CN110751318B - 一种基于ipso-lstm的超短期电力负荷预测方法 - Google Patents
一种基于ipso-lstm的超短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN110751318B CN110751318B CN201910919659.XA CN201910919659A CN110751318B CN 110751318 B CN110751318 B CN 110751318B CN 201910919659 A CN201910919659 A CN 201910919659A CN 110751318 B CN110751318 B CN 110751318B
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- ipso
- particle
- value
- 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 69
- 239000002245 particle Substances 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/004—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于IPSO‑LSTM的超短期电力负荷预测方法，包括步骤：1)对电力网络负荷数据进行预处理；2)确定IPSO中粒子群个体数量、个体维度和个体各维度参数取值范围，并对粒子群进行初始化；3)重新定义IPSO的适应度函数；4)根据粒子状态确定LSTM网络参数；5)训练LSTM网络，获取粒子适应度值；6)比较适应度值，更新粒子状态；7)判断更新过程是否满足要求，若不满足，则返回步骤4)；8)获取优化后的LSTM网络参数，重新训练网络；9)根据优化后的LSTM网络参数进行超短期负荷预测。与现有技术相比，本发明具有提高超短期负荷预测精度、降低训练时间等优点。
Description
技术领域
本发明涉及一种电力负荷预测方法，尤其是涉及一种基于IPSO-LSTM的超短期电力负荷预测方法。
背景技术
电力系统负荷预测是电力系统规划和稳定、安全、经济运行的基础。不同的预测类型对电网有着不同的应用目的。其中超短期负荷预测(very short term loadforecasting，VSTLF)一般指当前时刻往后1h内的负荷预测，能够帮助工作人员制定合理的日内生产计划。可靠的预测结果有利于提高发电设备的利用率，降低电力网络的运营成本。而随着电网市场化改革的推进，有效的超短期负荷预测对实时电价的影响更加明显。但是随着电网规模的不断扩大，负荷多样性的增加，高效和精确的超短期负荷预测变得更加困难。这就要求超短期的负荷预测方法同时具有快速和准确的特点。
从二十世纪五十年代开始，人们就逐步的开始将电力负荷预测纳入到工作当中。最早的负荷预测结果很不理想，得出的预测值与实际值差距很大，仅仅能够掌握负荷的趋势。而随着后来各种理论知识不断进步，最主要的是计算机技术的迅猛发展，一些预测方法开始兴起，比如时间序列法以及回归分析法，使得负荷预测工作取得了很大的进步，预测精度有所提高。但是这些方法仍存在很大的缺陷，预测误差还是很大，要想减小误差，则需要很大的计算量。后来基于大量计算的人工智能预测法能够很好的完成非线性负荷的拟合问题进而完成预测，并且将影响负荷变化的各种因素比如温度、天气、湿度等，这样就确保了负荷预测的更加精确。
目前国外研究较多的是智能方法，如神经网络、支持向量机等方法。国内的部分研究在进行短期电力负荷预测时将多个气象因素考虑在内，全面的分析气象的影响特点，预测效果很好。在考虑实时气象因素上，国内研究只是处于初步阶段，部分研究利用神经网络方法对电力负荷进行预测，也在标准神经网络的基础上对算法进行了改进，预测精度明显提高。还有部分研究是将神经网络的方法与模糊控制的方法进行结合，组成组合模型来进行预测，充分发挥了两个模型所具有的共同的优点，预测精度提高。综合国内外学者的研究，提出了很多种负荷预测的方法，其中经典的方法有外推法、时间序列法、回归分析法和灰色系统法。人工智能方法有专家系统法、小波分析法、人工神经网络法等。
由于人工神经网络方法的应用范围越来越广泛，对其研究也更加深入，因此出现了很多新算法，使它自身的自适应功能和自学习功能取得了提高，并且可以将其他影响因素加入到其中，是电力系统短期负荷预测的一种有效方法。但是，人工神经网络法也具有一定的缺陷，其收敛速度较慢，容易出现局部极小现象，所以，还需要进一步的研究改进。
其中长短期记忆(long short term memory，LSTM)网络作为一种特殊的循环神经网络(recurrent neural network，RNN)能够更好的学习到数据中的时序特征，解决的时序特征提取问题，具有更高的预测精度，但是存在收敛速度较慢的问题。而超短期负荷预测具有数据量大，时效性特点，运用LSTM网络进行预测时存在一些问题。首先是隐含层数和神经元数的确定，其次是学习率和迭代次数的确定。这些参数直接影响了LSTM网络的训练时间和预测精度。此外，传统上使用LSTM网络进行负荷预测需要根据经验，人工设定LSTM的各项参数，不能保证建立的LSTM网络为最优网络。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于IPSO-LSTM的超短期电力负荷预测方法，通过利用IPSO(improved particle swarm optimization，改进的粒子群优化算法)的寻优能力优化LSTM神经网络的参数，通过LSTM神经网络来挖掘历史负荷数据内的有用信息，从而较好的拟合符合数据，准确高效的完成超短期的电力网络负荷预测。
本发明的目的可以通过以下技术方案来实现：
一种基于IPSO-LSTM的超短期电力负荷预测方法，包括如下步骤：
步骤一、数据预处理。
选取预测数据前一年的电力网络负荷数据作为原始的样本数据，数据采样间隔相同。对采样的数据剔除异常数据，填充残缺数据，随后进行数据归一化处理，最后进行数据分割。
其中，获取样本数据后剔除异常数据，其方法是：根据样本负荷曲线确定正常数据的上下限，删除异常数据。填充残缺数据，其方法是：对于缺失数据的采样点，通过获取前一个非缺失采样点的负荷数据和后一非缺失采样点的负荷数据，求出两者的平均值来填充中间的缺失数据。
数据归一化的方法为：
式中，xt为采样点的实际电力负荷数据，xmax为样本数据中的最大值，xmin为样本数据中的最小值，是采样点经过归一化后的负荷数据。
数据分割，其特征是：将样本依据时间顺序分割成两部分，即训练集和测试集。
步骤二、确定IPSO中粒子群个体数量，个体维度和个体各维度参数取值范围，初始化粒子群。
1)确定粒子群个体数量的具体内容为：
根据执行算法的计算机能力来确定粒子群个体数量，计算机算力越强，可设置的粒子数量越多；计算机算力越弱，可设置粒子数量越少，但不得少于10个。
2)个体维度和个体各维度参数取值范围的确定方法为：
根据样本数据的周期性强弱来确定个体维度，数据周期性越强，维度越低，但不得低于4维；周期性越弱，维度越高，但不得高于6维。个体前两个(最高维度为6时，此处为4)维分别表示隐含层1-2(最高维度为6时，此处为4)层每层的神经元数，后两个维度分别表示LSTM网络的学习率和最大迭代次数。
步骤三、重新定义IPSO的适应度函数。
具体适应度函数为：
式中，n为预测的样本点个数，y′为样本点的预测值，y为同一样本点的实际值。
步骤四、将每个粒子的状态信息传递给LSTM神经网络，得到不同的LSTM神经网络。根据粒子状态确定LSTM网络参数。每个粒子都构建一个LSTM网络，粒子位置的各维度数值分别对应着LSTM网络的隐含层神经元数，学习率，迭代次数。从而根据各粒子的位置确定LSTM网络参数。
步骤五、训练LSTM网络得到粒子适应度值。
训练LSTM网络的方法是通过历史数据进行迭代训练。假设样本容量为N，以m个连续样本点预测下一样本点xi时可以表示为：xi＝f(xi-1,xi-2,...xi-m)，其中，i∈[m+1,N]，LSTM网络的激励函数为sigmoid函数。
步骤六、比较适应度值，更新粒子状态。
更新粒子状态，采用非线性惯性权值wt，其表达式为：
式中，t为当前迭代次数；a，b为常量；Tmax为最大迭代次数；η为曲率调节参数。通过调节常量a，b和η使非线性惯性权值wt在迭代初期数值较大，粒子位置变化快，利于IPSO寻找全局最优解；迭代后期数值较小，粒子位置变化慢，利于提高IPSO的局部寻优能力。
更新粒子状态，即粒子位置和速度，首先更新个体最佳适应度值，其方法为：比较粒子当天适应值和历史最佳适应值，用较大的适应值更新当前个体最佳适应值。然后比较所有粒子的最佳适应度值，取其最大的数值与种群最佳适应度值比较，用较大的值更新种群最佳适应度值。
更新粒子状态所用的更新公式为：
式中，wt为惯性权重；d＝1,2,…,n；i＝1,2,…,m；t为迭代次数；Vid为第i个粒子在第d维的速度；Xid为第i个粒子在第d维的位置；c1和c2为非负常数；r1和r2为[0，1]之间的随机数。
步骤七、判断是否满足要求，若满足，则执行下一步，不满足则返回步骤四。
判断粒子更新过程是否满足要求，其判断条件一是：判断步骤六更新粒子状态过程是否达到最大迭代次数，二是：种群最佳适应值是否在给定误差范围内。满足任一条件即为满足要求。
步骤八、得到优化后的LSTM网络参数，重新训练网络。
得到优化后的参数为粒子种群的最佳适应值所对应的粒子位置。重新训练网络所用方法与步骤五相同。
步骤九、进行超短期负荷预测。将测试集内负荷数据作为LSTM网络的输入数据，通过LSTM网络输出下一个采样点的预测值。
与现有技术相比，本发明具有以下优点：
1、传统上使用LSTM网络进行负荷预测需要根据经验，人工设定LSTM的各项参数，不能保证建立的LSTM网络为最优网络，本发明通过IPSO生成多个LSTM网络，然后进行迭代寻优，能够尽可能的找到最优的LSTM网络，从而提高预测精度；
2、本发明通过非线性惯性权值调节IPSO的寻优能力，减少了寻找最优LSTM网络参数所需的时间，提高了寻找最优LSTM网络的效率；
3、本发明寻找的最优LSTM网络，具有合适的隐含层神经元数，学习率，迭代次数等参数，能够避免根据经验设定的不合适参数造成的时间浪费，有效的提高了超短期负荷预测的效率；
4、本发明的LSTM网络的各项参数由计算机优化获得，自动化程度高，无需人工调节，减少人为失误。
附图说明
图1为按照本发明基于IPSO-LSTM网络的超短期电力负荷预测方法的LSTM计算节点示意图；
图2为按照本发明基于IPSO-LSTM网络的超短期电力负荷预测方法中非线性惯性权重的随迭代次数的变化；
图3为本发明基于IPSO-LSTM网络的超短期电力负荷预测方法中预测模型的流程图；
图4为本发明实施例中IPSO-LSTM的部分预测曲线与LSTM的部分预测曲线的对比图；
图5为本发明实施例中预测曲线与LSTM预测曲线的收敛对比图；
图6为本发明实施例中根据基于IPSO-LSTM网络的超短期电力负荷预测方法的IPSO-LSTM的部分预测曲线与LSTM的部分预测曲线的相对误差对比图；
图7为样本集的负荷曲线。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明涉及一种基于IPSO-LSTM的超短期电力负荷预测方法，为说明改进后的算法效果，通过构建LSTM神经网络和IPSO-LSTM网络作对比实验。
实施例
本实施例的模型采用python语言实现，LSTM模型使用Keras实现，训练模型的硬件环境为：Intel Core i7 3770，NVIDIA GTX 1060，内存16GB，软件环境为：python 3.5，tensorflow_gpu_1.4，keras 2.1。
本实施例所用的数据为某电力公司2016年全年的电力负荷数据，采样周期为1小时，所得样本容量为8760，其中包括8000个训练样本，760个测试样本。部分样本数据见表1：
表1某电力公司2016年电力负荷样本数据
依照本发明的方法步骤：
步骤(1)、数据预处理：剔除异常数据，填充残缺数据，之后进行数据归一化处理，最后进行数据分割；
步骤(2)、确定粒子群个体数量，个体维度和个体各维度参数取值范围，初始化粒子群；
步骤(3)、重新定义IPSO的适应度函数；
步骤(4)、根据粒子状态确定LSTM网络参数；
步骤(5)、训练LSTM网络得到粒子适应度值；
步骤(6)、比较适应度值，更新粒子状态；
步骤(7)、判断是否满足要求，不满足则返回步骤(4)；
步骤(8)、得到优化后的LSTM网络参数，重新训练网络；
步骤(9)、进行超短期负荷预测。
步骤(1)首先剔除异常数据，分析实施例的负荷曲线可知网络的负荷基本上在[100，2000]区间之中，所以剔除大于2000，小于100的样本，使剔除的样本点成为缺失样本点。本实施例无大于2000Mw的样本点，但存在两个小于100的样本点。全样本的负荷曲线如图7所示。
步骤(1)其次填充缺失样本点，保证数据的完整性。填充方法是以前后相邻的不为零的两个样本点的平均值作为中间缺失样本点的数据。本实施例共有三个缺失样本点。
步骤(1)最后进行归一化处理。数据归一化的方法为：
式中，xt为采样点的实际电力负荷数据，xmax为实验样本中的最大值，xmin为实验样本中的最小值，是采样点经过归一化后的负荷数据。归一化处理后部分样本的数值如表2所示。
表2数据处理后的样本数值
步骤(2)中，确定粒子群个体数量，其方法是：根据执行算法的计算机能力来确定粒子群个体数量，计算机算力越强，可设置的粒子数量越多；计算机算力越弱，可设置粒子数量越少，但不得少于10个。本实施例所采用的计算机为个人计算机，算力较弱，因此选择的粒子数量为15。
确定个体维度的方法是：根据实验数据的周期性强弱来确定个体维度，数据周期性越强，维度越低，但不得低于4维；周期性越弱，维度越高，但不得高于6维。个体前2(最高维度为6时，此处为4)维分别表示隐含层1-2(最高维度为6时，此处为4)层每层的神经元数，后两维度分别表示LSTM网络的学习率和最大迭代次数。最大迭代次数为100。本实施例进行的超短期负荷预测，负荷的日周期性强，所以选择个体维度为4维，即LSTM网络隐含层数为2，第1、2维分别对应两层的神经元数。
确定维度参数取值范围。各维度的取值范围和粒子的速度范围也有计算机算力相关，本实施例的每个隐含层的神经元数取值范围为[5，20]，学习率的取值范围为[0.0005，0.01]，迭代次数的取值范围为[10，200]。各个维度的速度取值范围分别是[-1，1]、[-1，1]、[-0.001，0.001]和[-4，4]。
步骤(3)中，重新定义IPSO的适应度函数，具体适应度函数为：
式中，n为预测的样本点个数，y′为样本点的预测值，y为同一样本点的实际值。本实施例采用上式作为适应度函数。
步骤(4)中，将每个粒子的状态信息传递给LSTM神经网络，得到不同的LSTM神经网络。本实施例中共15个粒子，得到15个LSTM神经网络。
步骤(5)中，训练LSTM网络的方法是通过历史数据进行迭代训练。样本容量为N，以m个连续样本点预测下一样本点xi时可以表示为：xi＝f(xi-1,xi-2,...xi-m)，其中，i∈[m+1,N]，LSTM网络的激励函数为sigmoid函数。本实施例中以168个连续采样点作为训练样本，迭代预测下一个样本点的负荷。
步骤(6)中，更新粒子状态，采用非线性惯性权值wt，其表达式为：
式中，t为当前迭代次数；k，b为常量；Tmax为最大迭代次数，η为曲率调节参数。
更新粒子状态，首先更新个体最佳适应度值，其方法为：比较粒子当天适应值和历史最佳适应值，用较大的适应值更新当前个体最佳适应值。然后比较所有粒子的最佳适应度值，取其最大的数值与种群最佳适应度值比较，用较大的值更新种群最佳适应度值。实施例中选取k为0.6，b为0.3，Tmax为50，η为1.7。
更新粒子状态所用的更新公式为：
式中，w为惯性权重；d＝1,2,…,n；i＝1,2,…,m；k为迭代次数；Vid为第i个粒子在第d维的速度；Xid为第i个粒子在第d维的位置；c1和c2为非负常数；r1和r2为[0，1]之间的随机数。本实施例采用上式作为粒子位置和速度的更新公式。
步骤(7)中，判断是否满足要求，其判断条件一是是否达到最大迭代次数，二是种群最佳适应值是否在给定误差范围内。满足任一条件即为满足要求。本实施例为凸显收敛速度和预测精度，适应值误差设定为[-0.000001，0.000001]。使训练必须达到最大迭代次数。
本实施例中参照对象LSTM网络的参数设置为：隐含层数为1，隐含层神经元数为15，学习率为0.01，最大迭代次数为100，训练集和测试集与IPSO-LSTM网络相同。
本实施例所得的预测结果的部分对比曲线如图4所示，其中ls_fore为LSTM网络预测值，os_fore为IPSO-LSTM网络预测值，real为实际值。通过图中LSTM网络和IPSO-LSTM网络的预测值对比，可以判断出IPSO-LSTM网络的预测结果普遍比LSTM网络好。IPSO-LSTM能够提高网络符合预测的精度。
本实施例两种网络的收敛速度如图5所示，在丢失率相同时，IPSO-LSTM网络所需的迭代次数更少。
本实施例两种网络的相对误差如图6所示，可知IPSO-LSTM网络的预测结果更加稳定，可靠性更高。
分析预测信息得到两种模型的主要误差指标数据如表3所示。
表3两种模型的主要误差指标数据对比
从表3中可以看出：在均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)等几个常见误差指标上IPSO-LSTM网络的预测结果都要好于LSTM网络的预测结果。尤其最大相对误差较低10％左右。
综上所述，IPSO-LSTM网络的预测结果在稳定性和预测精度上都优于LSTM网络。对比两种网络的收敛速度可以知道在预测精度相同时，IPSO-LSTM网络需要的迭代次数更少。IPSO-LSTM网络的收敛速度更快。IPSO-LSTM网络在电力网络的超短期预测方面更具有优势。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，包括下列步骤：
1)对电力网络负荷数据进行预处理，包括异常数据剔除，残缺数据填充，数据归一化以及数据分割，获取训练集和测试集；
2)确定IPSO中粒子群个体数量、个体维度和个体各维度参数取值范围，并对粒子群进行初始化；
3)重新定义IPSO的适应度函数；
4)将每个粒子的状态信息传递给LSTM神经网络，获取不同的LSTM神经网络；
5)训练LSTM网络，获取粒子适应度值；
6)比较适应度值，更新粒子状态；
7)判断更新过程是否满足要求，若满足，则执行下一步，若不满足，则返回步骤4)；
8)获取优化后的LSTM网络参数，重新训练网络；
9)根据优化后的LSTM网络参数进行超短期负荷预测；
其中，步骤6)具体包括以下步骤：
61)采用非线性惯性权值wt调节IPSO的局部寻优能力，更新个体最佳适应度值，比较粒子当天适应值和历史最佳适应值，采用较大的适应值更新当前个体最佳适应值；
62)比较所有粒子的最佳适应度值，选取最大的数值，将其与种群最佳适应度值进行比较，采用较大的值更新种群最佳适应度值；
非线性惯性权值wt的表达式为：
式中，t为迭代次数，a，b为常量，Tmax为最大迭代次数，η为曲率调节参数，调节常量a，b和η使非线性惯性权值wt在迭代初期数值较大，粒子位置变化快，在迭代后期数值较小，粒子位置变化慢，用于IPSO寻找全局最优解；
更新粒子状态所用的更新公式为：
式中，wt为惯性权重，d＝1,2,…,n，i＝1,2,…,m，t为迭代次数，Vid为第i个粒子在第d维的速度，Xid为第i个粒子在第d维的位置，c1和c2为非负常数，r1和r2为[0，1]之间的随机数；
步骤3)中，重新定义的IPSO的适应度函数的表达式为：
式中，n为预测的样本点个数，y′为样本点的预测值，y为同一样本点的实际值。
2.根据权利要求1所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤1)的具体内容为：
对待预测数据前一年的电力网络负荷数据进行采样，作为样本数据，数据采样间隔相同，对采样的数据剔除异常数据，填充残缺数据，随后进行数据归一化处理，最后进行数据分割；其中，剔除异常数据的方法为：根据样本负荷曲线确定正常数据的上下限，删除异常数据；填充残缺数据的方法为：对于缺失数据的采样点，获取前一个非缺失采样点的负荷数据和后一非缺失采样点的负荷数据，求出两者的平均值来填充中间的缺失数据；数据分割的方法为：将样本数据依据时间顺序分割成两部分，获取训练集和测试集。
3.根据权利要求2所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤1)中，数据归一化的方法为：
式中，xt为采样点的实际电力负荷数据，xmax为样本数据中的最大值，xmin为样本数据中的最小值，是采样点经过归一化后的负荷数据。
4.根据权利要求1所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤2)中，确定粒子群个体数量的具体内容为：
根据执行算法的计算机能力来确定粒子群个体数量，计算机算力越强，设置的粒子数量越多，设置的粒子数量不少于十个；
确定个体维度和个体各维度参数取值范围的具体内容为：
根据样本数据的周期性强弱来确定个体维度，数据周期性越强，维度越低，个体维度不低于四维，且不高于六维；个体前两个维度分别表示隐含层1-2层每层的神经元数，个体后两个维度分别为LSTM网络的学习率和最大迭代次数。
5.根据权利要求1所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤5)训练LSTM网络得到粒子适应度值的具体内容为：
通过历史数据进行LSTM网络迭代训练，假设样本容量为N，以m个连续样本点预测下一样本点xi时表示为：
xi＝f(xi-1,xi-2,...xi-m)
式中，i∈[m+1,N]，LSTM网络的激励函数为sigmoid函数。
6.根据权利要求1所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤7)的判断条件包括：
1)判断步骤6)的更新粒子状态过程是否达到最大迭代次数；
2)判断种群最佳适应值是否在给定误差范围内；
满足上述任一条件即为满足要求。
7.根据权利要求1所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤8)的具体内容为：
根据满足判断条件要求得到优化后的参数，作为粒子种群的最佳适应值所对应的粒子位置，并利用步骤5)中的训练方法重新训练网络。
8.根据权利要求1所述的一种基于IPSO-LSTM的超短期电力负荷预测方法，其特征在于，步骤9)的具体内容为：
将测试集内负荷数据作为优化后的LSTM网络的输入数据，通过优化后的LSTM网络预测下一个采样点的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910919659.XA CN110751318B (zh) | 2019-09-26 | 2019-09-26 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910919659.XA CN110751318B (zh) | 2019-09-26 | 2019-09-26 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110751318A CN110751318A (zh) | 2020-02-04 |
| CN110751318B true CN110751318B (zh) | 2024-01-30 |
Family
ID=69277196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910919659.XA Active CN110751318B (zh) | 2019-09-26 | 2019-09-26 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751318B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN111915073A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 |
| CN111882106A (zh) * | 2020-06-16 | 2020-11-03 | 江苏大学 | 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法 |
| CN111738512B (zh) * | 2020-06-22 | 2022-05-24 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
| CN111783953B (zh) * | 2020-06-30 | 2023-08-11 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
| CN113033878B (zh) * | 2021-03-05 | 2023-07-25 | 西北大学 | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 |
| CN114037145B (zh) * | 2021-11-05 | 2022-10-28 | 河北师范大学 | 一种网络安全态势预测方法及系统 |
| CN114234392B (zh) * | 2021-11-14 | 2023-09-01 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于改进pso-lstm的空调负荷精细预测方法 |
| CN114912697A (zh) * | 2022-05-26 | 2022-08-16 | 南方电网电力科技股份有限公司 | 一种基于pso算法的锅炉结渣程度预测方法及相关装置 |
| CN115857061B (zh) * | 2023-02-21 | 2023-05-30 | 南京信息工程大学 | 一种基于大数据自适应ga-pso改进lstm预测气温方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298728A (zh) * | 2011-08-17 | 2011-12-28 | 电子科技大学 | 一种目标威胁程度评估方法 |
| CN107766995A (zh) * | 2017-12-08 | 2018-03-06 | 国网山东省电力公司枣庄供电公司 | 基于深度递归神经网络的电力系统短期负荷预测方法 |
| CN107909221A (zh) * | 2017-12-08 | 2018-04-13 | 国网山东省电力公司枣庄供电公司 | 基于组合神经网络的电力系统短期负荷预测方法 |
| US10014076B1 (en) * | 2015-02-06 | 2018-07-03 | Brain Trust Innovations I, Llc | Baggage system, RFID chip, server and method for capturing baggage data |
| CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
-
2019
- 2019-09-26 CN CN201910919659.XA patent/CN110751318B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298728A (zh) * | 2011-08-17 | 2011-12-28 | 电子科技大学 | 一种目标威胁程度评估方法 |
| US10014076B1 (en) * | 2015-02-06 | 2018-07-03 | Brain Trust Innovations I, Llc | Baggage system, RFID chip, server and method for capturing baggage data |
| CN107766995A (zh) * | 2017-12-08 | 2018-03-06 | 国网山东省电力公司枣庄供电公司 | 基于深度递归神经网络的电力系统短期负荷预测方法 |
| CN107909221A (zh) * | 2017-12-08 | 2018-04-13 | 国网山东省电力公司枣庄供电公司 | 基于组合神经网络的电力系统短期负荷预测方法 |
| CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李万.改进粒子群算法优化LSTM 神经网络的铁路客运量预测.《铁道科学与工程学报》.2018,第15卷(第15卷),第3274-3280页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110751318A (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| Xu et al. | House price forecasting with neural networks | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
| CN111340273B (zh) | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 | |
| CN110135630B (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
| CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
| CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN112116144A (zh) | 一种区域配电网短期负荷预测方法 | |
| CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
| CN113627070A (zh) | 一种短期光伏功率预测方法 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| 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 | |
| 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 | |
| Jin et al. | Adaptive forecasting of wind power based on selective ensemble of offline global and online local learning | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Gao et al. | Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network | |
| CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| He et al. | GA-based optimization of generative adversarial networks on stock price prediction | |
| Lu et al. | A New Power Load Forecasting Model (SIndRNN): independently recurrent neural network based on softmax kernel function | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 |
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 |