CN110874672A - 基于量子遗传算法的farima模型电力负荷预测方法 - Google Patents
基于量子遗传算法的farima模型电力负荷预测方法 Download PDFInfo
- Publication number
- CN110874672A CN110874672A CN201911086547.7A CN201911086547A CN110874672A CN 110874672 A CN110874672 A CN 110874672A CN 201911086547 A CN201911086547 A CN 201911086547A CN 110874672 A CN110874672 A CN 110874672A
- Authority
- CN
- China
- Prior art keywords
- model
- power load
- farima
- genetic algorithm
- 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.)
- Pending
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 57
- 241001123248 Arma Species 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 239000002096 quantum dot Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (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
本发明公开了一种基于量子遗传算法的FARIMA模型电力负荷短期预测方法,其包括步骤:(1)选取预测日之前的电力负荷数据作为预测样本数据;(2)对预测样本数据进行预处理;(3)对经过预处理的预测样本数据进行分数差分,把经过分数差分的数据输入到ARMA模型;(4)运用AIC信息准则对ARMA模型进行定阶;(5)将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数,由量子遗传算法得到最优的AIC(p,q)值,以对ARMA模型进行优化;(6)对ARMA模型进行反分数差分,以得到优化的FARIMA模型;(7)采用FARIMA模型预测未来的电力负荷数据。
Description
技术领域
本发明涉及一种预测方法及系统,尤其涉及一种用于电力系统的预测方法及系统。
背景技术
近年来随着电力技术的发展和科技的进步,在当今电力能源作为不可或缺的生活需要,保障正常、稳定的电力能源输送是电力机构的核心问题。负荷预测的质量是保障用户侧用电的一个重要因素。因此,精确的短期负载预测,可以为电力调度和规划提供可靠的参考依据,在一定程度能避免欠负荷跳闸危机以及过负荷的能源浪费等问题。并且,精确的短期负载预测可以让调度人员及时或者提早的对各地区的电网的超负荷或欠负荷做出调节,以免造成由于电网波动对二次侧的用电用户造成不必要的损失。
虽然目前有对电力负荷预测进行的大量研究,例如将指数平滑或是大数据的方法运用,以建立短期电力负荷预测模型。然而,由于负荷预测具有模糊性和非线性的特点,因此,导致上述方法的预测精度不高。此外,诸如神经网络或是模糊多目标遗传优化算法,其只考虑单一的影响因素,因此,预测效果不明显。
基于此,期望获得一种电力负荷预测方法,其所需要的参数较少,极少出现过拟合问题,对异常值的鲁棒性好,预测结果较为准确。
发明内容
本发明的目的之一在于提供一种基于量子遗传算法的FARIMA模型电力负荷预测方法,该FARIMA模型电力负荷预测方法利用量子遗传算法根据合适的适应度值进行全局搜索,确定ARMA模型的最佳阶数,并且最终获得优化的FARIMA模型,从而使得通过该FARIMA模型电力负荷预测方法对电力负荷进行预测时,其在提高短期电力负荷预测精度和误差收敛速度方面具有一定的优势,且相较于现有技术,该FARIMA模型电力负荷预测方法的预测精度得到极大的提高。
基于上述目的,本发明提出了一种基于量子遗传算法的FARIMA模型电力负荷预测方法,其包括步骤:
(1)选取预测日之前的电力负荷数据作为预测样本数据;
(2)对预测样本数据进行预处理;
(3)对经过预处理的预测样本数据进行分数差分,把经过分数差分的数据输入到ARMA模型;
(4)运用AIC信息准则对ARMA模型进行定阶;
(5)将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数,由量子遗传算法得到最优的AIC(p,q)值,以对ARMA模型进行优化,其中p值为AR模型的自回归阶数,q值为MA模型的移动平均阶数,ARMA模型为AR模型与MA模型的结合;
(6)对ARMA模型进行反分数差分,以得到优化的FARIMA模型;
(7)采用FARIMA模型预测未来的电力负荷数据。
本发明所述的FARIMA模型电力负荷预测方法中,本案发明人考虑到FARIMA模型具有对长相关序列很好的预测功能,且FARIMA模型训练所需参数较少,较少出现过拟合问题,并且对异常值的鲁棒性好,因此,本案采用采用FARIMA模型对电力负荷进行预测。但若直接对FARIMA模型进行定阶时,Hurst指数定阶准则却不一定是最优解。因此,在本发明所述的技术方案中对经过预处理的预测样本数据进行分数差分后,把经过分数差分的数据输入到ARMA模型,随后运用AIC信息准则对ARMA模型进行定阶。
此外,由于本发明所述的FARIMA模型电力负荷预测方法采用AIC信息准则的最小值作为量子遗传算法的适应度函数,即将可靠性约束引入目标函数构建了自适应适应度函数,并且结合自适应旋转角调整策略、量子位交叉变异操作,得出了基于量子遗传算法优化的FARIMA模型,因而,使得本发明所述的技术方案在求解复杂非线性规划的电力负荷问题上大大降低了难度。
进一步地,在本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法中,在步骤(2)中,预处理至少包括:剔除预测样本数据中的异点和/或对预测样板数据进行均值化,以避免出现因其他因素引起的冲击负荷,伪周期性性和震荡现象,从而获得更为精确的预测结果。
进一步地,在本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法中,在步骤(3)中,对经过预处理的预测样本数据进行分数差分具体包括步骤:
对预测样本数据的序列X={Xt,t=1,2,3···,N}进行分数差分得到Y={Yt,t=1,2,3···,N},其中分数差分公式为:
进一步地,在本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法中,分数差分的参数d通过下述步骤获得:通过Hurst参数估计法得到Hurst指数的值H,再由d=H-0.5得到分数差分参数d的值。
进一步地,在本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法中,Hurst指数的值H在0.5~1之间。
进一步地,在本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法中,AIC信息准则被定义为:
AIC(p,q)=-2lnL+2θ(p,q)。
其中,基于上述计算得到AIC去最小值时p、q的值,式中的lnL表示FARIMA的似然函数,θ(p,q)表示FARIMA的阶数函数。
进一步地,在本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法,在步骤(5)中,由量子遗传算法得到最优的AIC(p,q)值具体包括步骤:
501:初始化p值与q值;
502:对每个染色体基因位进行测量,以得到一个状态;对每个状态计算适应度,记录最佳个体及适应度;
503:遗传进化设定的代数,其中采用量子旋转门对每一代染色体进行遗传变异;
504:达到终止条件,输出最佳个体的AIC(p,q),即为最优的AIC(p,q)值。
相应地,本发明的另一目的在于提供一种基于量子遗传算法的FARIMA模型电力负荷预测系统,通过该FARIMA模型电力负荷预测系统可以对电力负荷进行准确预测,对电力系统的成本运营、管理维护、高峰监控可以起到重要的指导作用。
基于上述目的,本发明提出了一种基于量子遗传算法的FARIMA模型电力负荷预测系统,其执行上述的FARIMA模型电力负荷预测方法。
本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法及其系统相较于现有技术具有如下所述的优点以及有益效果:
本发明所述的FARIMA模型电力负荷预测方法采用AIC信息准则的最小值作为量子遗传算法的适应度函数,即将可靠性约束引入目标函数构建了自适应适应度函数,并且结合自适应旋转角调整策略、量子位交叉变异操作,得出了基于量子遗传算法优化的FARIMA模型,因而,使得本发明所述的FARIMA模型电力负荷预测方法在求解复杂非线性规划的电力负荷问题上大大降低了难度。
此外,本发明所述的FARIMA模型电力负荷预测系统可以对电力实际负荷数据进行准确预测,其对于电力系统的成本运营、管理维护、高峰监控起着至关重要的作用。另外,由于本发明所述的FARIMA模型电力负荷预测系统对电力负荷进行预测的过程中利用量子遗传算法进行优化,使得全局搜索能力不会陷入局部最优,通过本发明所述的FARIMA模型电力负荷系统所获得的预测结果具备精度高、稳定性好、灵敏度高、功耗低和成本低的特点。
附图说明
图1为本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法在一些实施方式中的流程示意图。
图2示意性地显示了采用本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法进行预测所得到的预测值、采用现有技术进行预测所得到的预测值以及实际测试值的对比情况。
图3示意性显示了采用本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法进行预测所得到的预测值以及未采用量子遗传算法的FAR IMA模型(作为对照组)进行预测所得到的预测值相较于实际测试值的相对误差值对比情况。
具体实施方式
下面将根据具体实施例及说明书附图对本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法及系统作进一步说明,但是该说明并不构成对本发明技术方案的不当限定。
在本实施方式中,基于量子遗传算法的FARIMA模型电力负荷预测方法,其包括步骤:
(1)选取预测日之前的电力负荷数据作为预测样本数据。
(2)对预测样本数据进行预处理,其中,预处理至少包括:剔除预测样本数据中的异点和/或对预测样板数据进行均值化。
(3)对经过预处理的预测样本数据进行分数差分,把经过分数差分的数据输入到ARMA模型;
(4)运用AIC信息准则对ARMA模型进行定阶。
(5)将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数,由量子遗传算法得到最优的AIC(p,q)值,以对ARMA模型进行优化,其中p值为AR模型的自回归阶数,q值为MA模型的移动平均阶数,ARMA模型为AR模型与MA模型的结合。
(6)对ARMA模型进行反分数差分,以得到优化的FARIMA模型。
(7)采用FARIMA模型预测未来的电力负荷数据。
需要说明的是,在步骤(3)中,对经过预处理的预测样本数据进行分数差分具体包括步骤:
对预测样本数据的序列X={Xt,t=1,2,3···,N}进行分数差分得到Y={Yt,t=1,2,3···,N},其中分数差分公式为:
在上述步骤中,分数差分的参数d通过下述步骤获得:通过Hurst参数估计法得到Hurst指数的值H,再由d=H-0.5得到分数差分参数d的值。Hurst指数的值H在0.5~1之间。
此外,需要说明的是,在本实施方式中,AIC信息准则被定义为:
AIC(p,q)=-2lnL+2θ(p,q)。
其中,基于上述计算得到AIC去最小值时p、q的值,式中的lnL表示FARIMA的似然函数,θ(p,q)表示FARIMA的阶数函数。
另外,在步骤(5)中,由量子遗传算法得到最优的AIC(p,q)值具体包括步骤:
501:初始化p值与q值;
502:对每个染色体基因位进行测量,以得到一个状态;对每个状态计算适应度,记录最佳个体及适应度;
503:遗传进化设定的代数,其中采用量子旋转门对每一代染色体进行遗传变异;
504:达到终止条件,输出最佳个体的AIC(p,q),即为最优的AIC(p,q)值。
为了更好地说明本发明所述的FARIMA模型电力负荷预测方法的应用情况,以某一企业实际采集的电力负荷值数据进行进一步说明。
在某一采集点每隔30分钟采集电力负荷数值,共采集17520个连续时间点的电力负荷数值作为样本容量,其中随机取连续五天的数据,以随机抽取的连续五天中的最后一天作为预测日,预测日当天所获得的电力负荷数据为实际测试值,而此前的四天所采集得到的电力负荷数据作为预测样本数据。
表1列出了随机抽取的连续五天的电力负荷数值。
表1.(单位:MW)
随后对表1中的数据进行预处理,可以通过横向对比法和纵向对比法对表1中异常数据进行修正,随后再进行归一化处理,归一化处理后获得预测样本数据。
归一化处理时,可以采用下式进行:
通过Hurst参数估计法得到H的值,再由d=H-0.5可以得到d的估计值。由于预测样本数据的序列X={Xt,t=1,2,3···,N}为时间序列,因此,对时间序列进行分数差分滤波后既可以得到Y={Yt,t=1,2,3···,N},把经过分数差分的数据Y={Yt,t=1,2,3···,N}输入到ARMA模型。需要说明的是,此时,N=48。
运用AIC信息准则对ARMA模型进行定阶,然后,将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数,由量子遗传算法得到最优的AIC(p,q)值,以对ARMA模型进行优化,其中p值为AR模型的自回归阶数,q值为MA模型的移动平均阶数,ARMA模型为AR模型与MA模型的结合。
需要说明的是,在本发明所述的技术方案中,量子遗传算法采用的是量子位染色体表示法,其用量子比特来表示一个基因,从而具有能同时表达任意叠加态的特点。采用量子比特编码的染色体结构可表示为
上式中:qj表示第j个个体的染色体;k为编码的每个基因的量子比特数;m为染色体基因个数;α和β分别为|0>和|1>的概率幅,且α和β还满足归一化条件:
|α|2+|β|2=1
其中,|α|2表示量子测量值为0的概率;|β|2表示量子测量值为1的概率。
量子门作为演化操作的执行机构,可根据具体问题进行选择,根据量子遗传算法的计算特点,在本案中,优选地可以采用量子旋转门。
量子旋转门调整操作为
最终对ARMA模型进行反分数差分,以得到优化的FARIMA模型,通过FARIMA模型预测未来的电力负荷数据。
图1为本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法在一些实施方式中的流程示意图。
如图1所示,基于量子遗传算法的FARIMA模型电力负荷预测系统其执行如上所述的FARIMA模型电力负荷预测方法,其包括步骤:(1)选取预测日之前的电力负荷数据作为预测样本数据;(2)对预测样本数据进行预处理;(3)对经过预处理的预测样本数据进行分数差分,把经过分数差分的数据输入到ARMA模型;(4)运用AIC信息准则对ARMA模型进行定阶;(5)将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数,由量子遗传算法得到最优的AIC(p,q)值,以对ARMA模型进行优化,其中p值为AR模型的自回归阶数,q值为MA模型的移动平均阶数,ARMA模型为AR模型与MA模型的结合;(6)对ARMA模型进行反分数差分,以得到优化的FARIMA模型;(7)采用FARIMA模型预测未来的电力负荷数据。
图2示意性地显示了采用本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法进行预测所得到的预测值、未采用量子遗传算法的FAR IMA模型(作为对照组)进行预测所得到的预测值以及实际测试值的对比情况。
如图2所示,曲线I表示实际测试值,曲线II表示基于量子遗传算法的FARIMA模型电力负荷预测方法进行预测所得到的预测值,曲线II表示未采用量子遗传算法的FARIMA模型(作为对照组)进行预测所得到的预测值,由图2可以看出,曲线II与曲线I的拟合度极高。
图3示意性显示了采用本发明所述的基于量子遗传算法的FARIMA模型电力负荷预测方法进行预测所得到的预测值以及未采用量子遗传算法的FAR IMA模型(作为对照组)进行预测所得到的预测值相较于实际测试值的相对误差值对比情况。
如图3所示,曲线IV表示基于量子遗传算法的FARIMA模型电力负荷预测方法进行预测所得到的预测值相较于实际测试值的相对误差值,曲线V表示及未采用量子遗传算法的FARIMA模型(作为对照组)进行预测所得到的预测值相较于实际测试值的相对误差值,由图3可以看出,曲线IV的相对误差值更低。
综上所述,本发明所述的FARIMA模型电力负荷预测方法采用AIC信息准则的最小值作为量子遗传算法的适应度函数,即将可靠性约束引入目标函数构建了自适应适应度函数,并且结合自适应旋转角调整策略、量子位交叉变异操作,得出了基于量子遗传算法优化的FARIMA模型,因而,使得本发明所述的FARIMA模型电力负荷预测方法在求解复杂非线性规划的电力负荷问题上大大降低了难度。
此外,本发明所述的FARIMA模型电力负荷预测系统可以对电力实际负荷数据进行准确预测,其对于电力系统的成本运营、管理维护、高峰监控起着至关重要的作用。另外,由于本发明所述的FARIMA模型电力负荷预测系统对电力负荷进行预测的过程中利用量子遗传算法进行优化,使得全局搜索能力不会陷入局部最优,通过本发明所述的FARIMA模型电力负荷系统所获得的预测结果具备精度高、稳定性好、灵敏度高、功耗低和成本低的特点。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
另外,还需要说明的是,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于量子遗传算法的FARIMA模型电力负荷预测方法,其特征在于,包括步骤:
(1)选取预测日之前的电力负荷数据作为预测样本数据;
(2)对预测样本数据进行预处理;
(3)对经过预处理的预测样本数据进行分数差分,把经过分数差分的数据输入到ARMA模型;
(4)运用AIC信息准则对ARMA模型进行定阶;
(5)将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数,由量子遗传算法得到最优的AIC(p,q)值,以对ARMA模型进行优化,其中p值为AR模型的自回归阶数,q值为MA模型的移动平均阶数,ARMA模型为AR模型与MA模型的结合;
(6)对ARMA模型进行反分数差分,以得到优化的FARIMA模型;
(7)采用FARIMA模型预测未来的电力负荷数据。
2.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法,其特征在于,在步骤(2)中,所述预处理至少包括:剔除预测样本数据中的异点和/或对预测样板数据进行均值化。
4.如权利要求3所述的基于量子遗传算法的FARIMA模型电力负荷预测方法,其特征在于,分数差分的参数d通过下述步骤获得:通过Hurst参数估计法得到Hurst指数的值H,再由d=H-0.5得到分数差分参数d的值。
5.如权利要求4所述的基于量子遗传算法的FARIMA模型电力负荷预测方法,其特征在于,Hurst指数的值H在0.5~1之间。
6.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法,其特征在于,AIC信息准则被定义为:
AIC(p,q)=-2lnL+2θ(p,q)。
其中,基于上述计算得到AIC去最小值时p、q的值,式中的lnL表示FARIMA的似然函数,θ(p,q)表示FARIMA的阶数函数。
7.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法,其特征在于,在步骤(5)中,由量子遗传算法得到最优的AIC(p,q)值具体包括步骤:
501:初始化p值与q值;
502:对每个染色体基因位进行测量,以得到一个状态;对每个状态计算适应度,记录最佳个体及适应度;
503:遗传进化设定的代数,其中采用量子旋转门对每一代染色体进行遗传变异;
504:达到终止条件,输出最佳个体的AIC(p,q),即为最优的AIC(p,q)值。
8.一种基于量子遗传算法的FARIMA模型电力负荷预测系统,其特征在于,其执行如权利要求1-7中任意一项所述的FARIMA模型电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086547.7A CN110874672A (zh) | 2019-11-08 | 2019-11-08 | 基于量子遗传算法的farima模型电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086547.7A CN110874672A (zh) | 2019-11-08 | 2019-11-08 | 基于量子遗传算法的farima模型电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874672A true CN110874672A (zh) | 2020-03-10 |
Family
ID=69717243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911086547.7A Pending CN110874672A (zh) | 2019-11-08 | 2019-11-08 | 基于量子遗传算法的farima模型电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874672A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112531728A (zh) * | 2020-12-07 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于改进naga-ii算法的配电网无功优化方法 |
CN112866026A (zh) * | 2021-01-15 | 2021-05-28 | 大连交通大学 | 基于量子遗传算法的farima模型网络流量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318334A (zh) * | 2014-10-29 | 2015-01-28 | 上海工程技术大学 | 一种基于长相关farima模型的短期电力负荷预测方法 |
CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
-
2019
- 2019-11-08 CN CN201911086547.7A patent/CN110874672A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318334A (zh) * | 2014-10-29 | 2015-01-28 | 上海工程技术大学 | 一种基于长相关farima模型的短期电力负荷预测方法 |
CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
Non-Patent Citations (1)
Title |
---|
杨照坤 等: "基于量子遗传算法的FARIMA模型电力负荷短期预测" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112531728A (zh) * | 2020-12-07 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于改进naga-ii算法的配电网无功优化方法 |
CN112866026A (zh) * | 2021-01-15 | 2021-05-28 | 大连交通大学 | 基于量子遗传算法的farima模型网络流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN106709820A (zh) | 一种基于深度置信网络的电力系统负荷预测方法及装置 | |
CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN110874672A (zh) | 基于量子遗传算法的farima模型电力负荷预测方法 | |
CN110837939A (zh) | 一种电网多目标项目筛选方法和系统 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN115169719A (zh) | 一种基于模糊聚类和bp神经网络的台区状态预测模型 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN113610328A (zh) | 一种发电负荷预测方法 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN112149976A (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN112488367A (zh) | 一种基于量子遗传的用户相序降损方法及其系统 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
Wang et al. | Short term load forecasting: A dynamic neural network based genetic algorithm optimization | |
CN115936183A (zh) | 基于藤壶交配优化的用户参与有序用电决策方法及系统 | |
CN114759572A (zh) | 一种用户台区无功补偿降损方法及装置 | |
Liu et al. | On-line adaptive data-driven fault prognostics of complex systems | |
CN111626465A (zh) | 一种新能源功率短期区间预测方法及系统 | |
Li et al. | The research on the reliability prediction method of distribution system | |
CN111079995A (zh) | 电力负荷非线性调和综合预测方法、装置及存储介质 | |
CN114037148B (zh) | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200310 |
|
WD01 | Invention patent application deemed withdrawn after publication |