CN110866633B - 一种基于svr支持向量回归的微电网超短期负荷预测方法 - Google Patents
一种基于svr支持向量回归的微电网超短期负荷预测方法 Download PDFInfo
- Publication number
- CN110866633B CN110866633B CN201911020349.0A CN201911020349A CN110866633B CN 110866633 B CN110866633 B CN 110866633B CN 201911020349 A CN201911020349 A CN 201911020349A CN 110866633 B CN110866633 B CN 110866633B
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- sample data
- current
- short
- 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 53
- 239000013598 vector Substances 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 36
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于SVR支持向量回归的微电网超短期负荷预测方法,将历史负荷数据分为三类,工作日、双休日和节假日,对每一类数据都建立了在线的基于SVR的训练模型,采用相似度方法确定当前预测时刻的输入样本集,实现了微电网超短期负荷的快速准确预测。本发明实现了基于时间序列的循环预测,采用相似度法确定对预测结果影响较大的历史样本数据,提高了预测精度,降低了计算量。
Description
技术领域
本发明涉及一种基于SVR支持向量回归的微电网超短期负荷预测方法,属于微电网负荷领域。
背景技术
微电网是一组由分布式电源、负荷、储能系统和控制装置构成的微型系统,对于大电网来说,它表现为一个单一可控的单元,可实现能源多种形式(电能、热能等)的高可靠供给负荷。微电网中的电源多为小容量的分布式电源,主要有光伏电池、小型风力发电机、微型燃气轮机、燃料电池以及蓄电池等储能装置,具有成本低、电压低及污染低等特点。
负荷预测是微电网能量管理系统的重要组成部分,是对分布式电源,如风电、光伏、微燃气轮机、柴油机及储能等可控微源进行优化调度的基础,预测结果将直接影响微电网运行策略与电能交易。相对于大电网环境,微电网进行短期和超短期负荷预测的难度更高,这主要是由于负荷的随机性强,历史负荷曲线相似度低,再加上用户容量有限,各用户间负荷特征相互平滑作用较小,负荷总体波动较大。由于微电网超短期负荷预测需求较新,需要设计考虑超短期时间序列的预测算法和建立先进的预测模型,并兼顾计算效率。
根据国家标准GB/T 36274-2018《微电网能量管理系统技术规范》,微电网能量管理系统宜包括日前发用电计划和日内发用电计划。微电网负荷预测相应的分为日前预测与日内预测,日内预测也即超短期负荷预测,是预测当前时刻至未来4小时的负荷需求,每15分钟更新一次,采样周期为15分钟。超短期负荷预测的预测时间短、实时性要求较高,对预测模型精度和计算效率要求很高。目前大量研究工作都集中在微电网的日前负荷预测,也即短期负荷预测,而对超短期负荷预测还没形成一套成熟的预测算法和预测模型,随着微电网示范工程的推广迫切需要设计开发针对超短期负荷预测的在线算法。
发明内容
本发明的目的是:基于SVR支持向量回归结合粒子群算法形成对微电网的负荷进行超短期在线循环预测。
为了达到上述目的,本发明的技术方案是提供了一种基于SVR支持向量回归的微电网超短期负荷预测方法,历史数据是以15分钟为周期进行负荷预测,其特征在于,包括以下步骤:
步骤1、建立在线超短期负荷预测的SVR模型:
将历史负荷数据分为工作日、双休日和节假日三类,对三类不同的数据分别采用SVR进行建模,随后构建超短期负荷预测所需的训练样本数据集和测试样本数据集,构建时先对负荷样本特征进行选取,确定负荷输入样本数据的16维输入向量,该16维输入向量包括预测时刻前1至前16采样时刻负荷,设第i天t时刻的负荷值为Li,t,则其训练样本xi,t为:xi,t=(Li,t-16,Li,t-15,Li,t-14,…,Li,t-1,Li,t),式中,t=1,2,...,96;对负荷输入样本数据进行小波变换平滑处理,构成超短期负荷预测所需的训练样本数据集和测试样本数据集;得到所需的训练样本数据集和测试样本数据集后,对训练样本数据集和测试样本数据集中的负荷输入样本数据进行归一化处理;
步骤2、在线超短期负荷预测的SVR模型训练:
采用相似度法确定训练样本数据集与当前预测时刻的关联度,从大到小依次排序,取前K条样本数据用于模型训练,得到工作日、双休日和节假日三类在线预测SVR模型;
步骤3、在线预测SVR模型核函数参数优化:
在线预测SVR模型核的核函数采用径向基函数RBF,用改进粒子群优化算法对径向基函数RBF的宽度参数σ2和惩罚系数c进行寻优,确定效果最佳的参数组合;
步骤4、未来4小时负荷循环预测:
将已经预测出的负荷值并入到输入样本集,采用循环预测方法计算从当前预测时刻开始的16个点负荷值,循环预测方法通过不断将已经预测出的负荷放入到样本集来实现,对当日当前预测时刻t,其循环预测的样本如下:
xt=(Lt-16,Lt-15,Lt-14,…,Lt-1,Lt)
xt+1=(Lt-15,Lt-14,Lt-13,…,Lt,Lt+1)
xt+15=(Lt-1,Lt,Lt+1,…,Lt+14,Lt+15)
式中,xt至xt+15为当日当前预测时刻t的循环预测的负荷样本,Lt表示当日当前预测时刻t的负荷值;循环预测方法执行过程中,若出现负荷样本跨天的情况,则采用如下处理步骤:
当前预测时刻t<17时,需要的训练样本数据包含与前一天日类型相同的历史数据,采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值;
当前预测时刻t>81时,需要的训练样本数据包含与第二天日类型相同的历史数据,采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值。
优选地,步骤1中,对所述负荷输入样本数据进行归一化处理按照维来进行的,将16维输入向量的每一维都归一化到[0,1]区间内,假设当前维所有负荷输入样本数据上的最大值是xmax、最小值是xmin,则当前负荷输入样本数据x则线性变换为
优选地,步骤2中,采用相似度法确定训练样本数据集与当前预测时刻的关联度基于以下公式:
式中,εi(j)表示当日当前预测时刻t的输入样本x(j)与第i个历史日相同时刻t的第j个特征分量xi(j)之间的关联系数,ρ表示分辨系数;
则当前预测时刻t的输入样本与第i个历史日相同时刻t的训练样本xi,t之间的总关联度ηi为:式中,n表示为样本向量维数,n=16。
优选地,步骤3中所述改进粒子群优化算法包括以下步骤:
步骤301、初始化种群规模N,当前迭代次数k=0,在一定范围内随机初始化各个粒子的飞行速度和位置;
步骤302、计算所有粒子的适应度;
步骤303、记录所有粒子的极值,更新粒子的个体极值Pbesti及对应的最佳位置Gbest,更新记录此未知的最佳目标函数值F(Pbesti);
步骤304、采用如下公式更新所有粒子的飞行速度和位置后,更新k=k+1;
式中,是第k次飞行中的速度,/>是第k+1次飞行中的速度,r1、r2是(0,1)之间的随机数,采用带压缩因子的粒子群算法,c1、c2是学习因子,ω是惯性权重,/>是第k次飞行的位置,/>是第k+1次飞行的位置;
步骤305、判断更新后的粒子是否满足约束条件,满足则执行下一步,若不满足,则对其进行处理以便使其回到可行域内;
步骤306、对于更新后的粒子,重新计算函数适应值,并根据计算的结果来判断是否需要更新粒子的个体极值Pbesti和最佳位置Gbest;
步骤307、判断是否收敛,如果达到最大迭代次数或者达到全局最好位置,则结束,否则返回步骤304。
本发明的基于SVR支持向量回归的微电网超短期负荷预测方法,将历史负荷数据分为三类,工作日、双休日和节假日,对每一类数据都建立了在线的基于SVR的训练模型,采用相似度方法确定当前预测时刻的输入样本集,实现了微电网超短期负荷的快速准确预测。
本发明提出的基于SVR支持向量回归的微电网超短期负荷预测方法实现了基于时间序列的循环预测,采用相似度法确定对预测结果影响较大的历史样本数据,提高了预测精度,降低了计算量。
附图说明
图1为本发明的基于SVR支持向量回归的微电网超短期负荷预测方法的流程图;
图2为SVR参数优化步骤中采用的改进粒子群算法的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明中,超短期负荷预测的历史数据是以15分钟为周期进行负荷预测,天气因素对负荷的影响在负荷历史数据中已经体现,因此不再单独考虑天气因素作为样本输入。
本发明提供一种基于SVR支持向量回归的微电网超短期负荷预测方法内容包括:对微电网历史数据进行预处理,将历史数据分为工作日、双休日和节假日三类,对同类历史数据基于相似度方法寻找与预测时刻强相关的输入特征量,采用改进粒子群算法对SVR模型的相关参数进行优化,实现了一种微电网超短期负荷的在线预测方法,具体包括以下步骤:
步骤1、建立在线超短期负荷预测的SVR模型,将历史负荷数据分为工作日、双休日和节假日三类,对三类不同的数据分别采用SVR方法进行数学建模,其样本特征输入量如下:
1)预测时刻前1采样时刻负荷;
2)预测时刻前2采样时刻负荷;
3)预测时刻前3采样时刻负荷;
……
15)预测时刻前15采样时刻负荷;
16)预测时刻前16采样时刻负荷;
设第i天t(t=1,2,…96)时刻的负荷值为Li,t,则其训练样本为:
xi,t=(Li,t-16,Li,t-15,Li,t-14,…,Li,t-1,Li,t)
在得到了所有的训练样本和测试样本后,通常要对输入的样本数据进行归一化处理,以避免较大范围变化的数据淹没较小范围变化的数据,避免计算中出现数值困难。同时,核函数计算中需要计算特征向量的内积,大的特征值可能会引起数值计算困难。
归一化是按照维来进行的,将16维输入向量的每一维都归一化到[0,1]区间内,假设当前维所有样本上的最大值是xmax,最小值是xmin,则可以做如下线性变换以完成归一化处理:
式中,x为转换前的输入向量值,x为转换后的输入向量值。
步骤2、在线超短期负荷预测的SVR模型训练:
计算训练样本集与当前预测时刻的相似度,取前10条相似度最高的样本数据用于模型训练。
在当日当前预测时刻t,计算输入样本x(j)与第i个历史日相同时刻t的第j个特征分量xi(j)之间的关联系数εi(j):
式中,ρ为分辨系数,一般取值为0.5;
则当前预测时刻t的输入样本与第i个历史日相同时刻t的训练样本xi,t之间的总关联度ηi为:
式中,n为样本向量维数,n=16;
步骤3、SVR模型核函数参数优化:
采用改进粒子群优化(PSO)算法对RBF核函数的宽度参数σ2和惩罚系数c进行寻优,确定效果最佳的参数组合。
支持向量机(SVM)是在20世纪90年代由Vapnik等人研究并迅速发展起来的一种基于统计学习理论的机器学习算法。SVM在一系列实际应用中表现出优良的学习能力,可有效避免经典学习算法中过学习、维数灾、局部最小等问题,因此获得了较多应用。SVM在回归预测问题中取得了较好的应用效果,当利用SVM进行回归预测时,支持向量机可以称为支持向量回归机,简称SVR。
本发明中SVR核函数采用径向基(RBF)函数,RBF核函数的受控参数较少,推广与泛化能力较强,采用改进粒子群优化(PSO)算法对RBF核函数的宽度参数σ2和惩罚系数c进行寻优,确定效果最佳的参数组合。PSO算法具有收敛快、精度高、鲁棒性强、简单通用、容易实现等优点,对于复杂非线性优化问题具有较强的寻优能力,可以解决复杂的多维优化难题。
参阅图2,改进PSO算法具体包括以下步骤:
步骤301:初始化(种群规模为N),当前迭代次数k=0,在一定范围内随机初始化各个粒子的飞行速度和位置;
步骤302:计算所有粒子的适应度;
步骤303:记录所有粒子的极值,更新粒子的个体极值Pbesti及对应的最佳位置Gbest,更新记录此未知的最佳目标函数值F(Pbesti);
步骤304:采用如下公式更新所有粒子的飞行速度和位置后,更新k=k+1;
式中,是第k次飞行中的速度,/>是第k+1次飞行中的速度,r1、r2是(0,1)之间的随机数,采用带压缩因子的粒子群算法,c1、c2是学习因子,c1=c2=1.49445,ω是惯性权重,ω=0.729,/>是第k次飞行的位置,/>是第k+1次飞行的位置;
步骤305:判断更新后的粒子是否满足约束条件,满足则执行下一步,若不满足,则对其进行处理以便使其回到可行域内;
步骤306:对于更新后的粒子,重新计算函数适应值,并根据计算的结果来判断是否需要更新粒子的Pbesti和Gbest;
步骤307:判断是否收敛,如果达到最大迭代次数或者达到全局最好位置,则结束,否则返回步骤304。
步骤4、未来4小时负荷预测,采用循环预测方法计算从当前预测时刻开始的16个点负荷值。对当日当前预测时刻t,其循环预测的样本如下:
xt=(Lt-16,Lt-15,Lt-14,…,Lt-1,Lt)
xt+1=(Lt-15,Lt-14,Lt-13,…,Lt,Lt+1)
xt+15=(Lt-1,Lt,Lt+1,…,Lt+14,Lt+15)
xt至xt+15为当日当前预测时刻t的循环预测的负荷样本,Lt表示当日当前预测时刻t的负荷值。
循环预测方法执行过程中,若出现负荷样本跨天的情况,则采用如下处理步骤:
当前预测时刻t<17时,需要的训练样本数据包含与前一天日类型(工作日、双休日、节假日)相同的历史数据,采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值;
当前预测时刻t>81时,需要的训练样本数据包含与第二天日类型(工作日、双休日、节假日)相同的历史数据,采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值。
Claims (2)
1.一种基于SVR支持向量回归的微电网超短期负荷预测方法,历史数据是以15分钟为周期进行负荷预测,其特征在于,包括以下步骤:
步骤1、建立在线超短期负荷预测的SVR模型:
将历史负荷数据分为工作日、双休日和节假日三类,对三类不同的数据分别采用SVR进行建模,随后构建超短期负荷预测所需的训练样本数据集和测试样本数据集,构建时先对负荷样本特征进行选取,确定负荷输入样本数据的16维输入向量,该16维输入向量包括预测时刻前1至前16采样时刻负荷,设第i天t时刻的负荷值为Li,t,则其训练样本xi,t为:xi,t=(Li,t-16,Li,t-15,Li,t-14,…,Li,t-1,Li,t),式中,t=1,2,...,96;对负荷输入样本数据进行小波变换平滑处理,构成超短期负荷预测所需的训练样本数据集和测试样本数据集;得到所需的训练样本数据集和测试样本数据集后,对训练样本数据集和测试样本数据集中的负荷输入样本数据进行归一化处理;
步骤2、在线超短期负荷预测的SVR模型训练:
采用相似度法确定训练样本数据集与当前预测时刻的关联度,从大到小依次排序,取前K条样本数据用于模型训练,得到工作日、双休日和节假日三类在线预测SVR模型,其中,采用相似度法确定训练样本数据集与当前预测时刻的关联度基于以下公式:
式中,εi(j)表示当日当前预测时刻t的输入样本x(j)与第i个历史日相同时刻t的第j个特征分量xi(j)之间的关联系数,ρ表示分辨系数;
则当前预测时刻t的输入样本与第i个历史日相同时刻t的训练样本xi,t之间的总关联度ηi为:式中,n表示为样本向量维数,n=16;
步骤3、在线预测SVR模型核函数参数优化:
在线预测SVR模型核的核函数采用径向基函数RBF,用改进粒子群优化算法对径向基函数RBF的宽度参数σ2和惩罚系数c进行寻优,确定效果最佳的参数组合,其中,所述改进粒子群优化算法包括以下步骤:
步骤301、初始化种群规模N,当前迭代次数k=0,在一定范围内随机初始化各个粒子的飞行速度和位置;
步骤302、计算所有粒子的适应度;
步骤303、记录所有粒子的极值,更新粒子的个体极值Pbesti及对应的最佳位置Gbest,更新记录此未知的最佳目标函数值F(Pbesti);
步骤304、采用如下公式更新所有粒子的飞行速度和位置后,更新k=k+1;
式中,是第k次飞行中的速度,/>是第k+1次飞行中的速度,r1、r2是(0,1)之间的随机数,采用带压缩因子的粒子群算法,c1、c2是学习因子,ω是惯性权重,/>是第k次飞行的位置,/>是第k+1次飞行的位置;
步骤305、判断更新后的粒子是否满足约束条件,满足则执行下一步,若不满足,则对其进行处理以便使其回到可行域内;
步骤306、对于更新后的粒子,重新计算函数适应值,并根据计算的结果来判断是否需要更新粒子的个体极值Pbesti和最佳位置Gbest;
步骤307、判断是否收敛,如果达到最大迭代次数或者达到全局最好位置,则结束,否则返回步骤304;
步骤4、未来4小时负荷循环预测:
将已经预测出的负荷值并入到输入样本集,采用循环预测方法计算从当前预测时刻开始的16个点负荷值,循环预测方法通过不断将已经预测出的负荷放入到样本集来实现,对当日当前预测时刻t,其循环预测的样本如下:
xt=(Lt-16,Lt-15,Lt-14,…,Lt-1,Lt)
xt+1=(Lt-15,Lt-14,Lt-13,…,Lt,Lt+1)
xt+15=(Lt-1,Lt,Lt+1,…,Lt+14,Lt+15)
式中,xt至xt+15为当日当前预测时刻t的循环预测的负荷样本,Lt表示当日当前预测时刻t的负荷值;循环预测方法执行过程中,若出现负荷样本跨天的情况,则采用如下处理步骤:
当前预测时刻t<17时,需要的训练样本数据包含与前一天日类型相同的历史数据,采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值;
当前预测时刻t>81时,需要的训练样本数据包含与第二天日类型相同的历史数据,采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值。
2.如权利要求1所述的一种基于SVR支持向量回归的微电网超短期负荷预测方法,其特征在于,步骤1中,对所述负荷输入样本数据进行归一化处理按照维来进行的,将16维输入向量的每一维都归一化到[0,1]区间内,假设当前维所有负荷输入样本数据上的最大值是xmax、最小值是xmin,则当前负荷输入样本数据x则线性变换为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020349.0A CN110866633B (zh) | 2019-10-25 | 2019-10-25 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020349.0A CN110866633B (zh) | 2019-10-25 | 2019-10-25 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866633A CN110866633A (zh) | 2020-03-06 |
CN110866633B true CN110866633B (zh) | 2023-11-24 |
Family
ID=69653141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911020349.0A Active CN110866633B (zh) | 2019-10-25 | 2019-10-25 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866633B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311025B (zh) * | 2020-03-17 | 2023-08-08 | 南京工程学院 | 一种基于气象相似日的负荷预测方法 |
CN111581883B (zh) * | 2020-05-09 | 2022-09-23 | 国网上海市电力公司 | 一种在自动化装置上进行负荷计算与预测的方法 |
CN112183813B (zh) * | 2020-08-26 | 2024-04-09 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN114819397B (zh) * | 2022-05-23 | 2022-09-02 | 南昌工程学院 | 公变台区需求响应成效预测模型构建方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930344A (zh) * | 2012-10-09 | 2013-02-13 | 中国电力科学研究院 | 一种基于负荷趋势变化的超短期母线负荷预测方法 |
CN103559564A (zh) * | 2013-11-19 | 2014-02-05 | 天津工业大学 | 一种钢铁企业电力超短期负荷预测方法 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
CN106600463A (zh) * | 2016-12-21 | 2017-04-26 | 广东电网有限责任公司电力调度控制中心 | 一种局部形相似超短期负荷预测方法及装置 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7058522B2 (en) * | 2003-05-13 | 2006-06-06 | Siemens Power Transmission & Distribution, Inc. | Very short term load prediction |
-
2019
- 2019-10-25 CN CN201911020349.0A patent/CN110866633B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930344A (zh) * | 2012-10-09 | 2013-02-13 | 中国电力科学研究院 | 一种基于负荷趋势变化的超短期母线负荷预测方法 |
CN103559564A (zh) * | 2013-11-19 | 2014-02-05 | 天津工业大学 | 一种钢铁企业电力超短期负荷预测方法 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
CN106600463A (zh) * | 2016-12-21 | 2017-04-26 | 广东电网有限责任公司电力调度控制中心 | 一种局部形相似超短期负荷预测方法及装置 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
Non-Patent Citations (3)
Title |
---|
Short Term Load Forecasting for Electrical Dispatcher of Baghdad City Based on SVM-PSO Method;Aqeel S. Jaber等;《2018 2nd International Conference on Electrical Engineering and Informatics (ICon EEI)》;第140-143页 * |
方仍存等.基于相空间重构和QPSO-SVM的超短期负荷预测.《中国农村水利水电》.2014,(第5期),第2.3、3.2节. * |
电力市场中基于Attention-LSTM的短期负荷预测模型;彭文等;《电网技术》;第1745-1751页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110866633A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
CN107425520B (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
CN114970362A (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
Zheng et al. | Short-term wind power forecasting based on two-stage feature selection | |
Ren et al. | Short-Term PV Power Forecasting Based on BP Network Optimized by Logistic Improved ASO | |
Liao et al. | Prediction of Photovoltaic Output Power Based on Match Degree and Entropy Weight Method. | |
Gao et al. | Research Method of Ultra-short-term Wind Power Prediction Based on PSO-GRU Prediction | |
CN113836814B (zh) | 一种基于多流神经网络的太阳能能量预测方法 | |
Chen et al. | Short-term PV power forecasting based on time-phased and error correction | |
Zou et al. | Mid-term Forecast of Electricity Consumption of Enterprises Based on Bi-Directional LSTM and Nonpooling CNN | |
Hamberg | Photovoltaic system performance forecasting using lstm neural networks |
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 |