CN111027760A - 一种基于最小二乘向量机的电力负荷预测方法 - Google Patents

一种基于最小二乘向量机的电力负荷预测方法 Download PDF

Info

Publication number
CN111027760A
CN111027760A CN201911195095.6A CN201911195095A CN111027760A CN 111027760 A CN111027760 A CN 111027760A CN 201911195095 A CN201911195095 A CN 201911195095A CN 111027760 A CN111027760 A CN 111027760A
Authority
CN
China
Prior art keywords
prediction
vector machine
clustering
data
data set
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
Application number
CN201911195095.6A
Other languages
English (en)
Other versions
CN111027760B (zh
Inventor
张慕尹
陈璟华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201911195095.6A priority Critical patent/CN111027760B/zh
Publication of CN111027760A publication Critical patent/CN111027760A/zh
Application granted granted Critical
Publication of CN111027760B publication Critical patent/CN111027760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (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最小二乘向量机的电力负荷预测方法，其步骤如下：通过天气数据与用电负荷数据集构建聚类数据集、预测聚类数据集与预测数据集；运用基于模糊C理论聚类算法确定有用类数据的初始聚类中心，将聚类数据集划分为c个类别，并输出模糊隶属度矩阵u和各类中心V；将预测聚类数据集输入用布谷鸟算法优化好的最小二乘向量机模型，得到预测日的预测聚类数据；根据模糊隶属度矩阵u计算预测聚类数据到各类聚类中心V的距离，并判断预测日的数据类型为Z；在预测数据集中找出数据类型为Z的预测数据并输入优化好的最小二乘向量机模型，得到训练好的最小二乘向量机模型；将预测日的数据输入训练好的最小二乘向量机模型中，完成预测日的电力负荷预测。

Description

一种基于最小二乘向量机的电力负荷预测方法
技术领域
本发明涉及电力系统技术领域，更具体的，涉及一种基于最小二乘向量机的电力负荷预测方法。
背景技术
随着社会各个行业快速蓬勃发展，电力系统规模越来越大越来越复杂，作为电力负荷预测的因素也开始多样化，社会、政治、天气甚至于经济因素都成为预测电力负荷的背景，传统的电力负荷预测手段难以适用于这种复杂背景下的预测分析。因此，有必要针对电力负荷预测研究精确合理，可涉及较多因素的算法，一个全面准确的负荷预测算法是电力系统可以灵活调控安全运行的重要保障。
在电力系统的建设中，需要安全科学合理地对电能进行规划，需要在保障电能指标的情况下能够随时满足用户负荷需求。然而，由于电力系统的自身存储电力的能力不足，用户未能消耗的电能往往会白白流失，造成资源浪费。电力系统若能在电能产出时进行调控，根据用户的负荷来进行生产调解，就可以避免过多的产出。因此，精准的电力负荷预测可以极大程度的提升电能的使用效率，有效避免电能的浪费，同时，电力负荷预测对电网控制，电力系统实时调度也有极大的帮助。
发明内容
本发明主要针对目前电力负荷预测过程中，精度不足，算法容易陷入局部最小值的缺点，提出一种基于最小二乘向量机的电力负荷预测方法，其能精准的对电力负荷进行预测，从而极大程度的提升电能的使用效率，有效避免电能的浪费。
为实现上述本发明目的，采用的技术方案如下：一种基于最小二乘向量机的电力负荷预测方法，所述的预测方法包括以下步骤：
S1：通过天气数据与用电负荷数据集构建聚类数据集、预测聚类数据集与预测数据集；
S2：运用基于模糊C理论聚类算法确定有用类数据的初始聚类中心，将聚类数据集划分为c个类别，并输出模糊隶属度矩阵u和各类中心V；
S3：采用布谷鸟算法优化最小二乘向量机模型，将预测聚类数据集作为训练样本输入优化好的最小二乘向量机模型，从而得到预测日的预测聚类数据；
S4：根据模糊隶属度矩阵u计算预测聚类数据到各类聚类中心V的距离，并判断预测日的数据类型为Z；在预测数据集中找出数据类型为Z的预测数据作为训练样本，并输入步骤S3优化好的最小二乘向量机模型进行训练，得到训练好的最小二乘向量机模型；
S5：将预测日的数据输入到训练好的最小二乘向量机模型中，完成预测日的电力负荷预测。
优选地，所述的聚类数据集包含预测日前S1天的日平均风速、日照强度、日平均气温、日最大气温、日最小气温、日平均负荷；
所述的预测聚类数据集包含预测日前S2日的日平均风速、日平均照强度、日平均气温、日最大气温、日最小气温、日平均负荷；
所述的预测数据集包含预测日前S1天的日平均风速、日照强度、日平均气温、日最大气温、日最小气温、日平均负荷，以及每天24个点的负荷数据。
进一步地，步骤S2中，运用基于模糊C理论聚类算法确定有用类数据的初始聚类中心，将聚类数据集划分为c个类别，其具体如下：
S201：给定类别数c，模糊权重指数m、最大迭代次数n、迭代误差ε；
S202：初始聚类中心，根据[0,1]均匀分布随机数给定初始类中心
Figure BDA0002294485020000021
S203：计算并更新模糊隶属度矩阵uij；
S204：根据模糊隶属度矩阵uij计算并更新每类中心
Figure BDA0002294485020000022
S205：根据模糊隶属度矩阵uij、每类中心
Figure BDA0002294485020000023
计算模糊聚类目标函数；
S206：判断，若
Figure BDA0002294485020000024
或者迭代次数>n，则迭代结束，输出模糊隶属度矩阵u和各类中心V；否则返回步骤S203进行下一次迭代。
再进一步地，其中步骤S203中，所述的模糊隶属度矩阵uij的计算式如下：
Figure BDA0002294485020000025
式中，uij表示第i个对象对于第j类聚类中心的隶属度，dij表示第i个样本到第j个聚类中心的距离，rj表示第j类聚类中心的自适应距离系数，其中rj的定义如下：
Figure BDA0002294485020000031
Gij表示第i组负荷数据对第j聚类中心的局部模糊因子；其中Gij的定义如下：
Figure BDA0002294485020000032
再进一步地，其中步骤S204中，所述的计算并更新每类中心
Figure BDA0002294485020000033
具体计算公式如下：
Figure BDA0002294485020000034
再进一步地，步骤S205中，计算模糊聚类目标函数，具体计算公式如下：
Figure BDA0002294485020000035
其中，min J表示最小模糊目标函数值。
再进一步地，步骤S3，采用布谷鸟算法优化最小二乘向量机模型，其具体步骤如下：
S301：初始化最小二乘支持向量机；
S302：对最小二乘支持向量机的初始参数进行编码，产生初始鸟巢数量，鸟巢初始位置，初始发现概率Pa和最大迭代次数Nmax；
S303：随机产生n个鸟巢位置，分别为
Figure BDA0002294485020000036
每一个鸟巢位置对应一个二维向量(γ,δ)，计算每组鸟巢位置对应的训练集交叉验证误差，找出最小误差Fmin；
S304：保留上代最小误差Fmin对应的最优鸟巢位置
Figure BDA0002294485020000037
S305：计算莱维飞行Levy flight步长αi大小，由Levy flight对其他鸟巢进行更新，得到一组新的鸟巢位置，并计算他们的预测输出和期望输出之间的绝对误差作为适应度函数；
S306：根据适应度函数计算各鸟巢的适应度值，并将新鸟巢适应度与上一代鸟巢适应度
Figure BDA0002294485020000038
进行比较，将适应度高的鸟巢位置更新为当前最优鸟巢位置，从而得到一组较优鸟巢位置
Figure BDA0002294485020000039
S307：用随机数r[0,1]与Pa,i比较，将大于Pa,i的个体进行遗弃；同时保留kt中被发现概率小于a的鸟巢，并随机改变发现概率大于a的鸟巢，得到一组新鸟巢位置，并计算新鸟巢位置对应的预测误差；并与kt中每个鸟巢位置对应的预测误差对比，用预测误差小的鸟巢位置替换预测误差大的鸟巢位置，得到一组新的较优鸟巢位置
Figure BDA0002294485020000041
S308：最后在pt中找到一个鸟巢位置
Figure BDA0002294485020000042
其中1≤b≤n；并判断其最小误差Fmin是否满足风电功率预测精度要求；如果满足，则停止搜索，并输出全局最小误差Fmin以及对应的鸟巢位置
Figure BDA0002294485020000043
否则，返回步骤S303～S307继续寻优；
S309：根据最优鸟巢位置
Figure BDA0002294485020000044
相对应的(γ,δ)值作为最小二乘向量机的最优参数，从而得到布谷鸟算法优化后的最小二乘向量机模型。
再进一步地，其中步骤S307中，所述的Pa,i，其计算方法如下：
Figure BDA0002294485020000045
Figure BDA0002294485020000046
Figure BDA0002294485020000047
式中，Pa,i为第i次迭代的发现概率，μ为区间[0,1]内均匀分布随机产生的实数，λ＝2表示随机搜索轨迹，imax＝100为最大迭代次数；Ps与Pareto最优解x进行比较，若Ps<x，布谷鸟算法处于局部搜索阶段；若Ps>x，则布谷鸟算法处于全局搜索阶段；Pe是对Ps进行互补的值；ni为鸟巢的更新数量；n为全部鸟巢数量；αi为第i次迭代的步长；θbest表示此时鸟巢位置的最佳状态；ni表示第i个鸟巢的位置；nbest表示最优位置与其他鸟巢的距离。
本发明的有益效果如下：
本发明采用改进模糊C理论聚类算法对聚类数据集进行聚类，弥补传统聚类精度不足的缺点，在对聚类数据集聚类后，采用布谷鸟算法优化最小二乘向量机模型，利用预测聚类数据集对预测负荷进行预测聚类数据，并确定预测聚类数据类别，将同类别的预测数据作为训练样本，对模型最小二乘向量机模型进行训练。本发明具有较高的实用性和合理性。
附图说明
图1是实施例1所述的电力负荷预测方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示，一种基于最小二乘向量机的电力负荷预测方法，所述的预测方法包括步骤如下：
步骤S1：构建电力负荷数据集
通过天气数据与用电负荷数据集构建聚类数据集、预测聚类数据集与预测数据集；
其中，所述的聚类数据集包含预测日前180天的日平均风速、日照强度、日平均气温、日最大气温、日最小气温、日平均负荷。
所述的预测聚类数据集包含预测日前60日的日平均风速、日平均照强度、日平均气温、日最大气温、日最小气温、日平均负荷。所述的预测聚类数据集用于对预测日进行聚类预测，为得到预测日的聚类数据。
所述的预测数据集包含预测日前180天的日平均风速、日照强度、日平均气温、日最大气温、日最小气温、日平均负荷，以及每天24个点的负荷数据。
具体的，本实施例将用电负荷数据的时间分辨率设为60分钟，即形成时间间隔为60分钟的电力负荷曲线，故一天的电力负荷曲线由24个数据点构成(一个数据点包含时间点和该时间点对应的电力负荷)。
步骤S2：运用基于模糊C理论聚类算法确定有用类数据的初始聚类中心，将聚类数据集划分为c个类别。
S201：给定类别数c、模糊权重指数m、最大迭代次数n、迭代误差ε。
本实施例预设类别数c＝6，模糊权重指数m＝2，最大迭代次数n＝200，迭代误差ε＝0.01。
S202：初始聚类中心，根据[0,1]均匀分布随机数给定初始类中心
Figure BDA0002294485020000051
其中
Figure BDA0002294485020000052
S203：计算并更新模糊隶属度矩阵uij。所述的模糊隶属度矩阵uij的计算式如下：
Figure BDA0002294485020000061
其中，uij表示第i个对象对于第j类聚类中心的隶属度，dij为第i个样本到第j个聚类中心的距离，rj为第j类聚类中心的自适应距离系数，其中，rj定义如下：
Figure BDA0002294485020000062
Gij为第i组负荷数据对第j聚类中心的局部模糊因子。其中，Gij定义如下：
Figure BDA0002294485020000063
S204：计算并更新每类中心
Figure BDA0002294485020000064
Figure BDA0002294485020000065
S205：计算模糊聚类目标函数：
Figure BDA0002294485020000066
其中，min J表示最小模糊目标函数值。
S206：判断，若
Figure BDA0002294485020000067
或者迭代次数>n，则迭代结束，输出模糊隶属度矩阵u和各类中心V；否则返回步骤S203进行下一次迭代。
本实施例通过步骤S2得到6个类别，将180天的聚类数据分为6个类别。
步骤S3：通过布谷鸟算法优化最小二乘向量机模型，采用预测聚类数据集作为训练样本输入优化后的最小二乘向量机模型，从而得到预测日的预测聚类数据。
其中所述采用布谷鸟算法优化最小二乘向量机模型，其具体步骤如下：
S301：初始化最小二乘支持向量机。
S302：对最小二乘向量机的初始参数进行编码，产生初始鸟巢数量，鸟巢初始位置，初始发现概率Pa和最大迭代次数Nmax，本实施例设定最大迭代次数Nmax＝100，Pa为[0,1]之间的随机数。
S303：随机产生n个鸟巢位置，分别为
Figure BDA0002294485020000071
每一个鸟巢位置对应一个二维向量(γ,δ)，计算每组鸟巢位置对应的训练集交叉验证误差，找到当前最优鸟巢
Figure BDA0002294485020000072
以及对应的最小误差Fmin。本实施例设定150≤γ≤200，0.1≤δ≤0.2。
S304：保留上代最小误差Fmin对应的最优鸟巢位置
Figure BDA0002294485020000073
其中1≤b≤n。
S305：计算莱维飞行(Levy flight)步长αi大小，由Levy flight对其他鸟巢进行更新，得到一组新的鸟巢位置，并计算他们的预测输出和期望输出之间的绝对误差作为适应度函数。
S306：根据适应度函数计算各鸟巢的适应度值，并将新鸟巢适应度与上一代鸟巢适应度
Figure BDA0002294485020000074
进行比较，将适应度高的鸟巢位置更新为当前最优鸟巢位置，从而得到一组较优鸟巢位置
Figure BDA0002294485020000075
S307：设定随机数R∈[0,1]是鸟巢宿主发现外来的蛋的概率，用随机数r[0,1]与Pa,i比较，将大于Pa,i的个体进行遗弃；
保留kt中被发现概率较小的鸟巢，同时随机改变发现概率较大的鸟巢，得到一组新鸟巢位置，并计算新鸟巢位置对应的预测误差。并与kt中每个鸟巢位置对应的预测误差对比，用预测误差小的鸟巢位置替换预测误差大的鸟巢位置，得到一组新的较优鸟巢位置
Figure BDA0002294485020000076
采用Levy flight产生步长具有随机性，缺乏自适应性，无法保证快速收敛。为解决全局寻优能力和布谷鸟搜索算法精度间的关系，在基本CS算法基础上，根据不同阶段的搜索结果，对发现概率Pa步长的大小进行自适应动态调整。
其中，Pa,i计算如下：
Figure BDA0002294485020000077
Figure BDA0002294485020000078
Figure BDA0002294485020000081
式中，Pa,i为第i次迭代的发现概率，μ为区间[0,1]内均匀分布随机产生的实数，λ＝2表示随机搜索轨迹，imax＝100为最大迭代次数。本实施例中取αmin＝0.01，αmax＝1.5；Ps与帕累托Pareto最优解x进行比较，若Ps<x，布谷鸟算法处于局部搜索阶段；若Ps>x，则布谷鸟算法处于全局搜索阶段；Pe是对Ps进行互补的值；ni为鸟巢的更新数量；n为全部鸟巢数量。αi为第i次迭代的步长。θbest表示此时鸟巢位置的最佳状态；ni表示第i个鸟巢的位置；nbest表示最优位置与其他鸟巢的距离。
S308：最后在pt中找到一个鸟巢位置
Figure BDA0002294485020000082
其中1≤b≤n；并判断其最小误差Fmin是否满足风电功率预测精度要求。如果满足，则停止搜索，并输出全局最小误差Fmin以及对应的鸟巢位置
Figure BDA0002294485020000083
否则，返回继续寻优。
S309：根据最优鸟巢位置
Figure BDA0002294485020000084
相对应的(γ,δ)值作为最小二乘向量机的最优参数，从而得到布谷鸟算法优化后的最小二乘向量机模型。
将预测聚类数据集作为训练样本输入优化后的最小二乘向量机模型，得到预测日的预测聚类数据。
S4：根据模糊隶属度矩阵u计算预测聚类数据到各类聚类中心V的距离，并判断预测日的数据类型为Z。在预测数据集中找出数据类型为Z的预测数据作为训练样本，输入步骤S3优化好的最小二乘向量机模型进行训练，得到训练好的最小二乘向量机模型；
S5：将预测日的数据输入到训练好的最小二乘向量机模型中，完成预测日的电力负荷预测。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于最小二乘向量机的电力负荷预测方法，其特征在于：所述的预测方法包括以下步骤：
S1：通过天气数据与用电负荷数据集构建聚类数据集、预测聚类数据集与预测数据集；
S2：运用基于模糊C理论聚类算法确定有用类数据的初始聚类中心，将聚类数据集划分为c个类别，并输出模糊隶属度矩阵u和各类中心V；
S3：采用布谷鸟算法优化最小二乘向量机模型，将预测聚类数据集作为训练样本输入优化好的最小二乘向量机模型，从而得到预测日的预测聚类数据；
S4：根据模糊隶属度矩阵u计算预测聚类数据到各类聚类中心V的距离，并判断预测日的数据类型为Z；在预测数据集中找出数据类型为Z的预测数据作为训练样本，并输入步骤S3优化好的最小二乘向量机模型进行训练，得到训练好的最小二乘向量机模型；
S5：将预测日的数据输入到训练好的最小二乘向量机模型中，完成预测日的电力负荷预测。
2.根据权利要求1所述的基于最小二乘向量机的电力负荷预测方法，其特征在于：所述的聚类数据集包含预测日前S1天的日平均风速、日照强度、日平均气温、日最大气温、日最小气温、日平均负荷；
所述的预测聚类数据集包含预测日前S2日的日平均风速、日平均照强度、日平均气温、日最大气温、日最小气温、日平均负荷；
所述的预测数据集包含预测日前S1天的日平均风速、日照强度、日平均气温、日最大气温、日最小气温、日平均负荷，以及每天24个点的负荷数据。
3.根据权利要求2所述的基于最小二乘向量机的电力负荷的预测方法，其特征在于：步骤S2中，运用基于模糊C理论聚类算法确定有用类数据的初始聚类中心，将聚类数据集划分为c个类别，其具体如下：
S201：给定类别数c，模糊权重指数m、最大迭代次数n、迭代误差ε；
S202：初始聚类中心，根据[0,1]均匀分布随机数给定初始类中心
Figure FDA0002294485010000011
S203：计算并更新模糊隶属度矩阵uij；
S204：根据模糊隶属度矩阵uij计算并更新每类中心
Figure FDA0002294485010000012
S205：根据模糊隶属度矩阵uij、每类中心
Figure FDA0002294485010000021
计算模糊聚类目标函数；
S206：判断，若
Figure FDA0002294485010000022
或者迭代次数>n，则迭代结束，输出模糊隶属度矩阵u和各类中心V；否则返回步骤S203进行下一次迭代。
4.根据权利要求3所述的基于最小二乘向量机的电力负荷预测方法，其特征在于：其中步骤S203中，所述的模糊隶属度矩阵uij的计算式如下：
Figure FDA0002294485010000023
式中，uij表示第i个对象对于第j类聚类中心的隶属度，dij表示第i个样本到第j个聚类中心的距离，rj表示第j类聚类中心的自适应距离系数，其中rj的定义如下：
Figure FDA0002294485010000024
Gij表示第i组负荷数据对第j聚类中心的局部模糊因子；其中Gij的定义如下：
Figure FDA0002294485010000025
5.根据权利要求4所述的基于最小二乘向量机的电力负荷预测方法，其特征在于：其中步骤S204中，所述的计算并更新每类中心
Figure FDA0002294485010000026
具体计算公式如下：
Figure FDA0002294485010000027
6.根据权利要求5所述的基于最小二乘向量机的电力负荷预测方法，其特征在于：步骤S205中，计算模糊聚类目标函数，具体计算公式如下：
Figure FDA0002294485010000028
其中，min J表示最小模糊目标函数值。
7.根据权利要求6所述的基于最小二乘向量机的电力负荷预测方法，其特征在于：步骤S3，采用布谷鸟算法优化最小二乘向量机模型，其具体步骤如下：
S301：初始化最小二乘支持向量机；
S302：对最小二乘支持向量机的初始参数进行编码，产生初始鸟巢数量，鸟巢初始位置，初始发现概率Pa和最大迭代次数Nmax；
S303：随机产生n个鸟巢位置，分别为
Figure FDA0002294485010000031
每一个鸟巢位置对应一个二维向量(γ,δ)，计算每组鸟巢位置对应的训练集交叉验证误差，找出最小误差Fmin；
S304：保留上代最小误差Fmin对应的最优鸟巢位置
Figure FDA0002294485010000032
S305：计算莱维飞行Levy flight步长αi大小，由Levy flight对其他鸟巢进行更新，得到一组新的鸟巢位置，并计算他们的预测输出和期望输出之间的绝对误差作为适应度函数；
S306：根据适应度函数计算各鸟巢的适应度值，并将新鸟巢适应度与上一代鸟巢适应度
Figure FDA0002294485010000033
进行比较，将适应度高的鸟巢位置更新为当前最优鸟巢位置，从而得到一组较优鸟巢位置
Figure FDA0002294485010000034
S307：用随机数r[0,1]与Pa,i比较，将大于Pa,i的个体进行遗弃；同时保留kt中被发现概率小于a的鸟巢，并随机改变发现概率大于a的鸟巢，得到一组新鸟巢位置，并计算新鸟巢位置对应的预测误差；并与kt中每个鸟巢位置对应的预测误差对比，用预测误差小的鸟巢位置替换预测误差大的鸟巢位置，得到一组新的较优鸟巢位置
Figure FDA0002294485010000035
S308：最后在pt中找到一个鸟巢位置
Figure FDA0002294485010000036
其中1≤b≤n，并判断其最小误差Fmin是否满足风电功率预测精度要求；如果满足，则停止搜索，并输出全局最小误差Fmin以及对应的鸟巢位置
Figure FDA0002294485010000037
否则，返回步骤S303～S307继续寻优；
S309：根据最优鸟巢位置
Figure FDA0002294485010000038
相对应的(γ,δ)值作为最小二乘向量机的最优参数，从而得到布谷鸟算法优化后的最小二乘向量机模型。
8.根据权利要求7所述的基于最小二乘向量机的电力负荷预测方法，其特征在于：其中步骤S307中，所述的Pa,i，其计算方法如下：
Figure FDA0002294485010000039
Figure FDA00022944850100000310
Figure FDA0002294485010000041
式中，Pa,i为第i次迭代的发现概率，μ为区间[0,1]内均匀分布随机产生的实数，λ＝2表示随机搜索轨迹，imax＝100为最大迭代次数；Ps与Pareto最优解x进行比较，若Ps<x，布谷鸟算法处于局部搜索阶段；若Ps>x，则布谷鸟算法处于全局搜索阶段；Pe是对Ps进行互补的值；ni为鸟巢的更新数量；n为全部鸟巢数量；αi为第i次迭代的步长；θbest表示此时鸟巢位置的最佳状态；ni表示第i个鸟巢的位置；nbest表示最优位置与其他鸟巢的距离。
CN201911195095.6A 2019-11-28 2019-11-28 一种基于最小二乘向量机的电力负荷预测方法 Active CN111027760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911195095.6A CN111027760B (zh) 2019-11-28 2019-11-28 一种基于最小二乘向量机的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911195095.6A CN111027760B (zh) 2019-11-28 2019-11-28 一种基于最小二乘向量机的电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN111027760A true CN111027760A (zh) 2020-04-17
CN111027760B CN111027760B (zh) 2023-01-17

Family

ID=70203217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911195095.6A Active CN111027760B (zh) 2019-11-28 2019-11-28 一种基于最小二乘向量机的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN111027760B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111478328A (zh) * 2020-05-19 2020-07-31 南京工程学院 一种高压岸电谐波预测方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
WO2016109946A1 (en) * 2015-01-06 2016-07-14 Accenture Global Services Limited Power distribution transformer load prediction analysis system
CN106855957A (zh) * 2015-12-09 2017-06-16 四川大学 基于相似日和最小二乘支持向量机的工厂母线负荷预测
CN108416366A (zh) * 2018-02-06 2018-08-17 武汉大学 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法
CN109670628A (zh) * 2018-11-09 2019-04-23 昆明理工大学 一种基于lssvm的神经网络的微电网负荷预测方法
CN110071502A (zh) * 2019-04-24 2019-07-30 广东工业大学 一种短期电力负荷预测的计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
WO2016109946A1 (en) * 2015-01-06 2016-07-14 Accenture Global Services Limited Power distribution transformer load prediction analysis system
CN106855957A (zh) * 2015-12-09 2017-06-16 四川大学 基于相似日和最小二乘支持向量机的工厂母线负荷预测
CN108416366A (zh) * 2018-02-06 2018-08-17 武汉大学 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法
CN109670628A (zh) * 2018-11-09 2019-04-23 昆明理工大学 一种基于lssvm的神经网络的微电网负荷预测方法
CN110071502A (zh) * 2019-04-24 2019-07-30 广东工业大学 一种短期电力负荷预测的计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111478328A (zh) * 2020-05-19 2020-07-31 南京工程学院 一种高压岸电谐波预测方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Also Published As

Publication number Publication date
CN111027760B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN108694502B (zh) 一种基于XGBoost算法的机器人制造单元自适应调度方法
CN107506865B (zh) 一种基于lssvm优化的负荷预测方法及系统
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及系统
CN110942205A (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN105447509A (zh) 一种光伏发电系统的短期功率预测方法
CN111027760B (zh) 一种基于最小二乘向量机的电力负荷预测方法
CN112734135A (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
Li et al. Short-term power generation forecasting of a photovoltaic plant based on PSO-BP and GA-BP neural networks
CN111897240B (zh) 一种基于核动力系统运行的仿真方法及系统
CN113313306A (zh) 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法
CN109002928A (zh) 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置
CN110119846A (zh) 一种用于中期电力负荷预测的多目标深度信念网络
Luo et al. Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
CN110570042A (zh) 一种短期电动汽车充电负荷预测方法及系统
CN113762591A (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
CN112819246A (zh) 基于布谷鸟算法优化神经网络的能源需求预测方法
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises
CN110059871B (zh) 光伏发电功率预测方法
CN112381315A (zh) 一种基于pso优化的ls-svm智能台区负荷预测方法及系统
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
CN116300755A (zh) 基于mpc的含储热的供热系统双层优化调度方法及装置
CN105956720A (zh) 一种基于t-s模糊模型的风电功率超短期预测方法
CN115860190A (zh) 负荷检测模型的训练、用电负荷的检测方法及相关装置
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置

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