CN111047090A - 基于混合核函数自适应融合的电力系统短期负荷预测方法 - Google Patents

基于混合核函数自适应融合的电力系统短期负荷预测方法 Download PDF

Info

Publication number
CN111047090A
CN111047090A CN201911264453.4A CN201911264453A CN111047090A CN 111047090 A CN111047090 A CN 111047090A CN 201911264453 A CN201911264453 A CN 201911264453A CN 111047090 A CN111047090 A CN 111047090A
Authority
CN
China
Prior art keywords
kernel function
power system
term load
kernel
load prediction
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
Application number
CN201911264453.4A
Other languages
English (en)
Inventor
许大星
王海伦
柴国飞
姜春娣
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.)
Quzhou University
Original Assignee
Quzhou University
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 Quzhou University filed Critical Quzhou University
Priority to CN201911264453.4A priority Critical patent/CN111047090A/zh
Publication of CN111047090A publication Critical patent/CN111047090A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)

Abstract

本发明属于电力系统技术领域，公开了一种基于混合核函数自适应融合的电力系统短期负荷预测方法，从局部核函数和全局核函数库中各选取核函数并分配权重变量组成混合核函数，将该权重变量与核函数自身的参数放在一起组合成新的参数状态向量，并建立非线性的参数估计模型；然后基于参数估计模型利用高阶容积卡尔曼滤波对参数状态进行估计，使得局部核函数和全局核函数能自适应的融合，并利用训练好的神经网络对电力负荷进行预测。本发明提出基于混合核函数自适应融合的电力系统短期负荷预测方法，选择最优的神经网络混合核函数融合系数，提高负荷预测精度。

Description

基于混合核函数自适应融合的电力系统短期负荷预测方法
技术领域
本发明属于电力系统技术领域，尤其涉及一种基于混合核函数自适应融合的电力系统短期负荷预测方法。
背景技术
目前，业内常用的现有技术是这样的：
短期电力负荷的精准预测是电力系统安全和经济运行的前提，可以有效降低发电成本，提高效益，同时也是调度编排、供电及交易计划的基础。电力负荷的变化受自然气象、社会经济等多种因素影响，其变化是动态、随机、复杂的，因此高精度的短期负荷预测成为电力系统研究的重要内容。
传统的负荷预测方法主要有回归分析和时间序列方法等，这些方法由于建模简单而得到一定范围的运用。然而其对历史数据要求过于严格，当运行的电力系统负荷发生新的变化时，这些新的信息很难反映到模型中去，导致负荷预测精度大大降低。近年来，随着人工智能领域的深入研究，将卡尔曼滤波、无迹卡尔曼滤波与小波网络、神经网络等进行深度融合，使得短期负荷预测的研究进入了新阶段。
有的现有技术中利用卡尔曼滤波的递推理论构建短期负荷预测模型并进行预测，有的现有技术中基于小波神经网络和无迹卡尔曼滤波对电力负荷高频信号进行多频级WNN区间预测。然而其神经网络训练的核函数单一，或为局部核函数或为全局核函数，都具有局限性。混合核函数将局部核函数与全局核函数融合，使得新的核函数同时具有局部核函数的学习能力和全局核函数的外推能力。然而，如何恰当的选择融合系数更好的发挥混合核函数的优势是一个亟待解决的问题。
1960年，卡尔曼将状态变量引入到滤波理论中，提出了著名的卡尔曼滤波。但其针对的是线性定常系统模型，对于非线性系统，研究者们先后提出了扩展卡尔曼滤波、无迹卡尔曼滤波、容积卡尔曼滤波等。由于容积卡尔曼滤波利用径向积分规则来最优化西格玛点和权重，大大增强了处理高维非线性状态的能力，因此估计精度和稳定性也最高，后续学者在此基础上将贝叶斯估计基本理论与任意阶容积规则相结合，从而推导出高阶的容积卡尔曼滤波。混合核函数融合系数的选择实际上是权值不断调整的过程，故可将融合系数看作神经网络权值的一部分，由于混合核函数是往往是非线性的，所以神经网络的训练可以看作是非线性系统的状态估计问题，也就是可将混合核函数的参数与融合系数的学习问题看作滤波中状态向量的最优估计问题。
综上所述，现有技术存在的问题是：
(1)现有的神经网络对电力系统短期负荷预测时，存在无法根据样本特性对混合核函数权重自适应分配的问题。
(2)现有的状态估计算法如扩展卡尔曼滤波、无迹卡尔曼滤波以及容积卡尔曼滤波对状态的估计精度仍然不够高。
(3)现有的方法多数从神经网络学习拟合的角度出发去计算权重，这样得到的权重精度不高。
解决上述技术问题的难度和意义：
针对电力短期符合预测精度低的问题，现有算法利用神经网络无法精准估计网络连接权重；
本发明从滤波估计的角度去计算权值具有重要意义，将权值作为状态估计的一个变量，然而如何设计高精度的高阶容积卡尔曼滤波算法达到自适应计算权值是一个具有挑战性的问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于混合核函数自适应融合的电力系统短期负荷预测方法。
本发明是这样实现的，一种基于混合核函数自适应融合的电力系统短期负荷预测方法，包括：
首先从常用的局部核函数和全局核函数库中各选取一种核函数并分配权重变量组成混合核函数，将该权重变量与核函数自身的参数放在一起组合成新的参数状态向量，并建立非线性的参数估计模型，然后基于该模型利用高阶容积卡尔曼滤波对参数状态进行估计，使得局部核函数和全局核函数能够自适应的融合，进而利用训练好的神经网络对负荷进行预测，最后结合实际电网数据进行实验分析，证明了混合函数自适应融合算法的有效性。
进一步，建立参数估计模型的方法包括：
混合核函数中，局部核函数的所有核参数为pl，全局核函数的所有核参数为pg，将融合系数kl，kg与核参数pl，pg组合成一个新的参数向量x＝[kl,kg,pl,pg]T；参数的非线性系统为：
xk＝xk-1+mk
yk＝h(xk)+nk
其中，xk表示参数状态向量，yk为电力系统的观测输出，mk与nk均为噪声，mk为零均值高斯白噪声，方差为Q，利用遥测电路对电力系统负荷测量时，产生高斯白噪声nk，方差为R。
进一步，自适应融合滤波的方法包括：首先从核函数中选择同时具有学习能力的局部核函数和具有泛化能力的全局核函数组成混合核函数，将权重融合系数与核参数组成参数状态向量x，输入电力系统负荷原始数据进行神经网络训练，结合输出值，进行高阶容积卡尔曼滤波时间更新，然后利用数据集的真是输出值进行高阶容积卡尔曼滤波测量更新，最后利用训练好的神经网络对测试数据对电力系统短期负荷预测。
进一步，时间更新的方法包括：
1)本发明假设k-1时刻的参数状态向量估计误差协方差已知，Pk-1|k-1，并进行Cholesky分解：
Figure BDA0002312460390000041
其中，Sk-1|k-1是Pk-1|k-1的Cholesky数学分解值；
2)传播容积点按下式计算
Figure BDA0002312460390000042
其中m＝2n，
Figure BDA0002312460390000043
为k-1时刻参数向量x的估计值，向量ξi为
Figure BDA0002312460390000044
上式中，
Figure BDA0002312460390000045
ei为n维单位向量，且第i个元素为1；
Figure BDA0002312460390000046
分别表示如下：
Figure BDA0002312460390000047
3)经过状态方程传播后，按下式计算容积点
Figure BDA0002312460390000048
4)然后，对状态进行一步预测
Figure BDA0002312460390000049
其中，权重wi选取如下
Figure BDA00023124603900000410
5)最后参数向量的估计误差协方差按下式计算
Figure BDA00023124603900000411
进一步，测量更新的方法包括：
1)对协方差矩阵Pk|k-1进行Cholesky分解：
Figure BDA0002312460390000051
其中，Sk|k-1为相应的Cholesky数学分解值；
2)对状态容积点按下式进行更新
Figure BDA0002312460390000052
3)容积点经过测量方程的传播后可计算如下：
Yi,k|k-1＝h(Xi,k|k-1)
4)在k时刻，对测量进行一步预测
Figure BDA0002312460390000053
5)新息的协方差矩阵按下式计算
Figure BDA0002312460390000054
6)对一步预测误差的互协方差矩阵进行计算
Figure BDA0002312460390000055
7)滤波器的增益矩阵为
Figure BDA0002312460390000056
8)k时刻的状态更新计算为
Figure BDA0002312460390000057
9)状态的误差协方差矩阵按下式计算
Figure BDA0002312460390000058
进一步，对于参数的非线性系统xk＝xk-1+mk、yk＝h(xk)+nk；给定状态初始条件
Figure BDA0002312460390000059
P0|0，根据时间更新和测量更新的方法进行高阶容积卡尔曼滤波，得到最优的参数状态向量值，对电力系统短期负荷进行精准预测。
进一步，Kl(xi,xj)，Kg(xi,xj)分别表示局部核函数与全局核函数，kl，kg分别表示局部核函数系数与全局核函数系数，混合核函数Km(xi,xj)表示为：
Km(xi,xj)＝kl·Kl(xi,xj)+kg·Kg(xi,xj)
其中，样本输入节点用x1,x2,...xn表示，输出节点用y1,y2,...ym表示，Wij，Wki表示各层之间的权重系数，隐含层的节点数根据实际需要进行选取。
本发明的另一目的在于提供一种实现基于混合核函数自适应融合的电力系统短期负荷预测方法的基于混合核函数自适应融合的电力系统短期负荷预测控制系统。
本发明的另一目的在于提供一种终端，所述终端搭载有实现所述基于混合核函数自适应融合的电力系统短期负荷预测方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于混合核函数自适应融合的电力系统短期负荷预测方法。
综上所述，本发明的优点及积极效果为：从状态估计滤波的角度对神经网络的权值进行计算，滤波算法采用高阶容积卡尔曼滤波，提高状态估计精度，通过实例与现有算法对比表明本算法能更好的适应样本特性，对权值的计算精度更高，从而达到对电力系统短期符合预测精度更高的目的。
本发明利用高阶容积卡尔曼滤波对混合核函数的融合系数进行实时估计，提出基于混合核函数自适应融合的电力系统短期负荷预测方法，选择最优的神经网络混合核函数融合系数，提高负荷预测精度。
附图说明
图1是本发明实施例提供的基于混合核函数的神经网络模型结构图。
图2是本发明实施例提供的基于混合核函数自适应融合的短期负荷预测结构图。
图3是本发明实施例提供的1月1日负荷预测值与真实值图。
图4是本发明实施例提供的1月1日1时—8时负荷预测值与真实值放大图。
图5是本发明实施例提供的连续负荷预测MAPE指标图。
图6是本发明实施例提供的基于混合核函数自适应融合的电力系统短期负荷预测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有的神经网络对电力系统短期负荷预测时，存在无法根据样本特性对混合核函数权重自适应分配的问题。
为解决上述技术问题，下面结合具体方案对本发明作详细描述。
1、在本发明实施例中，基于混合核函数的神经网络状态空间模型：
本发明用Kl(xi,xj)，Kg(xi,xj)分别表示局部核函数与全局核函数，kl，kg分别表示局部核函数系数与全局核函数系数，则混合核函数Km(xi,xj)表示如下：
Km(xi,xj)＝kl·Kl(xi,xj)+kg·Kg(xi,xj) (1)
进而，基于混合核函数的神经网络状态空间模型结构如下图1所示。
其中，样本输入节点用x1,x2,...xn表示，输出节点用y1,y2,...ym表示，Wij，Wki表示各层之间的权重系数，隐含层的节点数根据实际需要进行选取。
2、在本发明实施例中，高阶容积卡尔曼滤波原理
离散非线性系统如下所示：
xk＝f(xk-1)+wk (2)
zk＝h(xk)+vk (3)
其中，xk表示状态向量；zk为观测向量；f，h表示已知的非线性函数；{wk}与{vk}均为独立的零均值高斯白噪声。
利用Genz积分方法，高阶容积规则满足：
Figure BDA0002312460390000081
其中，ej为n维空间Rn的单位矢量，并且它的第j个元素为1。点集
Figure BDA0002312460390000082
与
Figure BDA0002312460390000083
表示如下：
Figure BDA0002312460390000084
Figure BDA0002312460390000085
权重
Figure BDA0002312460390000086
可由下式计算
Figure BDA0002312460390000087
Figure BDA0002312460390000088
其中，
Figure BDA0002312460390000089
为单位球面的表面积，
Figure BDA00023124603900000810
根据矩匹配法，当n＝2时，权重计算如下：
Figure BDA00023124603900000811
3、在本发明实施例中，基于混合核函数自适应融合的电力系统短期负荷预测方法，包括：
3.1参数估计模型
从(1)式可以看出，混合核函数同时包含局部核函数和全局核函数，令局部核函数的所有核参数为pl，全局核函数的所有核参数为pg，则本发明将融合系数kl，kg与核参数pl，pg组合成一个新的参数向量x＝[kl,kg,pl,pg]T。对于一个特定场景，最优的参数可以看作是一个固定值，那么整个参数的调整问题就是一个非线性动态系统的滤波估计问题。关于参数的非线性系统可描述如下：
xk＝xk-1+mk (10)
yk＝h(xk)+nk (11)
其中，xk表示参数状态向量，yk为电力系统的观测输出，mk与nk均为噪声，由于参数系统在不同时刻存在干扰，且干扰在不同时刻互不相关，经过很长的时间后，这些干扰的均值为零，因此mk为零均值高斯白噪声，令其方差分别为Q和，同时利用遥测电路对电力系统负荷测量时，会产生高斯白噪声nk，令其方差为R。
3.2自适应融合滤波
建立参数估计模型后，给出参数的自适应选择方法，寻找最优的参数向量，从而更好的对短期负荷进行预测，整个参数的调整过程如图2所示。首先从常用的核函数中选择同时具有学习能力的局部核函数和具有泛化能力的全局核函数组成混合核函数，将权重融合系数与核参数组成参数状态向量x，输入电力系统负荷原始数据进行神经网络训练，结合输出值，进行高阶容积卡尔曼滤波时间更新，然后利用数据集的真是输出值进行高阶容积卡尔曼滤波测量更新，最后利用训练好的神经网络对测试数据对电力系统短期负荷预测。
作为本发明的优选实施，具体的时间更新和测量更新步骤如下：
时间更新：
1)本发明假设k-1时刻的参数状态向量估计误差协方差已知，令其为Pk-1|k-1，并对其进行Cholesky分解：
Figure BDA0002312460390000091
其中，Sk-1|k-1是Pk-1|k-1的Cholesky数学分解值。
2)传播容积点按下式计算
Figure BDA0002312460390000092
其中m＝2n，
Figure BDA0002312460390000093
为k-1时刻参数向量x的估计值，向量ξi为
Figure BDA0002312460390000101
上式中，
Figure BDA0002312460390000102
ei为n维单位向量，且它的第i个元素为1。
Figure BDA0002312460390000103
分别表示如下：
Figure BDA0002312460390000104
3)经过状态方程传播后，按下式计算容积点
Figure BDA0002312460390000105
4)然后，对状态进行一步预测
Figure BDA0002312460390000106
其中，权重wi选取如下
Figure BDA0002312460390000107
5)最后参数向量的估计误差协方差按下式计算
Figure BDA0002312460390000108
作为本发明的优选实施，测量更新包括：
1)同样，对协方差矩阵Pk|k-1进行Cholesky分解：
Figure BDA0002312460390000109
其中，Sk|k-1为相应的Cholesky数学分解值。
2)对状态容积点按下式进行更新
Figure BDA0002312460390000111
3)容积点经过测量方程的传播后可计算如下：
Yi,k|k-1＝h(Xi,k|k-1) (22)
4)在k时刻，对测量进行一步预测
Figure BDA0002312460390000112
5)新息的协方差矩阵按下式计算
Figure BDA0002312460390000113
6)对一步预测误差的互协方差矩阵进行计算
Figure BDA0002312460390000114
7)滤波器的增益矩阵为
Figure BDA0002312460390000115
8)k时刻的状态更新计算为
Figure BDA0002312460390000116
9)状态的误差协方差矩阵按下式计算
Figure BDA0002312460390000117
对于公式(10)(11)所描述的非线性系统，给定状态初始条件
Figure BDA0002312460390000118
P0|0，即可根据上述的时间更新和测量更新两个步骤进行高阶容积卡尔曼滤波，得到最优的参数状态向量值，从而可以对电力系统短期负荷进行精准预测。
4、下面结合实验分析对本发明的应用原理作进一步描述。
实验数据为EUNITE Network公布的斯洛伐克1997年-1999年每30分钟的负荷数据[15]。为检验基于混合核函数自适应融合的方法对电力系统短期负荷预测的有效性，本仿真选择1997年-1998年的数据进行神经网络训练，用1999年1月数据来评估提前24小时负荷预测质量。引入平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)作为性能指标对算法预测精度进行评价，具体定义如下：
Figure BDA0002312460390000121
其中，ba为第i时刻电力系统的实际负荷值，
Figure BDA0002312460390000122
为相应的预测负荷值，n为采样点数，可以看出MARE越小，负荷预测精度越高。
本实验选择高斯核函数作为局部核函数，Sigmoid核函数作为全局核函数，初始权重选择为随机噪声，方差为0.5，漂移方差为0.005I40×40，8个神经网络隐层节点。为说明基于混合核函数自适应融合的负荷预测(Mixed kernel function adaptive fusion,MKFAF)的有效性，选取基于单个高斯核函数的短期负荷预测(Single Gauss kernel function,SGKF)，以及随机选择混合核函数权重的负荷预测算法(Random mixed kernel functionweight,RMKFW)作为对比。具体仿真结果如图3-5及表1所示。
表1. 1月1日各种预测算法的MAPE对比表
Figure BDA0002312460390000123
从图3—图4各种算法的预测曲线来看，MKFAF负荷预测算法比其它两种预测算法的输出值更接近于真实值，因此精度更高，这主要是由于MKFAF对混合核函数的融合权系数是自适应调整的，而RMKFW算法的融合权系数是随机选取的，不能够真实的反映样本特性。RMKFW算法的预测精度高于SGKF算法，这是因为RMKFW采用的是混合核函数，使得核函数即具有学习能力又具有外推能力，而SGKF算法只使用了单一的高斯核函数。同时，从表1中各预测算法的MAPE值可以定量看出，MKFAF算法的MAPE指标值最低，故其精度最高。
从图5可以看出，随着预测期的增加，三种算法的MAPE指标均相应的增加，也就说预测精度随着预测期的增长而降低。同时可以得到MKFAF算法在预测期内的MAPE指标一直是最小的，这也说明了它的预测精度是最高的。此外可以看出SGKF算法的预测精度最低，这与图3和表1的结果是一致的。
5、下面结合效果对本发明的应用作进一描述。
单一的核函数局限性明显，现有的混合核函数权重选择方法往往不能根据样本特性进行选择，因此在对电力系统负荷进行预测时精度往往不高。本文将混合核函数的权重与核函数自身变量组合成新的参数状态向量，建立了该参数状态的非线性系统模型，利用高阶容积卡尔曼滤波对参数状态向量进行估计，从而使得局部核函数与全局核函数能够根据实际电力系统负荷样本特性进行自适应融合，大大提高了短期负荷预测的精度。
如图6所示，本发明实施例提供的基于混合核函数自适应融合的电力系统短期负荷预测方法，包括：
S101:从常用的局部核函数和全局核函数库中各选取一种核函数并分配权重变量组成混合核函数，将该权重变量与核函数自身的参数放在一起组合成新的参数状态向量，并建立非线性的参数估计模型；
S102:然后基于该模型利用高阶容积卡尔曼滤波对参数状态进行估计，使得局部核函数和全局核函数能够自适应的融合，进而利用训练好的神经网络对负荷进行预测；
S103:结合实际电网数据进行实验分析，证明了混合函数自适应融合算法的有效性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，所述基于混合核函数自适应融合的电力系统短期负荷预测方法包括：
从局部核函数和全局核函数库中各选取核函数并分配权重变量组成混合核函数，将该权重变量与核函数自身的参数放在一起组合成新的参数状态向量，并建立非线性的参数估计模型；
然后基于参数估计模型利用高阶容积卡尔曼滤波对参数状态进行估计，使得局部核函数和全局核函数能自适应的融合，并利用训练好的神经网络对电力负荷进行预测。
2.如权利要求1所述的基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，建立参数估计模型的方法包括：
混合核函数中，局部核函数的所有核参数为pl，全局核函数的所有核参数为pg，将融合系数kl，kg与核参数pl，pg组合成一个新的参数向量x＝[kl,kg,pl,pg]T；参数的非线性系统为：
xk＝xk-1+mk
yk＝h(xk)+nk
其中，xk表示参数状态向量，yk为电力系统的观测输出，mk与nk均为噪声，mk为零均值高斯白噪声，方差为Q，利用遥测电路对电力系统负荷测量时，产生高斯白噪声nk，方差为R。
3.如权利要求1所述的基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，自适应融合滤波的方法包括：首先从核函数中选择同时具有学习能力的局部核函数和具有泛化能力的全局核函数组成混合核函数，将权重融合系数与核参数组成参数状态向量x，输入电力系统负荷原始数据进行神经网络训练，结合输出值，进行高阶容积卡尔曼滤波时间更新，然后利用数据集的真是输出值进行高阶容积卡尔曼滤波测量更新，最后利用训练好的神经网络对测试数据对电力系统短期负荷预测。
4.如权利要求3所述的基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，时间更新的方法包括：
1)本发明假设k-1时刻的参数状态向量估计误差协方差已知，Pk-1|k-1，并进行Cholesky分解：
Figure FDA0002312460380000021
其中，Sk-1|k-1是Pk-1|k-1的Cholesky数学分解值；
2)传播容积点按下式计算
Figure FDA0002312460380000022
其中m＝2n，
Figure FDA0002312460380000023
为k-1时刻参数向量x的估计值，向量ξi为
Figure FDA0002312460380000024
上式中，
Figure FDA0002312460380000025
ei为n维单位向量，且第i个元素为1；
Figure FDA0002312460380000026
分别表示如下：
Figure FDA0002312460380000027
3)经过状态方程传播后，按下式计算容积点
Figure FDA0002312460380000028
4)然后，对状态进行一步预测
Figure FDA0002312460380000029
其中，权重wi选取如下
Figure FDA00023124603800000210
5)最后参数向量的估计误差协方差按下式计算
Figure FDA0002312460380000031
5.如权利要求3所述的基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，测量更新的方法包括：
1)对协方差矩阵Pk|k-1进行Cholesky分解：
Figure FDA0002312460380000032
其中，Sk|k-1为相应的Cholesky数学分解值；
2)对状态容积点按下式进行更新
Figure FDA0002312460380000033
3)容积点经过测量方程的传播后可计算如下：
Yi,k|k-1＝h(Xi,k|k-1)
4)在k时刻，对测量进行一步预测
Figure FDA0002312460380000034
5)新息的协方差矩阵按下式计算
Figure FDA0002312460380000035
6)对一步预测误差的互协方差矩阵进行计算
Figure FDA0002312460380000036
7)滤波器的增益矩阵为
Figure FDA0002312460380000037
8)k时刻的状态更新计算为
Figure FDA0002312460380000038
9)状态的误差协方差矩阵按下式计算
Figure FDA0002312460380000039
6.如权利要求3所述的基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，对于参数的非线性系统xk＝xk-1+mk、yk＝h(xk)+n；给定状态初始条件
Figure FDA0002312460380000041
P0|0，根据时间更新和测量更新的方法进行高阶容积卡尔曼滤波，得到最优的参数状态向量值，对电力系统短期负荷进行精准预测。
7.如权利要求1所述的基于混合核函数自适应融合的电力系统短期负荷预测方法，其特征在于，Kl(xi,xj)，Kg(xi,xj)分别表示局部核函数与全局核函数，kl，kg分别表示局部核函数系数与全局核函数系数，混合核函数Km(xi,xj)表示为：
Km(xi,xj)＝kl·Kl(xi,xj)+kg·Kg(xi,xj)
其中，样本输入节点用x1,x2,...xn表示，输出节点用y1,y2,...ym表示，Wij，Wki表示各层之间的权重系数，隐含层的节点数根据实际需要进行选取。
8.一种实现权利要求1～7任意一项所述基于混合核函数自适应融合的电力系统短期负荷预测方法的基于混合核函数自适应融合的电力系统短期负荷预测控制系统。
9.一种终端，其特征在于，所述终端搭载有实现权利要求1～7任意一项所述基于混合核函数自适应融合的电力系统短期负荷预测方法的控制器。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的基于混合核函数自适应融合的电力系统短期负荷预测方法。
CN201911264453.4A 2019-12-11 2019-12-11 基于混合核函数自适应融合的电力系统短期负荷预测方法 Pending CN111047090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911264453.4A CN111047090A (zh) 2019-12-11 2019-12-11 基于混合核函数自适应融合的电力系统短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911264453.4A CN111047090A (zh) 2019-12-11 2019-12-11 基于混合核函数自适应融合的电力系统短期负荷预测方法

Publications (1)

Publication Number Publication Date
CN111047090A true CN111047090A (zh) 2020-04-21

Family

ID=70235574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911264453.4A Pending CN111047090A (zh) 2019-12-11 2019-12-11 基于混合核函数自适应融合的电力系统短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN111047090A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628695A (zh) * 2021-07-14 2021-11-09 南京玻璃纤维研究设计院有限公司 一种玻璃黏度预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628695A (zh) * 2021-07-14 2021-11-09 南京玻璃纤维研究设计院有限公司 一种玻璃黏度预测方法及系统

Similar Documents

Publication Publication Date Title
Ghods et al. Methods for long-term electric load demand forecasting; a comprehensive investigation
Zhang et al. Neural network-based market clearing price prediction and confidence interval estimation with an improved extended Kalman filter method
Yu et al. Error correction method based on data transformational GM (1, 1) and application on tax forecasting
CN109242212A (zh) 一种基于变模式分解与长短记忆网络的风电预测方法
Han et al. Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network
Tian Preliminary research of chaotic characteristics and prediction of short-term wind speed time series
Lu et al. A multi‐objective multi‐agent deep reinforcement learning approach to residential appliance scheduling
CN114784823A (zh) 基于深度确定性策略梯度的微电网频率控制方法及系统
CN115619025A (zh) 基于meemd与最优组合集成的电力负荷三角模糊预测方法
Jiang et al. Industrial ultra-short-term load forecasting with data completion
Shen et al. Federated learning for long-term forecasting of electricity consumption towards a carbon-neutral future
He et al. Short-term power load forecasting based on self-adapting PSO-BP neural network model
CN111047090A (zh) 基于混合核函数自适应融合的电力系统短期负荷预测方法
CN113902206A (zh) 一种基于VMD-BiGRU的短期负荷预测方法
Luo et al. A novel nonlinear combination model based on support vector machine for stock market prediction
Kayim et al. Time series forecasting with volatility activation function
Al-zahra et al. A comparative Study of Forecasting the Electrical Demand in Basra city using Box-Jenkins and Modern Intelligent Techniques.
Kuang et al. Real-time forecasting for short-term traffic flow based on general regression neural network
Zhao et al. Adaptive sparse quantization kernel least mean square algorithm for online prediction of chaotic time series
Li et al. Development of a direct NGM (1, 1) prediction model based on interval grey numbers
Zhang et al. Power Load Forecasting Model Based on LSTM and Prophet algorithm
Hendikawati ANFIS Performance Evaluation for Predicting Time Series with Calendar Effects
Mahmudh et al. Improved Extreme Learning Machine Power Load Forecasting Based on Firefly Optimization Algorithms
Salman et al. A hybrid ARFIMA-fuzzy time series (FTS) model for forecasting daily cases of Covid-19 in Iraq
Chen et al. Adaptive advantage estimation for actor-critic algorithms

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421