及2011年达到消费高峰。
在十个影响因素下的中长期居民用电预测模型可以归纳为:
y=a1x1+a2x2+a3x3+a4x4+a5x5+a6x6+a7x7+a8x8+a9x9+a10x10
其中x1~x10分别对应居民消费水平指数、人均可支配收入(元)、人均储蓄存款(元)、人口增长、城镇化率、人均居住面积(㎡)、人均购电量(千瓦时)、冰箱保有量、空调保有量、平均温度十个因素数值,a1~a10为十个因素对应的影响系数。
2000~2004年预测模型为:
y=62.3438x1+63.875x2+22x3+38.0938x4+57.8438x5+63.5x6+34.2188x7+49.8438x8+1.8438x9+60.375x10
通过线性模型可以得到2005年预测值为560770.026268037万千瓦时,与真实值553475万千瓦时相差1.32%。06年预测值631262.334923615万千瓦时与真实值620590相差1.72%,07年预测值704005.587771023万千瓦时,与真实值相差7.06%。
2004~2009年预测2010、2011、2012年
y=63.5938x1+63.3750x2+17.75x3+39.125x4+59.7188x5+44.375x6+55.375x7+59.375x8+25x9+55.2188x10
通过线性模型可以得到2010年预测值为1040463.95909859万千瓦时,与真实值1052785万千瓦时相差1.17%。11年预测值1209254.53973527万千瓦时与真实值1226910相差1.44%。12年预测值为1388608.39307662万千瓦时,与真值1481597.9339万千瓦时相差6.28%。
以三年期为训练数据的中长期居民用电增长情况预测如表1-1所示。表中以三年为单位,从2000-2016年共计分为14组,分别计算了三年期中长期负荷预测中的一年预测误差、两年预测误差和三年预测误差。经过预测估计,一年期预测误差平均值为4.21%,两年期的预测误差平均值为5.67%,三年期的预测误差平均值为6.53%,四年期的预测误差平均值为6.96%。
以五年期为训练数据的中长期居民用电增长情况预测如表1-2所示。表中以五年为单位,从2000-2016年共计分为12组,分别计算了五年期中长期负荷预测中的一年预测误差、两年预测误差、三年预测误差和四年预测误差。经过预测估计,一年期预测误差平均值为4.3%,两年期的预测误差平均值为6.24%,三年期的预测误差平均值为7.66%,四年期的预测误差平均值为6.88%。
以七年期为训练数据的中长期居民用电增长情况预测如表1-3所示。表中以七年为单位,从2000-2016年共计分为10组,分别计算了七年期中长期负荷预测中的一年预测误差、两年预测误差、三年预测误差和四年预测误差。经过预测估计,一年期预测误差平均值为4.61%,两年期的预测误差平均值为5.21%,三年期的预测误差平均值为5.37%,四年期的预测误差平均值为3.45%。
表1-1三年期中长期居民用电增长预测误差结果表
Table 1-1 Results of the three-year medium-and long-term residentialelectricity growth forecast error
表1-2五年期中长期居民用电增长预测误差结果表
Table 1-2 Results of the five-year medium-and long-term residentialelectricity growth forecast error
表1-3七年期中长期居民用电增长预测误差结果表
Table 1-3 Results of the seven-year medium-and long-term residentialelectricity growth forecast error
通过数据分析可以看出,在加长训练数据时间长度时,预测精度逐渐上升,为了得到2017年以及2018年较为准确的居民用电负荷数据,可以采用最长训练样本进行训练,从而最大限度上减小误差,提高预测精度,因此采用2000-2016年数据预测2017年居民用电量为2167598.709万千瓦时(误差2.89%),2018年居民用电量为2383250.625万千瓦时。
当预计2020年,十个影响因素分别为106.608575214436、19320.4331120316、46289.0317929808、0.00493722986167781、55.6850999133891、39.1069958592023、545.789166827625、86.7635335376470、65.2992030324131、11.8738097102312时其数学模型为:
y=46.4688x1+60.4688x2+22x3+16.5x4+37.8438x5+45.8438x6+47.8438x7+63x8+5.625x9+21.5938x10
根据该数学公式可预测出2020年陕西省居民用电量为2226367.041万千瓦时。
本实施例通过统计历年居民消费水平指数、人均可支配收入、人均储蓄存款、人口增长、城镇化率、等十项相关数据作为影响因子,对居民用电行为进行了分析,基于文化遗传算法建立用电量预测模型,并结合陕西省实际数据进行了算例分析,以历年数据作为训练样本数据并结合“十三五”规划以此对未来居民用电量进行预测,证实了预测方法的有效性。
参考文献:
[1]王德文,孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报,2015,35(03):527-537.
[2]张素香,赵丙镇,王风雨,张东.海量数据下的电力负荷短期预测[J].中国电机工程学报,2015,35(01):37-42.
[3]李龙,魏靖,黎灿兵,曹一家,宋军英,方八零.基于人工神经网络的负荷模型预测[J].电工技术学报,2015,30(08):225-230.
[4]吴潇雨,和敬涵,张沛,胡骏.基于灰色投影改进随机森林算法的电力系统短期负荷预测[J].电力系统自动化,2015,39(12):50-55.
[5]焦润海,苏辰隽,林碧英,莫瑞芳.基于气象信息因素修正的灰色短期负荷预测模型[J].电网技术,2013,37(03):720-725.
[6]李伟,董伟栋,袁亚南.基于组合函数和遗传算法最优化离散灰色模型的电力负荷预测[J].电力自动化设备,2012,32(04):76-79.
[7]谢开贵,李春燕,俞集辉.基于遗传算法的短期负荷组合预测模型[J].电网技术,2001(08):20-23.
[8]葛少云,贾鸥莎,刘洪.基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测[J].电网技术,2012,36(01):224-229.
[9]王天华,王平洋,范明天.遗传算法、模糊逻辑和运输模型在配电网空间负荷预测中的应用[J].电网技术,1999(01):24-28.
[10]Holland J H.Adaptation in natural and artificial systems[M].[S.l.]:MIT Press,1975.
[11]王熙法,张显俊,曹先彬,等.一种基于免疫原理的遗传算法[J].小型微型计算机系统,1999,20(2):117-120.
[12]杜琼,周一届.新的进化算法———文化算法[J].计算机科学,2005,32(9):142-144.
[13]Reynolds G R.An introduction to cultural algorithms[C]//Proceedings of the 3rd Annual Conference on Evolutionary Programming.[S.l.]:World Scientific Publishing,1994:131-139.
Claims (6)
1.一种基于文化遗传算法的居民中长期用电量预测方法,其特征在于,具体按照以下步骤实施:
步骤1,选取数据样本:
统计一定时期内某地区的若干项相关数据,将其作为影响因子;
步骤2,数据预处理:
对步骤1选取的数据进行数据清洗;
步骤3,确定居民中长期用电量预测模型:
建立基于多元线性回归模型的中长期负荷预测模型,将步骤2得到的数据作为训练样本来获得数据样本的影响系数,从而得到中长期居民用电预测模型;
步骤4,基于文化遗传算法的参数优化:
利用文化遗传算法对步骤3得到的中长期居民用电预测模型中参数进行优化,通过文化遗传算法得到优化后的参数,构建居民中长期用电量预测模型进行预测。
2.根据权利要求1所述的一种基于文化遗传算法的居民中长期用电量预测方法,其特征在于,步骤1中,所述若干项相关数据具体为居民消费水平指数、人均可支配收入、人均储蓄存款、人口增长、城镇化率、人均居住面积、人均购电量、冰箱保有量、空调保有量及平均温度。
3.根据权利要求2所述的一种基于文化遗传算法的居民中长期用电量预测方法,其特征在于,步骤2中,采用整体均值填充、最可能值填充及平均值填充方法对收集到的用电量、负荷及气象数据进行清洗。
4.根据权利要求3所述的一种基于文化遗传算法的居民中长期用电量预测方法,其特征在于,步骤3中,所述基于多元线性回归模型的中长期负荷预测模型具体为:
式中,n=1,2,…,10,x1~x10分别对应居民消费水平指数、人均可支配收入-元、人均储蓄存款-元、人口增长、城镇化率、人均居住面积-m2、人均购电量-Kwh、冰箱保有量-每百人台、空调保有量-每百人台及平均温度-摄氏度十个因素数值,a1~a10为十个因素对应的影响系数,y为该年居民用电总量。
5.根据权利要求1所述的一种基于文化遗传算法的居民中长期用电量预测方法,其特征在于,步骤4中,所述文化遗传算法的框架由群体空间和信念空间组成,群体空间和信念空间是独立进化的,个体在群体空间进化过程中会形成个体经验,之后传递到信念空间,信念空间接收到个体经验之后会与现有经验进行对比并做出优化,从而保留最优秀的一部分个体,再通过交叉和变异操作群体空间中的个体行为,使群体空间中的个体拥有更高的进化效率,之后不断重复上述优化过程,直至达到预期即可停止;所述群体空间是通过行为准则从微观的角度来模拟个体进化的过程,所述信念空间是通过宏观角度来模拟文化的形成、传递及比较的进化过程。
6.根据权利要求5所述的一种基于文化遗传算法的居民中长期用电量预测方法,其特征在于,所述群体空间与信念空间的进化流程具体如下:
(1)生成规模大小为N的初始种群;
(2)通过计算种群中个体的适应度值,即居民用电量预测的精度,并按照降序排列;
(3)将排在前一半的优秀个体传递到信念空间;
(4)信念空间把接收到的优秀个体与原来的个体进行比较,计算适应度值并进行降序排列,保留目前最优的一半个体;
(5)选择信念空间的一部分个体进行耗散结构的遗传算法操作,并逐步增大搜索空间,并进行变异操作,产生下一代种群;
(6)检验是否满足精度要求,若满足即可结束,若不满足则进行下一步。
(7)将优秀个体传递到群体空间,最优个体与最差个体的30%进行交叉操作,并进行变异操作,产生下一代种群。
(8)产生空间大小50%的随机种群;
(9)转到步骤(3);
(10)反复迭代计算,直到符合精度要求即可结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811531895.6A CN109615139A (zh) | 2018-12-14 | 2018-12-14 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811531895.6A CN109615139A (zh) | 2018-12-14 | 2018-12-14 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615139A true CN109615139A (zh) | 2019-04-12 |
Family
ID=66009415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811531895.6A Pending CN109615139A (zh) | 2018-12-14 | 2018-12-14 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615139A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
CN111291465A (zh) * | 2020-01-10 | 2020-06-16 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN112365097A (zh) * | 2020-12-03 | 2021-02-12 | 江汉大学 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345660A (zh) * | 2013-06-28 | 2013-10-09 | 广东工业大学 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
CN105447598A (zh) * | 2015-11-30 | 2016-03-30 | 国网河南省电力公司洛阳供电公司 | 一种基于误差修正模型的电力系统中负荷预测装置及方法 |
CN106651013A (zh) * | 2016-12-02 | 2017-05-10 | 云南电网有限责任公司玉溪供电局 | 基于多元数据技术的电力市场分析与预测方法 |
CN108320053A (zh) * | 2018-01-23 | 2018-07-24 | 国网冀北电力有限公司经济技术研究院 | 一种区域用电量预测方法、装置及系统 |
-
2018
- 2018-12-14 CN CN201811531895.6A patent/CN109615139A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345660A (zh) * | 2013-06-28 | 2013-10-09 | 广东工业大学 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
CN105447598A (zh) * | 2015-11-30 | 2016-03-30 | 国网河南省电力公司洛阳供电公司 | 一种基于误差修正模型的电力系统中负荷预测装置及方法 |
CN106651013A (zh) * | 2016-12-02 | 2017-05-10 | 云南电网有限责任公司玉溪供电局 | 基于多元数据技术的电力市场分析与预测方法 |
CN108320053A (zh) * | 2018-01-23 | 2018-07-24 | 国网冀北电力有限公司经济技术研究院 | 一种区域用电量预测方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
陈瑞: "中长期负荷预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
高丽丽等: "基于模式学习的文化遗传算法研究", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
CN111291465A (zh) * | 2020-01-10 | 2020-06-16 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN111291465B (zh) * | 2020-01-10 | 2023-10-03 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN112365097A (zh) * | 2020-12-03 | 2021-02-12 | 江汉大学 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
CN109615139A (zh) | 一种基于文化遗传算法的居民中长期用电量预测方法 | |
Feng et al. | Multi-objective quantum-behaved particle swarm optimization for economic environmental hydrothermal energy system scheduling | |
Wang et al. | A review of artificial intelligence based building energy prediction with a focus on ensemble prediction models | |
CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
CN109886473A (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
Kumar et al. | Optimal sizing of stand alone hybrid renewable energy system with load shifting | |
CN105574586B (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
Moradzadeh et al. | A secure federated deep learning-based approach for heating load demand forecasting in building environment | |
Niu et al. | Measurement on carbon lock-in of China based on RAGA-PP model | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Wang et al. | A novel exponential time delayed fractional grey model and its application in forecasting oil production and consumption of China | |
Wen et al. | Forecasting the annual household electricity consumption of Chinese residents using the DPSO-BP prediction model | |
CN109961187A (zh) | 能源规划方法和能源规划系统 | |
Wang et al. | A power load forecasting model based on FA‐CSSA‐ELM | |
Wang et al. | Multi-objective optimization of IoT-based green building energy system using binary metaheuristic algorithms | |
Shabbir et al. | Forecasting of energy consumption and production using recurrent neural networks | |
Oladipo et al. | An Improved Particle Swarm Optimization and Adaptive Neuro‐Fuzzy Inference System for Predicting the Energy Consumption of University Residence | |
CN109146196B (zh) | 一种居民社区时用水量预测方法 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Khedher et al. | Approximating heat loss in smart buildings through large scale experimental and computational intelligence solutions |
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 |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |