CN110648021A - 一种两级电力负荷预测结果协调方法、装置及设备 - Google Patents
一种两级电力负荷预测结果协调方法、装置及设备 Download PDFInfo
- Publication number
- CN110648021A CN110648021A CN201910868349.XA CN201910868349A CN110648021A CN 110648021 A CN110648021 A CN 110648021A CN 201910868349 A CN201910868349 A CN 201910868349A CN 110648021 A CN110648021 A CN 110648021A
- Authority
- CN
- China
- Prior art keywords
- coordination
- load
- particle
- value
- reliability
- 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 28
- 239000002245 particle Substances 0.000 claims abstract description 107
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种两级电力负荷预测结果协调方法,步骤包括获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;基于粒子群算法,对所述可信度进行优化;根据最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果。本发明提供了一种两级电力负荷预测结果协调方法、装置及设备,能够对分开独立预测的总负荷和子负荷两者的预测结果进行协调。
Description
技术领域
本发明涉及电力系统技术领域,尤其是涉及一种两级电力负荷预测结果协调方法、装置及设备。
背景技术
电力负荷预测是电力系统规划与运行中的一项重要内容。在负荷预测工作中,一般需要对不同层次的电力负荷进行预测。按照不同的标准,可以将电力负荷分为多个级别或层次,分别称为总负荷和子负荷。例如,按空间划分,如果全网电力负荷为总负荷,则网内各子区域或各节点负荷即为子负荷;又如按时间划分,某一定时期内的电力负荷为总负荷,则子负荷对应该时期内各段时间的电力负荷。无论如何划分,两个级别之间总是存在预测结果不均衡、不协调现象。因此,如何对总负荷和子负荷两者的预测结果进行协调,成为当前亟需解决的问题。
发明内容
针对上述技术问题,本发明提供了一种两级电力负荷预测结果协调方法、装置及设备,能够对分开独立预测的总负荷和子负荷两者的预测结果进行协调。所述技术方案如下:
第一方面,本发明实施例提供了一种两级电力负荷预测结果协调方法,步骤包括:
获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;
基于粒子群算法,对所述可信度进行优化:
随机初始化每个粒子的粒子速度和粒子位置,并计算每个粒子当前位置的适应值;其中,所述粒子位置对应所述可信度;
对当前的粒子位置的适应值与个体历史最优位置的适应值进行对比,若当前的粒子位置的适应值大于个体历史最优位置的适应值,则将当前的粒子位置作为新的个体历史最优位置;
对所有粒子的个体历史最优位置的适应值进行对比,选出适应值最大的作为全局最优位置;
对粒子速度及粒子位置进行更新,并重新计算出全局最优位置;
当算法的迭代次数达到最大迭代次数时,输出各粒子的全局最优位置作为各预测对象的最优可信度;
根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果。
在本发明第一方面的第一种可能的实现方式中,所述获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型,还包括:
在协调前子负荷预测值的基础上按比例分配不平衡量,得到子负荷协调值;以及
反向修正不平衡量之后,与协调前总负荷预测值进行叠加,得到总负荷协调值。
在本发明第一方面的第二种可能的实现方式中,所述根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果,还包括:
当所述协调结果的不平衡量、总调整量满足指标要求时,则判定所述协调结果合格。
在本发明第一方面的第三种可能的实现方式中,所述根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果,还包括:
计算总负荷相对误差和子负荷平均相对误差,并根据所述总负荷相对误差和所述子负荷平均相对误差测算出预测精度。
第二方面,本发明实施例提供了一种两级电力负荷预测结果协调装置,包括:
协调模型构建模块,用于获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;
可信度优化模块,用于基于粒子群算法,对所述可信度进行优化:
随机初始化每个粒子的粒子速度和粒子位置,并计算每个粒子当前位置的适应值;其中,所述粒子位置对应所述可信度;
对当前的粒子位置的适应值与个体历史最优位置的适应值进行对比,若当前的粒子位置的适应值大于个体历史最优位置的适应值,则将当前的粒子位置作为新的个体历史最优位置;
对所有粒子的个体历史最优位置的适应值进行对比,选出适应值最大的作为全局最优位置;
对粒子速度及粒子位置进行更新,并重新计算出全局最优位置;
当算法的迭代次数达到最大迭代次数时,输出各粒子的全局最优位置作为各预测对象的最优可信度;
协调结果输入模块,用于根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果。
在本发明第二方面的第一种可能的实现方式中,所述协调模型构建模块,还包括:
子负荷协调值计算模块,用于在协调前子负荷预测值的基础上按比例分配不平衡量,得到子负荷协调值;
总负荷协调值计算模块,用于反向修正不平衡量之后,与协调前总负荷预测值进行叠加,得到总负荷协调值。
在本发明第二方面的第二种可能的实现方式中,所述的两级电力负荷预测结果协调装置还包括:
必要指标判定模块,用于当所述协调结果的不平衡量、总调整量满足指标要求时,则判定所述协调结果合格。
在本发明第二方面的第三种可能的实现方式中,所述的两级电力负荷预测结果协调装置还包括:
精度优化指标计算模块,用于计算总负荷相对误差和子负荷平均相对误差,并根据所述总负荷相对误差和所述子负荷平均相对误差测算出预测精度。
第三方面,本发明实施例提供了一种两级电力负荷预测结果协调设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的两级电力负荷预测结果协调方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明通过构建基于所述可信度的协调模型,消除子负荷预测总加与总负荷预测之间的不平衡量;其中,通过获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,减少对各预测对象的预测精度影响。同时为了提高协调结果的准确率,利用粒子群算法对可信度进行优化,计算得到的全局最优位置即为最优可信度,从而大大提高优化效率。
附图说明
图1是本发明实施例中的一种两级电力负荷预测结果协调方法的步骤流程图;
图2是本发明实施例中的一种两级电力负荷预测结果协调方法的原理图;
图3是本发明实施例中的一种两级电力负荷预测结果协调装置的结构模块图。
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1和图2,本发明提供一种示例性实施例,一种两级电力负荷预测结果协调方法,步骤包括:
S100、采集电力系统的实际负荷数据和预测负荷数据;其中,所述实际负荷数据和所述预测负荷数据往往包含一些坏数据点,如果不对其加以处理和修正则会影响模型对一般规律的提取,对后续的协调效果会产生较大影响。对此,本发明中采用拉格朗日插值法进行预处理。
S101、获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;
所述协调模型可用以下方式表示:
其中wi(i=0,1,...,b)即为各预测结果的可信度。基于对历史预测较准确的对象少调整,对历史预测较差的对象多调整的原则,取各负荷一段时间内预测相对误差平均值的倒数作为可信度,即:
需要说明的是,本发明中所指的可信度属于恒定可信度,即认为同一子负荷在不同时刻的可信度均相同。
S102、基于粒子群算法,对所述可信度进行优化:
(1)随机初始化每个粒子的粒子速度和粒子位置,其中,所述粒子位置对应所述可信度;在本实施例中,粒子速度为vi,粒子位置为pi;
(2)计算每个粒子当前位置的适应值;在本实施例中,适应值为f(pi);
(3)对当前的粒子位置的适应值与个体历史最优位置的适应值进行对比,若当前的粒子位置的适应值大于个体历史最优位置的适应值,则将当前的粒子位置作为新的个体历史最优位置;在本实施例中,对粒子当前位置pi的适应值与pbesti的适应值进行对比,若f(xi)>f(pbesti),则将pi作为新的pbesti,即pbesti=pi;
(4)对所有粒子的个体历史最优位置的适应值进行对比,选出适应值最大的作为全局最优位置;在本实施例中,对所有粒子的个体历史最优位置pbesti的适应值进行对比,选出适应值最大的作为全局最优位置,即:
(5)对粒子的速度及位置进行更新,然后跳转到步骤(2)继续优化过程;在本实施例中,判断是否满足结束条件,如果满足结束条件则停止;否则,跳转到步骤(5);其中,本发明中设定结束的判断条件为达到最大迭代次数100次;
(6)输出各粒子的全局最优位置作为各预测对象的最优可信度;
可以理解的是,粒子群算法是受鸟群觅食行为启发得到的群体智能优化算法。在粒子群优化算法中,每个粒子对应鸟群中的一只鸟,食物位置即为优化问题的最优解,每个粒子的速度决定其移动的方向和步长。在进化过程中,每个粒子会记录其自身到目前为止的最优位置以及全局最优位置,全局最优位置即为整个粒子群到目前为止找到的最优位置。
S103、根据所述最优可信度,求解所述协调模型得出协调结果。
本发明实施例通过构建基于所述可信度的协调模型,消除子负荷预测总加与总负荷预测之间的不平衡量;其中,通过获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,减少对各预测对象的预测精度影响。同时为了提高协调结果的准确率,利用粒子群算法对可信度进行优化,计算得到的全局最优位置即为最优可信度,从而大大提高优化效率。
本实施例的其中一种实施方式为,所述获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型,还包括:
在协调前子负荷预测值的基础上按一定比例分配不平衡量,得到子负荷协调值:以及
反向修正不平衡量之后,与协调前总负荷预测值进行叠加,得到总负荷协调值。
在本实施例中,可信度模型属于标准的二次规划模型,利用拉格朗日乘数法解得:
本实施例的其中一种实施方式为,所述根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果,还包括:
当所述协调结果的不平衡量、总调整量满足指标要求时,则判定所述协调结果合格。
在本实施例中,不平衡量指标:
协调的最终目的是使总负荷和子负荷达到上下级平衡,不平衡量指标就是衡量调整后总负荷与子负荷的不平衡程度。
总调整量指标:
必要评价指标是协调结果所必须达到的指标,当结果没能满足这些指标要求时,协调结果可被认为是不可接受或失败的。
在本实施例中,对不平衡量指标、总调整量指标进行更严格的测算有利于考核协调结果的合理性,有利于提高协调结果的准确率。
本发明实施例的其中一种实施方式为,所述根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果,还包括:
计算总负荷相对误差和子负荷平均相对误差,并根据所述总负荷相对误差和所述子负荷平均相对误差测算出预测精度。
在本实施例中,必要评价指标主要用于衡量模型通过合理地分摊消除预测不平衡量的能力,而对协调后的预测精度未作考虑。因此,针对协调前后对预测精度的影响,提出如下评价指标。
总负荷相对误差:
子负荷平均相对误差:
精度综合评价指标:
E=(1+e0)(1+e) (11)
根据上述评价指标,可知一个协调的模型的优化目标是找到一组最化wi(i=0,1,...,b),在满足必要评价指标前提下,精度综合评价指标无限趋近于1。
将利用拉格朗日乘数法所求得的解,带入必要评价指标可得:
因此,通过上述验证已将问题转化为如伺寻找各预测对象的最优可信度,以获得协调后的更优预测精度。
在本实施例中,假设粒子群中有n个粒子,粒子群在一个D维的搜索空间内进行搜索,f(x)为待求解的最大化目标函数(或最小化,本文以最大化目标函数为例)。每个粒子i有速度和位置两个属性,分别为vi=(v,v2,...,vD),xi=(x1,x2,...,xD)。粒子在迭代进化过程中,会更新并记录其自身到目前为止的最优位置pbesti,并对所有粒子的pbesti进行比较,将适应值最大的pbesti作为全局最优位置gbest。在进化过程中,粒子i在pbesti与gbest的指导下,对其速度vi进行更新,粒子i的速度更新公式为:
vi(t+1)=ωvi(t)+c1r1(pbesti(t)-xi(t))+c2r2(gbest(t)-xi(t)), (14)
xi(t+1)=xi(t)+vi(t+1) (15)
s.t.i=1,2,...,n. (16)
vi(t+1)与xi(t+1)分别为在迭代次数为t+1时,粒子i的速度与位置;vi(t)与xi(t)分别为粒子i在迭代次数为t时的速度及位置;ω为惯性权重;c1、c2分别为加速系数;r1、r2分别为在[0,1]区间的随机数;pbesti(t)为粒子i在迭代次数为t时的个体历史最优位置;gbest(t)为整个种群在迭代次数为t时的全局最优位置。
在协调问题中,粒子的位置即可信度:
p=w (17)
定义粒子群算法的目标函数如下:
f=E=(1+e)(1+e0) (18)
在本实施例中,为进一步提高测算精度,提出精度综合评价指标并进行相关计算,以获得协调后的更优预测精度;同时结合粒子群算法,大大提高优化效率。
需要说明的是,z0为协调前总负荷预测值;x0为协调后总负荷预测值;X0为总负荷实际值;w0为总负荷预测可信度;b为子负荷预测数;zi(i=1,...,b)为协调前子负荷预测值;xi(i=1,...,b)为协调后子负荷预测值;Xi(i=1,...,b)为子负荷实际值;wi(i=1,...,b)为子负荷预测可信度;下标d为第d日;下标t为第t时间点;D为总日期数;T每日总时间点数。
请参见图3,本发明实施例提供了一种两级电力负荷预测结果协调装置,步骤包括:
采集模块200,用于采集电力系统的实际负荷数据和预测负荷数据;
协调模型构建模块201,用于获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;
可信度优化模块202,用于基于粒子群算法,对所述可信度进行优化:
随机初始化每个粒子的粒子速度和粒子位置,并计算每个粒子当前位置的适应值;其中,所述粒子位置对应所述可信度;
对当前的粒子位置的适应值与个体历史最优位置的适应值进行对比,若当前的粒子位置的适应值大于个体历史最优位置的适应值,则将当前的粒子位置作为新的个体历史最优位置;
对所有粒子的个体历史最优位置的适应值进行对比,选出适应值最大的作为全局最优位置;
对粒子速度及粒子位置进行更新,并重新计算出全局最优位置;
当算法的迭代次数达到最大迭代次数时,输出各粒子的全局最优位置作为各预测对象的最优可信度;
协调结果输入模块203,用于根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果。
在本发明第二方面的第一种可能的实现方式中,所述协调模型构建模块,还包括:
子负荷协调值计算模块,用于在协调前子负荷预测值的基础上按比例分配不平衡量,得到子负荷协调值;
总负荷协调值计算模块,用于反向修正不平衡量之后,与协调前总负荷预测值进行叠加,得到总负荷协调值。
在本发明第二方面的第二种可能的实现方式中,所述的两级电力负荷预测结果协调装置还包括:
必要指标判定模块,用于当所述协调结果的不平衡量、总调整量满足指标要求时,则判定所述协调结果合格。
在本发明第二方面的第三种可能的实现方式中,所述的两级电力负荷预测结果协调装置还包括:
精度优化指标计算模块,用于计算总负荷相对误差和子负荷平均相对误差,并根据所述总负荷相对误差和所述子负荷平均相对误差测算出预测精度。
本发明实施例提供了一种两级电力负荷预测结果协调设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的两级电力负荷预测结果协调方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (9)
1.一种两级电力负荷预测结果协调方法,其特征在于,步骤包括:
获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;
基于粒子群算法,对所述可信度进行优化:
随机初始化每个粒子的粒子速度和粒子位置,并计算每个粒子当前位置的适应值;其中,所述粒子位置对应所述可信度;
对当前的粒子位置的适应值与个体历史最优位置的适应值进行对比,若当前的粒子位置的适应值大于个体历史最优位置的适应值,则将当前的粒子位置作为新的个体历史最优位置;
对所有粒子的个体历史最优位置的适应值进行对比,选出适应值最大的作为全局最优位置;
对粒子速度及粒子位置进行更新,并重新计算出全局最优位置;
当算法的迭代次数达到最大迭代次数时,输出各粒子的全局最优位置作为各预测对象的最优可信度;
根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果。
2.如权利要求1所述的两级电力负荷预测结果协调方法,其特征在于,所述获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型,还包括:
在协调前子负荷预测值的基础上按比例分配不平衡量,得到子负荷协调值;以及
反向修正不平衡量之后,与协调前总负荷预测值进行叠加,得到总负荷协调值。
3.如权利要求1所述的两级电力负荷预测结果协调方法,其特征在于,所述根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果,还包括:
当所述协调结果的不平衡量、总调整量满足指标要求时,则判定所述协调结果合格。
4.如权利要求1所述的两级电力负荷预测结果协调方法,其特征在于,所述根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果,还包括:
计算总负荷相对误差和子负荷平均相对误差,并根据所述总负荷相对误差和所述子负荷平均相对误差测算出预测精度。
5.一种两级电力负荷预测结果协调装置,其特征在于,包括:
协调模型构建模块,用于获取一段时间内负荷预测的相对误差平均值的倒数作为可信度,构建基于所述可信度的协调模型;
可信度优化模块,用于基于粒子群算法,对所述可信度进行优化:
随机初始化每个粒子的粒子速度和粒子位置,并计算每个粒子当前位置的适应值;其中,所述粒子位置对应所述可信度;
对当前的粒子位置的适应值与个体历史最优位置的适应值进行对比,若当前的粒子位置的适应值大于个体历史最优位置的适应值,则将当前的粒子位置作为新的个体历史最优位置;
对所有粒子的个体历史最优位置的适应值进行对比,选出适应值最大的作为全局最优位置;
对粒子速度及粒子位置进行更新,并重新计算出全局最优位置;
当算法的迭代次数达到最大迭代次数时,输出各粒子的全局最优位置作为各预测对象的最优可信度;
协调结果输入模块,用于根据所述最优可信度,输入实际负荷数据和预测负荷数据求解所述协调模型得出协调结果。
6.如权利要求5所述的两级电力负荷预测结果协调装置,其特征在于,所述协调模型构建模块,还包括:
子负荷协调值计算模块,用于在协调前子负荷预测值的基础上按比例分配不平衡量,得到子负荷协调值;
总负荷协调值计算模块,用于反向修正不平衡量之后,与协调前总负荷预测值进行叠加,得到总负荷协调值。
7.如权利要求5所述的两级电力负荷预测结果协调装置,其特征在于,还包括:
必要指标判定模块,用于当所述协调结果的不平衡量、总调整量满足指标要求时,则判定所述协调结果合格。
8.如权利要求5所述的两级电力负荷预测结果协调装置,其特征在于,还包括:
精度优化指标计算模块,用于计算总负荷相对误差和子负荷平均相对误差,并根据所述总负荷相对误差和所述子负荷平均相对误差测算出预测精度。
9.一种两级电力负荷预测结果协调设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的两级电力负荷预测结果协调方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868349.XA CN110648021B (zh) | 2019-09-12 | 2019-09-12 | 一种两级电力负荷预测结果协调方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868349.XA CN110648021B (zh) | 2019-09-12 | 2019-09-12 | 一种两级电力负荷预测结果协调方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648021A true CN110648021A (zh) | 2020-01-03 |
CN110648021B CN110648021B (zh) | 2021-08-03 |
Family
ID=68991861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910868349.XA Active CN110648021B (zh) | 2019-09-12 | 2019-09-12 | 一种两级电力负荷预测结果协调方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648021B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
CN103544537A (zh) * | 2013-09-25 | 2014-01-29 | 国网安徽省电力公司 | 基于预测可信度评估的综合子网累加的短期负荷预测方法 |
CN104123595A (zh) * | 2014-07-22 | 2014-10-29 | 国家电网公司 | 一种配电网负荷预测方法及系统 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105809274A (zh) * | 2016-02-29 | 2016-07-27 | 胡国旺 | 基于粒子群算法的电力系统 |
CN107423846A (zh) * | 2017-06-14 | 2017-12-01 | 国家电网公司 | 一种基于改进粒子群算法的空间电力负荷预测方法 |
CN107565606A (zh) * | 2017-09-01 | 2018-01-09 | 国网河南省电力公司电力科学研究院 | 计及预测可信度差异性的配电网风光水发电优化调度方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN109117955A (zh) * | 2017-06-22 | 2019-01-01 | 南京理工大学 | 一种基于粒子群优化算法的电力系统规划方法 |
CN110135621A (zh) * | 2019-04-10 | 2019-08-16 | 国网江苏省电力有限公司南通供电分公司 | 一种基于pso优选模型参数的短期电力负荷预测方法 |
CN110222879A (zh) * | 2019-05-17 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
-
2019
- 2019-09-12 CN CN201910868349.XA patent/CN110648021B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
CN103544537A (zh) * | 2013-09-25 | 2014-01-29 | 国网安徽省电力公司 | 基于预测可信度评估的综合子网累加的短期负荷预测方法 |
CN104123595A (zh) * | 2014-07-22 | 2014-10-29 | 国家电网公司 | 一种配电网负荷预测方法及系统 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105809274A (zh) * | 2016-02-29 | 2016-07-27 | 胡国旺 | 基于粒子群算法的电力系统 |
WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107423846A (zh) * | 2017-06-14 | 2017-12-01 | 国家电网公司 | 一种基于改进粒子群算法的空间电力负荷预测方法 |
CN109117955A (zh) * | 2017-06-22 | 2019-01-01 | 南京理工大学 | 一种基于粒子群优化算法的电力系统规划方法 |
CN107565606A (zh) * | 2017-09-01 | 2018-01-09 | 国网河南省电力公司电力科学研究院 | 计及预测可信度差异性的配电网风光水发电优化调度方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
CN110135621A (zh) * | 2019-04-10 | 2019-08-16 | 国网江苏省电力有限公司南通供电分公司 | 一种基于pso优选模型参数的短期电力负荷预测方法 |
CN110222879A (zh) * | 2019-05-17 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
Non-Patent Citations (8)
Title |
---|
ZHIKUN ZHANG等: "Credibility Assessment of Short-term Load", 《IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES》 * |
牟涛等: "电力系统多级负荷预测及其协调问题(三)", 《电力系统自动化》 * |
牟涛等: "电力系统多级负荷预测及其协调问题(二)", 《电力系统自动化》 * |
牟涛等: "电力系统多级负荷预测及其协调问题(四)", 《电力系统自动化》 * |
翟帅华等: "基于改进PSO-BP神经网络的短期电力负荷预测", 《工业控制计算机》 * |
肖白等: "基于预测可信度的多级协调空间负荷预测方法", 《电测与仪表》 * |
陈明辉等: "基于遗传算法的母线负荷预测双向协调优化研究", 《电气时代》 * |
马建伟等: "计及预测可信度时段差异性的含分布式可再生能源配电网调度策略", 《电力系统及其自动化学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110648021B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
Barrat et al. | Rate equation approach for correlations in growing network models | |
Wang et al. | Multi-stage holomorphic embedding method for calculating the power-voltage curve | |
CN110504676B (zh) | 一种基于apso-bp的配电网状态估计方法 | |
CN108875233B (zh) | 混合不确定性下基于动态权重响应面的结构可靠性方法 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN117039895B (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
CN109409614A (zh) | 一种基于贝叶斯正则化神经网络的电力负荷预测方法 | |
CN107909194B (zh) | 系统级测试性设计多目标优化方法 | |
CN110794308B (zh) | 列车电池容量预测方法及装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN114970341B (zh) | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN111667189A (zh) | 一种基于一维卷积神经网络的建筑工程项目风险预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN109816165A (zh) | 风电超短期功率预测方法及系统 | |
CN110648021B (zh) | 一种两级电力负荷预测结果协调方法、装置及设备 | |
CN110275895B (zh) | 一种缺失交通数据的填充设备、装置及方法 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
CN110222879B (zh) | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 | |
CN115688535A (zh) | 基于波形相似性分析的功率数据组合插值方法及系统 |
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 |